AWS Data Analytics Certification e-learning

AWS Data Analytics Certification e-learning

Förbereder dig för AWS Certified Data Analytics - Specialty (DAS-C01) examen.

Certifieringsutbildningen för AWS Data Analytics förbereder dig för alla aspekter av hosting av stora data och distribuerad bearbetning på AWS-plattformen. Vår kurs i AWS dataanalys är anpassad till AWS Certified Data Analytics Specialty-examen och hjälper dig att klara det på ett enda försök. Den här AWS-certifierade dataanalysutbildningen, som är utvecklad av branschledare, utforskar några intressanta ämnen som AWS QuickSight, AWS lambda och Glue, S3 och DynamoDB, Redshift, Hive på EMR, bland annat.

AWS Data Analytics Certification kursöversikt

I den här AWS Big Data-certifieringskursen kommer du att bekanta dig med begreppen för molntjänster och dess distributionsmodeller. Den här AWS Big Data-utbildningen omfattar Amazons AWS-molnplattform, Kinesis Analytics, AWS big data-lagring, bearbetning, analys, visualisering och säkerhetstjänster, algoritmer för maskininlärning och mycket mer.

AWS Data Analytics Training viktiga egenskaper

• 5 timmars självstudier – e-learning
• 45 timmars blandat lärande
• ONLINE BOOTCAMP: 90 dagars flexibel tillgång till online-klasser
• Interaktivt lärande med Jupyter Notebooks integrerade labb.
• Fyra industribaserade projekt i slutet av kursen
• Stöd dygnet runt med särskilda projektmentorssessioner.
• Flexibilitet i valet av klasser
• Särskilda mentorskapssessioner från våra lärare som är experter på industrin.

Leveranssätt: e-learning eller virtuellt klassrum live.

Kompetens som omfattas

• AWS Quicksight
• Kinesis streams
• AWS Lambda and Glue
• s3 and DynamoDB
• Redshift
• Amazon RDS
• Hive on EMR
• HBase with EMR
• AWS Aurora

Huvudsakliga utbildningsresultat:

När du har avslutat denna kurs i AWS Big Data-certifiering kommer du att kunna uppnå följande:

• Förstå hur man använder Amazon EMR för att bearbeta data med hjälp av verktyg från Hadoops ekosystem.
• Förstå hur man använder Amazon Kinesis för bearbetning av stora data i realtid.
• Analysera och omvandla stora data med hjälp av Kinesis Streams.
• Visualisera data och utföra frågor med hjälp av Amazon QuickSight.

Målgrupp:

Den här kursen lämpar sig bäst för följande yrkesgrupper:

• Data scientists
• Data engineers
• Solutions architects
• Data analysts

Detaljer och kriterier för certifiering:

• Minst 85 procent närvaro i ett virtuellt klassrum.
• Ett resultat på minst 75 procent på bedömningen i slutet av kursen.
• Framgångsrik utvärdering av projektet i slutet av kursen.

Kursplan:

Lektion 01 - AWS in Big Data introduction

• Introduction to Cloud Computing
• Cloud Computing Deployments Models
• Amazon Web Services Cloud Platform
• The Cloud Computing Difference
• AWS Cloud Economics
• AWS Virtuous Cycle
• AWS Cloud Architecture Design Principles
• Why AWS for Big Data - Reasons
• Why AWS for Big Data - Challenges
• Databases in AWS
• Relational vs Non-Relational Databases
• Data Warehousing in AWS
• Services for Collecting, Processing, Storing, and Analyzing Big Data
• Amazon Redshift
• Amazon Kinesis
• Amazon EMR
• Amazon DynamoDB
• Amazon Machine Learning
• AWS Lambda
• Amazon Elasticsearch Service
• Amazon EC2 (big data analytics software on EC2 instances)
• Amazon Redshift
• Amazon Kinesis
• Amazon EMR
• Amazon DynamoDB
• Amazon Machine Learning
• AWS Lambda
• Amazon Elasticsearch Service
• Amazon EC2 (big data analytics software on EC2 instances)
• Key Takeaway
• Knowledge Checks
• Lesson End Project

