Приєднатися Увійти

Henna Farooq

Учасник із 2023

Срібна ліга

Кількість балів: 5000
Engineer Data for Predictive Modeling with BigQuery ML Earned січ. 18, 2024 EST
Налаштування розподілу навантаження в Compute Engine Earned черв. 15, 2023 EDT
Налаштування середовища для розробки додатка в Google Cloud Earned черв. 15, 2023 EDT
Підготовка даних для інтерфейсів API машинного навчання в Google Cloud Earned черв. 14, 2023 EDT
Serverless Data Processing with Dataflow: Foundations Earned черв. 12, 2023 EDT
Google Cloud Big Data and Machine Learning Fundamentals - українська Earned черв. 12, 2023 EDT
Preparing for your Professional Data Engineer Journey Earned черв. 11, 2023 EDT
Smart Analytics, Machine Learning, and AI on Google Cloud Earned черв. 5, 2023 EDT
Building Resilient Streaming Systems on Google Cloud Platform Earned черв. 3, 2023 EDT
Building Batch Data Pipelines on Google Cloud Earned трав. 29, 2023 EDT
Modernizing Data Lakes and Data Warehouses with Google Cloud Earned трав. 24, 2023 EDT

Complete the intermediate Engineer Data for Predictive Modeling with BigQuery ML skill badge to demonstrate skills in the following: building data transformation pipelines to BigQuery using Dataprep by Trifacta; using Cloud Storage, Dataflow, and BigQuery to build extract, transform, and load (ETL) workflows; and building machine learning models using BigQuery ML. A skill badge is an exclusive digital badge issued by Google Cloud in recognition of your proficiency with Google Cloud products and services and tests your ability to apply your knowledge in an interactive hands-on environment. Complete the skill badge course, and final assessment challenge lab, to receive a digital badge that you can share with your network.

Докладніше

Пройдіть вступний кваліфікаційний курс Налаштування розподілу навантаження в Compute Engine, щоб продемонструвати свої навички написання команд gcloud і використання Cloud Shell, створення й розгортання віртуальних машин у Compute Engine, а також налаштування мережі й розподілювачів навантаження HTTP. Кваліфікаційний значок – це ексклюзивний цифровий значок від Google Cloud, який засвідчує, що ви знаєтеся на продуктах і сервісах цієї платформи й можете застосовувати ці знання в інтерактивному практичному середовищі. Щоб отримати кваліфікаційний значок і показати його колегам, пройдіть цей курс і підсумковий тест.

Докладніше

Щоб отримати кваліфікаційний значок, пройдіть курс Налаштування середовища для розробки додатка в Google Cloud. У ньому ви навчитеся створювати й підключати хмарну інфраструктуру, спрямовану на зберігання даних, за допомогою базових можливостей таких технологій, як Cloud Storage, система керування ідентифікацією і доступом, Cloud Functions та Pub/Sub. Кваліфікаційний значок – це ексклюзивна цифрова відзнака, яка підтверджує, що ви вмієте працювати з продуктами й сервісами Google Cloud, а також застосовувати ці знання в інтерактивному практичному середовищі. Щоб отримати кваліфікаційний значок і показати його колегам, пройдіть цей курс і підсумковий тест.

Докладніше

Пройдіть вступний кваліфікаційний курс Підготовка даних для інтерфейсів API машинного навчання в Google Cloud, щоб продемонструвати свої навички щодо очистки даних за допомогою сервісу Dataprep by Trifacta, запуску конвеєрів даних у Dataflow, створення кластерів і запуску завдань Apache Spark у Dataproc, а також виклику API машинного навчання, зокрема Cloud Natural Language API, Google Cloud Speech-to-Text API і Video Intelligence API. Кваліфікаційний значок – це ексклюзивна цифрова відзнака, яка підтверджує, що ви вмієте працювати з продуктами й сервісами Google Cloud і можете застосовувати ці знання в інтерактивному практичному середовищі. Щоб отримати кваліфікаційний значок і показати його колегам, пройдіть цей курс і підсумковий тест.

Докладніше

This course is part 1 of a 3-course series on Serverless Data Processing with Dataflow. In this first course, we start with a refresher of what Apache Beam is and its relationship with Dataflow. Next, we talk about the Apache Beam vision and the benefits of the Beam Portability framework. The Beam Portability framework achieves the vision that a developer can use their favorite programming language with their preferred execution backend. We then show you how Dataflow allows you to separate compute and storage while saving money, and how identity, access, and management tools interact with your Dataflow pipelines. Lastly, we look at how to implement the right security model for your use case on Dataflow.

Докладніше

Під час курсу ви зможете ознайомитися з продуктами й сервісами Google Cloud для роботи з масивами даних і машинним навчанням, які підтримують життєвий цикл роботи з даними для тренування моделей штучного інтелекту. У курсі розглядаються процеси, проблеми й переваги створення конвеєру масиву даних і моделей машинного навчання з Vertex AI у Google Cloud.

Докладніше

This course helps learners create a study plan for the PDE (Professional Data Engineer) certification exam. Learners explore the breadth and scope of the domains covered in the exam. Learners assess their exam readiness and create their individual study plan.

Докладніше

Incorporating machine learning into data pipelines increases the ability to extract insights from data. This course covers ways machine learning can be included in data pipelines on Google Cloud. For little to no customization, this course covers AutoML. For more tailored machine learning capabilities, this course introduces Notebooks and BigQuery machine learning (BigQuery ML). Also, this course covers how to productionalize machine learning solutions by using Vertex AI.

Докладніше

This 1-week, accelerated on-demand course builds upon Google Cloud Platform Big Data and Machine Learning Fundamentals. Through a combination of video lectures, demonstrations, and hands-on labs, you'll learn to build streaming data pipelines using Google cloud Pub/Sub and Dataflow to enable real-time decision making. You will also learn how to build dashboards to render tailored output for various stakeholder audiences.

Докладніше

Data pipelines typically fall under one of the Extract and Load (EL), Extract, Load and Transform (ELT) or Extract, Transform and Load (ETL) paradigms. This course describes which paradigm should be used and when for batch data. Furthermore, this course covers several technologies on Google Cloud for data transformation including BigQuery, executing Spark on Dataproc, pipeline graphs in Cloud Data Fusion and serverless data processing with Dataflow. Learners get hands-on experience building data pipeline components on Google Cloud using Qwiklabs.

Докладніше

The two key components of any data pipeline are data lakes and warehouses. This course highlights use-cases for each type of storage and dives into the available data lake and warehouse solutions on Google Cloud in technical detail. Also, this course describes the role of a data engineer, the benefits of a successful data pipeline to business operations, and examines why data engineering should be done in a cloud environment. This is the first course of the Data Engineering on Google Cloud series. After completing this course, enroll in the Building Batch Data Pipelines on Google Cloud course.

Докладніше