-
Would you like to find out how you can query and process petabytes of data in a matter of seconds? Or how data analysis automatically scales with your growing data volume? Then the Course on Data Insights is just right for you!
In this three-day classroom course, you will learn how to gain valuable insights from data analyses and visualizations using the Google Cloud Platform. Through interactive scenarios and hands-on labs, you will work with Google BigQuery to explore, load, visualize and extract relevant insights from data. The course covers key topics such as data loading and querying, schema modeling, performance optimization, query costs, data visualization and machine learning integration. Turn your data into your competitive advantage!
-
Course Contents
-
- Introduction to data on Google Cloud Platform
- Overview of big data tools
- Exploring data with SQL
- Google BigQuery pricing
- Cleaning and transforming data
- Storing and exporting data
- Adding new datasets to Google BigQuery
- Data visualization
- Connecting and merging datasets
- Advanced functions and clauses
- Schema design and nested data structures
- More visualization with Google Data Studio
- Performance optimization
- Data access
- Notebooks in the cloud
- Machine learning at Google
- Applying machine learning to your datasets (BQML)
In this course, you will learn the following skills:
- Derive insights from data using Google Cloud Platform's analysis and visualization tools
- Load, clean, and transform data at scale with Google Cloud Dataprep
- Explore and visualize data with Google Data Studio
- Write, optimize, and debug high-performance queries
- Practice with preconfigured ML APIs for image and text understanding
- Train ML models for classification and prediction using SQL with BQML
Official Google Cloud documentation.
-
Target Group
-
- Data analysts, business analysts and business intelligence experts
- Cloud Data Engineers who work with data analysts to create scalable data solutions on the Google Cloud Platform
-
Knowledge Prerequisites
-
- Basic knowledge of ANSI SQL
| Einführung in Daten auf der Google Cloud Platform |
| Hervorhebung von Analytics-Herausforderungen für Datenanalysten |
| Vergleich von Big Data vor Ort mit Big Data in der Cloud |
| Erläuterung realer Anwendungsfälle von Unternehmen, die durch Analytics in der Cloud eine Transformation durchlaufen haben |
| Projektgrundlagen von Google Cloud Platform |
| Lab: Erste Schritte mit Google Cloud Platform |
| Überblick über Big-Data-Tools |
| Anleitung für die Aufgaben und Herausforderungen von Datenanalysten und Einführung in die Datentools der Google Cloud Platform |
| Demo: 10 Milliarden Datensätze mit Google BigQuery analysieren |
| 9 grundlegende Funktionen in Google BigQuery untersuchen |
| GCP-Tools für Analysten, Data Scientists und Data Engineers vergleichen |
| Lab: Datasets mit Google BigQuery untersuchen |
| Daten mit SQL erkunden |
| Gängige Techniken der Datenexploration vergleichen |
| Qualitativ hochwertiges Standard-SQL codieren |
| Öffentliche Datasets von Google BigQuery untersuchen |
| Vorschau der Visualisierung: Google Data Studio |
| Lab: Gängige SQL-Fehler beheben |
| Preisgestaltung von Google BigQuery |
| Anleitung für einen Job in BigQuery |
| Preise von BigQuery berechnen: Kosten für Speicherung, Abfrage und Streaming |
| Abfragen nach Kosten optimieren |
| Lab: Preise von Google BigQuery berechnen |
| Daten bereinigen und transformieren |
| Die fünf Prinzipien der Integrität von Datasets |
| Dataset-Form und -Verzerrung charakterisieren |
| Daten mit SQL bereinigen und transformieren |
| Daten mit neuer UI bereinigen und transformieren: Einführung in Cloud Dataprep |
| Lab: Daten mit Cloud Dataprep untersuchen und gestalten |
| Daten speichern und exportieren |
| Permanente und temporäre Tabellen vergleichen |
| Abfrageergebnisse speichern und exportieren |
| Leistungsvorschau: Abfragecache |
| Lab: Neue permanente Tabellen erstellen |
| Neue Datasets in Google BigQuery aufnehmen |
| Externe Datenquellen abfragen |
| Probleme bei der Datenaufnahme vermeiden |
| Neue Daten in permanente Tabellen aufnehmen |
| Streaming-Insert-Anweisungen diskutieren |
| Lab: Neue Datasets aufnehmen und abfragen |
| Datenvisualisierung |
| Übersicht zu den Prinzipien der Datenvisualisierung |
| Exploratorischer und erklärender Analyseansatz im Vergleich |
| Demo: UI von Google Data Studio |
| Google Data Studio und Google BigQuery verbinden |
| Lab: Dataset in Google Data Studio untersuchen |
| Datasets verbinden und zusammenführen |
| Verlaufsdatentabellen mit UNION zusammenführen |
| Einführung in Tabellenplatzhalter für einfache Zusammenführungen |
| Datenschemata überprüfen: Daten über mehrere Tabellen hinweg verknüpfen |
| Anleitung zu JOIN-Beispielen und Problemen |
| Lab: Daten aus mehreren Tabellen verbinden und zusammenführen |
