
Οι τοπικές σειρές μαθημάτων κατάρτισης Data Warehouse, καθοδηγούμενες από εκπαιδευτές, επιδεικνύουν μέσω συζήτησης και πρακτικής άσκησης πώς να κατανοήσουν, να σχεδιάσουν και να δημιουργήσουν μια αποθήκη δεδομένων. Η κατάρτιση Data Warehouse είναι διαθέσιμη ως "live on-the-job training" ή "remote live training". Η επιτόπια κατάρτιση σε πραγματικό χρόνο μπορεί να πραγματοποιηθεί σε τοπικό επίπεδο στις εγκαταστάσεις του πελάτη Ελλάδα ή σε εταιρικά κέντρα κατάρτισης NobleProg στο Ελλάδα . Η απομακρυσμένη ζωντανή προπόνηση πραγματοποιείται μέσω μιας διαδραστικής, απομακρυσμένης επιφάνειας εργασίας. Η αποθήκη δεδομένων είναι επίσης γνωστή ως Enterprise Data Warehouse (EDW) ή Data Warehousing. NobleProg - Ο τοπικός παροχέας εκπαίδευσης
Machine Translated
Testimonials
Παράδειγμα ασκήσεων, πρακτική ανταλλαγή εμπειριών εργασίας
澳新银行
Course: Data Vault: Building a Scalable Data Warehouse
Machine Translated
Η γνώση του δασκάλου σχετικά με την αποθήκη δεδομένων είναι πολύ περιεκτική, έπαινος!
澳新银行
Course: Data Vault: Building a Scalable Data Warehouse
Machine Translated
Ο καθηγητής εξήγησε τις λεπτομέρειες και συζήτησε την ατμόσφαιρα.
澳新银行
Course: Data Vault: Building a Scalable Data Warehouse
Machine Translated
Πρακτική εφαρμογή, βοηθά στην εξήγηση πολλών διαφορετικών αμφιβολιών
SGB-Bank S.A.
Course: Data Vault: Building a Scalable Data Warehouse
Machine Translated
παρουσιάζοντας σε γραφική μορφή και συζητώντας το επόμενο βήμα, το οποίο θα πραγματοποιηθεί σε SQL
Volkswagen Financial Services Polska Sp. z o.o.,
Course: Data Vault: Building a Scalable Data Warehouse
Machine Translated
Data Warehouse Subcategories
DWH (Data Warehouse) Course Outlines
-
Καταναλώστε δεδομένα streaming σε πραγματικό χρόνο χρησιμοποιώντας την Kylin
Χρησιμοποιήστε Apache Kylin's ισχυρές ιδιότητες, πλούσια SQL διεπαφή, κουβέντα σπάρκ και υποσυνδρομητική ακυρότητα αναζήτησης
-
Χρησιμοποιούμε την πιο πρόσφατη έκδοση του Kylin (σύμφωνα με αυτό το γράμμα, Apache Kylin v2.0)
-
Μεγάλοι Μηχανικοί Δεδομένων
Big Data Αναλυτές
-
Μερικές διαλέξεις, μερικές συζητήσεις, ασκήσεις και σκληρές πρακτικές
- Διάλεξη μέρους, συζήτηση μέρος, βαριά πρακτική πρακτική, περιστασιακές δοκιμές για να μετρήσετε την κατανόηση
- Κατανοήστε τις βασικές έννοιες και τα χαρακτηριστικά του Mem SQL
- Εγκαταστήστε, σχεδιάστε, συντηρήστε και λειτουργήστε Mem SQL
- Βελτιστοποιήστε τα σχήματα στο Mem SQL
- Βελτιώστε τα ερωτήματα στο Mem SQL
- Απόδοση benchmark σε Mem SQL
- Δημιουργήστε εφαρμογές δεδομένων σε πραγματικό χρόνο χρησιμοποιώντας Mem SQL
- Προγραμματιστές
- Διαχειριστές
- Μηχανικοί Λειτουργίας
- Διάλεξη μέρους, μερική συζήτηση, ασκήσεις και βαριά πρακτική άσκηση
- Install and configure Amazon Redshift
- Load, configure, deploy, query, and visualize data with Amazon Redshift
- Developers
- IT Professionals
- Part lecture, part discussion, exercises and heavy hands-on practice
- To request a customized training for this course, please contact us to arrange.
-
Εγκαταστήστε και ρυθμίστε το Pivotal Greenplum.
Τα δεδομένα μοντέλου σύμφωνα με τις τρέχουσες ανάγκες και τα μελλοντικά σχέδια επέκτασης.
Εφαρμόστε διαφορετικές τεχνικές για τη διανομή δεδομένων σε πολλαπλούς κόμβους.
Βελτίωση της απόδοσης των βάσεων δεδομένων μέσω της τόνωσης.
Παρακολούθηση και επίλυση προβλημάτων σε μια βάση δεδομένων Greenplum.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
-
Απαιτήσεις επεξεργασίας με το Greenplum.
Εκτελεί δραστηριότητες ETL για την επεξεργασία δεδομένων.
Αποθήκευση υφιστάμενων υποδομών επεξεργασίας ερωτήσεων.
-
Διαδραστική διάλεξη και συζήτηση.
Πολλές ασκήσεις και πρακτικές.
Hands-on εφαρμογή σε ένα ζωντανό εργαστήριο περιβάλλον.
-
Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να οργανώσετε.
- Understand the architecture and design concepts behind Data Vault 2.0, and its interaction with Big Data, NoSQL and AI.
- Use data vaulting techniques to enable auditing, tracing, and inspection of historical data in a data warehouse.
- Develop a consistent and repeatable ETL (Extract, Transform, Load) process.
- Build and deploy highly scalable and repeatable warehouses.
Last Updated: