Build your ultimate AI agent
รายละเอียดคอร์ส
คอร์สเบื้องต้นเชิงแนวคิดนี้จะช่วยให้เข้าใจพื้นฐานของ data warehousing อย่างแน่นแฟ้น ผ่านตัวอย่างจากอุตสาหกรรมจริงและชุดข้อมูลที่ใช้งานจริงมีการคาดการณ์ว่าตลาด data warehousing ทั่วโลกจะมีมูลค่าเกิน 50,000 ล้านดอลลาร์ในปี 2028 อุตสาหกรรมนี้พัฒนาอย่างต่อเนื่องมาตลอดหลายปี และเป็นองค์ประกอบสำคัญของการปฏิวัติข้อมูลในหลายองค์กร นี่จึงเป็นช่วงเวลาที่ดีที่สุดในการเริ่มเรียนรู้เรื่อง data warehousingวิดีโอมีคำบรรยายแบบเรียลไทม์ที่สามารถดูได้โดยคลิก "Show transcript" ที่มุมล่างซ้ายของวิดีโอ
สามารถดูคำศัพท์ของคอร์สได้ที่แถบทรัพยากรทางด้านขวา
หากต้องการรับ CPE credits ต้องทำคอร์สให้ครบและได้คะแนนอย่างน้อย 70% ในการประเมินที่กำหนด สามารถไปยังแบบประเมินได้โดยคลิกที่ CPE credits callout ทางด้านขวา
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
พื้นฐาน Data Warehouse
เริ่มต้นการเรียนรู้ด้าน data warehouse ด้วยการทำความเข้าใจแนวคิดพื้นฐานที่สำคัญ ในบทนี้จะได้เรียนรู้ว่า data warehouse คืออะไร และแตกต่างจากเทคโนโลยีที่มีชื่อคล้ายกันอย่าง data mart และ data lake อย่างไร นอกจากนี้ยังจะได้เรียนรู้ว่าบุคลากรในบทบาทต่างๆ มีส่วนสนับสนุนขั้นตอนต่างๆ ของโปรเจกต์ data warehouse อย่างไร
- Data Warehouse คืออะไร?50 XP
- ทำความเข้าใจว่า data warehouse คืออะไร และมีประโยชน์อย่างไร50 XP
- กรณีการใช้งาน Data Warehouse ที่เป็นไปได้สำหรับ Zynga50 XP
- Data warehouse กับ data lake แตกต่างกันอย่างไร?50 XP
- Data warehouse vs. Data lake100 XP
- Data warehouse และ data mart ต่างกันอย่างไร50 XP
- เลือกระหว่าง Data Lake, Data Warehouse และ Data Mart50 XP
- Data Warehouse รองรับการวิเคราะห์ขององค์กร50 XP
- วงจรชีวิตของ Data Warehouse100 XP
- สนับสนุนในจุดที่เหมาะสม50 XP
- ใครทำอะไร?100 XP
2
สถาปัตยกรรมและคุณสมบัติของ Data Warehouse
ในบทนี้จะได้ทำความเข้าใจสถาปัตยกรรมของ data warehouse ให้ลึกขึ้น โดยเรียนรู้เลเยอร์ทั่วไปของ data warehouse และวิธีที่ presentation layer รองรับการทำงานของนักวิเคราะห์ นอกจากนี้ยังจะได้เรียนรู้เกี่ยวกับแนวทาง top-down ของ Bill Inmon และเปรียบเทียบกับแนวทาง bottom-up ของ Ralph Kimball รวมถึงความแตกต่างระหว่างระบบ OLAP และ OLTP
3
การสร้างโมเดลข้อมูลใน Data Warehouse
ในบทนี้จะได้เรียนรู้วิธีจัดระเบียบข้อมูลใน data warehouse ด้วยโมเดลข้อมูลที่ดี เริ่มจากพื้นฐานของการสร้างโมเดลข้อมูล ได้แก่ fact table และ dimension table รวมถึงการนำไปใช้ใน star schema และ snowflake schema จากนั้นจะได้เรียนรู้กระบวนการ 4 ขั้นตอนของ Kimball ในการสร้างโมเดลข้อมูล และวิธีจัดการกับ slowly changing dimensions
4
การนำไปใช้งานและการเตรียมข้อมูล
ในบทสุดท้ายนี้จะได้เรียนรู้ข้อดีและข้อเสียของกระบวนการ ETL และ ELT รวมถึงการเปรียบเทียบระหว่างการติดตั้งแบบ on-premise และบนคลาวด์ จากนั้นจะได้ฝึกตัดสินใจในประเด็นสำคัญด้านการออกแบบและการนำ data warehouse ไปใช้งานจริงผ่านตัวอย่างที่ครอบคลุม
R
แนวคิด Data Warehousing
เรียนจบแล้ว