| Fortgeschrittene Funktionen und Klauseln |
| SQL-Fallanweisungen überprüfen |
| Einführung in analytische Fensterfunktionen |
| Datensicherung mit unidirektionaler Feldverschlüsselung |
| Effektives Design für Unterabfragen und CTE |
| SQL- und JavaScript-UDFs im Vergleich |
| Lab: Mit erweiterten SQL-Funktionen Erkenntnisse ableiten |
| Schemadesign und verschachtelte Datenstrukturen |
| Google BigQuery und herkömmliche RDBMS-Datenarchitekturen im Vergleich |
| Normalisierung und Denormalisierung im Vergleich: Leistungskompromisse |
| Schemaüberprüfung: Gute und schlechte Schemata |
| Arrays und verschachtelte Daten in Google BigQuery |
| Lab: Verschachtelte und wiederkehrende Daten abrufen |
| Mehr Visualisierung mit Google Data Studio |
| Fallanweisungen und berechnete Felder erstellen |
| Überlegungen zum Cache und der Vermeidung von Leistungsproblemen |
| Dashboards teilen und Überlegungen zum Datenzugriff diskutieren |
| Leistungsoptimierung |
| Leistungsprobleme von Google BigQuery vermeiden |
| Hotspots in Ihren Daten verhindern |
| Mit der Query Explanation Map Leistungsprobleme diagnostizieren |
| Lab: Abfrageleistung optimieren und Fehler beheben |
| Datenzugriff |
| Dataset-Rollen in IAM und BigQuery im Vergleich |
| Zugriffsprobleme vermeiden |
| Mitglieder, Rollen, Organisationen, Kontoverwaltung und Dienstkonten überprüfen |
| Notebooks in der Cloud |
| Cloud Datalab |
| Compute Engine und Cloud Storage |
| Lab: VM zum Verarbeiten von Erdbebendaten mieten |
| Datenanalyse mit BigQuery |
| Maschinelles Lernen bei Google |
| Einführung in maschinelles Lernen für Analysten |
| Mit vortrainierten ML APIs für Bild- und Textverständnis üben |
| Lab: Vortrainierte ML APIs |
| Maschinelles Lernen auf Ihre Datasets anwenden (BQML) |
| ML-Datasets erstellen und Merkmale analysieren |
| Modelle für die Klassifizierung und Prognose mit BQML erstellen |
| Lab: Kaufverhalten von Websitebesuchern mit einem Klassifizierungsmodell in BQML vorhersagen |
| Lab: Taxikosten mit einem ML-Prognosemodell in BigQuery vorhersagen |
-
Classroom training
- Do you prefer the classic training method? A course in one of our Training Centers, with a competent trainer and the direct exchange between all course participants? Then you should book one of our classroom training dates!
-
Online training
- You wish to attend a course in online mode? We offer you online course dates for this course topic. To attend these seminars, you need to have a PC with Internet access (minimum data rate 1Mbps), a headset when working via VoIP and optionally a camera. For further information and technical recommendations, please refer to.
-
Tailor-made courses
-
You need a special course for your team? In addition to our standard offer, we will also support you in creating your customized courses, which precisely meet your individual demands. We will be glad to consult you and create an individual offer for you.
You can find the complete description of this course with dates and prices ready for download at as PDF.-
Would you like to find out how you can query and process petabytes of data in a matter of seconds? Or how data analysis automatically scales with your growing data volume? Then the Course on Data Insights is just right for you!
In this three-day classroom course, you will learn how to gain valuable insights from data analyses and visualizations using the Google Cloud Platform. Through interactive scenarios and hands-on labs, you will work with Google BigQuery to explore, load, visualize and extract relevant insights from data. The course covers key topics such as data loading and querying, schema modeling, performance optimization, query costs, data visualization and machine learning integration. Turn your data into your competitive advantage!
-
Course Contents
-
- Introduction to data on Google Cloud Platform
- Overview of big data tools
- Exploring data with SQL
- Google BigQuery pricing
- Cleaning and transforming data
- Storing and exporting data
- Adding new datasets to Google BigQuery
- Data visualization
- Connecting and merging datasets
- Advanced functions and clauses
- Schema design and nested data structures
- More visualization with Google Data Studio
- Performance optimization
- Data access
- Notebooks in the cloud
- Machine learning at Google
- Applying machine learning to your datasets (BQML)
In this course, you will learn the following skills:
- Derive insights from data using Google Cloud Platform's analysis and visualization tools
- Load, clean, and transform data at scale with Google Cloud Dataprep
- Explore and visualize data with Google Data Studio
- Write, optimize, and debug high-performance queries
- Practice with preconfigured ML APIs for image and text understanding
- Train ML models for classification and prediction using SQL with BQML
Official Google Cloud documentation.
