Build your ultimate AI agent
Kursbeschreibung
Mit Datenpipelines die Analytik stärken
Datenpipelines sind die Grundlage jeder starken Datenplattform. Der Aufbau dieser Pipelines ist eine wichtige Fähigkeit für Data Engineers, die einen unglaublichen Wert für ein Unternehmen darstellen, das bereit ist, in eine datengesteuerte Zukunft zu gehen. In diesem Einführungskurs lernst du, wie du effektive, leistungsfähige und zuverlässige Datenpipelines aufbauen kannst.Aufbau und Instandhaltung von ETL-Lösungen
In diesem Kurs lernst du den gesamten Prozess der Erstellung einer Datenpipeline kennen. Du lernst, wie du Python-Bibliotheken wiepandas und json nutzen kannst, um Daten aus strukturierten und unstrukturierten Quellen zu extrahieren, bevor sie umgewandelt und für eine spätere Verwendung gespeichert werden. Auf dem Weg dorthin entwickelst du vertrauenswürdige Werkzeuge und Techniken wie Architekturdiagramme, Unit-Tests und Monitoring, die dir helfen, deine Datenpipelines von anderen abzuheben. Wenn du Fortschritte machst, kannst du deine neu erworbenen Fähigkeiten in praktischen Übungen unter Beweis stellen.Supercharge Data Workflows
Nach Abschluss dieses Kurses bist du in der Lage, Datenpipelines zu entwerfen, zu entwickeln und zu nutzen, um deinen Datenworkflow in deinem Job, deiner neuen Karriere oder deinem persönlichen Projekt zu verbessern.Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung in Datenpipelines
Mach dich bereit zu entdecken, wie Daten mit Datenpipelines erfasst, verarbeitet und bewegt werden. Du lernst die Merkmale der besten Datenpipelines kennen und bereitest dich darauf vor, deine eigene zu entwerfen und zu bauen.
2
ETL-Pipelines erstellen
Tauche ein in die Nutzung von pandas, um Daten zu extrahieren, zu transformieren und zu laden, während du deine ersten Datenpipelines baust. Lerne, wie du deine ETL-Logik wiederverwendbar machst und Logging sowie Exception Handling in deinen Pipelines einsetzt.
3
Fortgeschrittene ETL-Techniken
Beschleunige deinen Workflow mit fortgeschrittenen Techniken für Datenpipelines, etwa dem Arbeiten mit nicht-tabellarischen Daten und dem Persistieren von DataFrames in SQL-Datenbanken. Entdecke Tools für anspruchsvolle Transformationen mit pandas und bewährte Methoden für den Umgang mit komplexen Daten.
4
Bereitstellen und Warten einer Datenpipeline
In diesem letzten Kapitel erstellst du Frameworks, um Datenpipelines zu validieren und zu testen, bevor sie in Produktion gehen. Nachdem du deine Pipeline getestet hast, lernst du Techniken kennen, um deine Datenpipeline End-to-End auszuführen – mit voller Transparenz zur Pipeline-Performance.
ETL und ELT mit Python
Kurs
abgeschlossen