Lektion 02 - Collection

• Objectives
• Amazon Kinesis Fundamentals
• Loading Data into Kinesis Stream
• Kinesis Data Stream High-Level Architecture
• Kinesis Stream Core Concepts
• Kinesis Stream Emitting Data to AWS Services
• Kinesis Connector Library
• Kinesis Firehose
• Transferring Data Using Lambda
• Amazon SQS
• IoT and Big Data
• IoT Framework
• AWS Data Pipeline
• AWS Data Pipeline Components
• Key Takeaway
• Knowledge Checks
• Lesson End Project

Lektion 03 - Storage

• Objectives
• Introduction to AWS Big Data Storage Services
• Amazon Glacier
• Glacier and Big Data
• DynamoDB Introduction
• The Architecture of the DynamoDB Table
• DynamoDB in AWS Ecosystem
• DynamoDB Partitions
• Data Distribution
• Local Secondary Index (LSI) **
• Global Secondary Index (GSI) **
• DynamoDB GSI vs LSI
• DynamoDB Stream
• Cross-Region Replication in DynamoDB
• Partition Key Selection
• Snowball & AWS Big Data
• AWS DMS
• AWS Aurora in Big Data
• Key Takeaway
• Knowledge Checks
• Lesson End Project

Lektion 04 - Processing I

• Objectives
• Introduction to AWS Big Data Processing Services
• Amazon Elastic MapReduce (EMR)
• Apache Hadoop
• EMR Architecture
• Storage Options
• EMR File Storage and Compression
• Supported File Format and File Size
• Single-AZ Concept
• EMR Operations
• EMR Releases
• AWS Cluster
• Launching a Cluster
• Advanced EMR Setting Option
• Choosing Instance Type
• Number of Instances
• Monitoring EMR
• Resizing of Cluster
• Using Hue with EMR
• Setup Hue for LDAP
• Hive on EMR
• Hive Use Cases
• Key Takeaway
• Knowledge Checks
• Lesson End Project

Lektion 05 - Processing II

• HBase with EMR
• HBase Use Cases
• Comparison of HBase with Redshift and DynamoDB
• HBase Architecture HBase on S3
• HBase and EMRFS
• HBase Integration
• HCatalog
• Presto with EMR
• Advantages of Presto
• Presto Architecture
• Spark with EMR
• Spark Use Cases
• Spark Components
• Spark Integration With EMR
• AWS Lambda in AWS Big Data Ecosystem
• Limitations of Lambda
• Lambda and Kinesis Stream
• Lambda and Redshift
• Key Takeaway
• Knowledge Checks
• Lesson End Project

Lektion 06 - Analysis I

• Objectives
• Introduction to AWS Big Data Analysis Services
• RedShift
• RedShift Architecture
• RedShift in the AWS Ecosystem
• Columnar Databases
• RedShift Table Design
• RedShift Workload Management
• RedShift Loading Data
• RedShift Maintenance and Operations
• Key Takeaway
• Knowledge Checks
• Lesson End Project

Lektion 07 - Analysis II

• Machine Learning
• Machine Learning - Use Cases
• Algorithms
• Amazon SageMaker
• Elasticsearch
• Amazon Elasticsearch Service
• Loading of Data into Elasticsearch
• Logstash
• Kibana
• RStudio
• Characteristics
• Athena
• Presto and Hive
• Integration with AWS Glue
• Comparison of Athena with Other AWS Services
• Lab Run Query on S3 Using Serverless Athena
• Key Takeaway
• Knowledge Checks
• Lesson End Projec

Lektion 08 - Visualisation

• Objectives
• Introduction to AWS Big Data Visualization Services
• Amazon QuickSight
• Amazon QuickSight - Use Cases
• LAB Create an Analysis with a Single Visual Using Sample Data
• Working with Data
• Assisted Practice: TBD
• QuickSight Visualization
• Big Data Visualization
• Apache Zeppelin
• Jupyter Notebook
• Comparison Between Notebooks
• js (Data-Driven Documents)
• MicroStrategy
• Key Takeaway
• Knowledge Checks
• Lesson End Project

Lektion 09 - Security

• Objectives
• Introduction to AWS Big Data Security Services
• EMR Security
• Roles
• Private Subnet
• Encryption At Rest and In Transit
• RedShift Security
• KMS Overview
• SloudHSM
• Limit Data Access
• STS and Cross Account Access
• Cloud Trail
• Key Takeaway
• Knowledge Checks
• Lesson End Project