-
Target Group
-
- Data analysts, business analysts and business intelligence experts
- Cloud Data Engineers who work with data analysts to create scalable data solutions on the Google Cloud Platform
-
Knowledge Prerequisites
-
- Basic knowledge of ANSI SQL
| Einführung in Daten auf der Google Cloud Platform |
| Hervorhebung von Analytics-Herausforderungen für Datenanalysten |
| Vergleich von Big Data vor Ort mit Big Data in der Cloud |
| Erläuterung realer Anwendungsfälle von Unternehmen, die durch Analytics in der Cloud eine Transformation durchlaufen haben |
| Projektgrundlagen von Google Cloud Platform |
| Lab: Erste Schritte mit Google Cloud Platform |
| Überblick über Big-Data-Tools |
| Anleitung für die Aufgaben und Herausforderungen von Datenanalysten und Einführung in die Datentools der Google Cloud Platform |
| Demo: 10 Milliarden Datensätze mit Google BigQuery analysieren |
| 9 grundlegende Funktionen in Google BigQuery untersuchen |
| GCP-Tools für Analysten, Data Scientists und Data Engineers vergleichen |
| Lab: Datasets mit Google BigQuery untersuchen |
| Daten mit SQL erkunden |
| Gängige Techniken der Datenexploration vergleichen |
| Qualitativ hochwertiges Standard-SQL codieren |
| Öffentliche Datasets von Google BigQuery untersuchen |
| Vorschau der Visualisierung: Google Data Studio |
| Lab: Gängige SQL-Fehler beheben |
| Preisgestaltung von Google BigQuery |
| Anleitung für einen Job in BigQuery |
| Preise von BigQuery berechnen: Kosten für Speicherung, Abfrage und Streaming |
| Abfragen nach Kosten optimieren |
| Lab: Preise von Google BigQuery berechnen |
| Daten bereinigen und transformieren |
| Die fünf Prinzipien der Integrität von Datasets |
| Dataset-Form und -Verzerrung charakterisieren |
| Daten mit SQL bereinigen und transformieren |
| Daten mit neuer UI bereinigen und transformieren: Einführung in Cloud Dataprep |
| Lab: Daten mit Cloud Dataprep untersuchen und gestalten |
| Daten speichern und exportieren |
| Permanente und temporäre Tabellen vergleichen |
| Abfrageergebnisse speichern und exportieren |
| Leistungsvorschau: Abfragecache |
| Lab: Neue permanente Tabellen erstellen |
| Neue Datasets in Google BigQuery aufnehmen |
| Externe Datenquellen abfragen |
| Probleme bei der Datenaufnahme vermeiden |
| Neue Daten in permanente Tabellen aufnehmen |
| Streaming-Insert-Anweisungen diskutieren |
| Lab: Neue Datasets aufnehmen und abfragen |
| Datenvisualisierung |
| Übersicht zu den Prinzipien der Datenvisualisierung |
| Exploratorischer und erklärender Analyseansatz im Vergleich |
| Demo: UI von Google Data Studio |
| Google Data Studio und Google BigQuery verbinden |
| Lab: Dataset in Google Data Studio untersuchen |
| Datasets verbinden und zusammenführen |
| Verlaufsdatentabellen mit UNION zusammenführen |
| Einführung in Tabellenplatzhalter für einfache Zusammenführungen |
| Datenschemata überprüfen: Daten über mehrere Tabellen hinweg verknüpfen |
| Anleitung zu JOIN-Beispielen und Problemen |
| Lab: Daten aus mehreren Tabellen verbinden und zusammenführen |
| Fortgeschrittene Funktionen und Klauseln |
| SQL-Fallanweisungen überprüfen |
| Einführung in analytische Fensterfunktionen |
| Datensicherung mit unidirektionaler Feldverschlüsselung |
| Effektives Design für Unterabfragen und CTE |
| SQL- und JavaScript-UDFs im Vergleich |
| Lab: Mit erweiterten SQL-Funktionen Erkenntnisse ableiten |
| Schemadesign und verschachtelte Datenstrukturen |
| Google BigQuery und herkömmliche RDBMS-Datenarchitekturen im Vergleich |
| Normalisierung und Denormalisierung im Vergleich: Leistungskompromisse |
| Schemaüberprüfung: Gute und schlechte Schemata |
| Arrays und verschachtelte Daten in Google BigQuery |
| Lab: Verschachtelte und wiederkehrende Daten abrufen |
| Mehr Visualisierung mit Google Data Studio |
| Fallanweisungen und berechnete Felder erstellen |
| Überlegungen zum Cache und der Vermeidung von Leistungsproblemen |
| Dashboards teilen und Überlegungen zum Datenzugriff diskutieren |
| Leistungsoptimierung |
| Leistungsprobleme von Google BigQuery vermeiden |
| Hotspots in Ihren Daten verhindern |
| Mit der Query Explanation Map Leistungsprobleme diagnostizieren |
| Lab: Abfrageleistung optimieren und Fehler beheben |
| Datenzugriff |
| Dataset-Rollen in IAM und BigQuery im Vergleich |
| Zugriffsprobleme vermeiden |
| Mitglieder, Rollen, Organisationen, Kontoverwaltung und Dienstkonten überprüfen |
| Notebooks in der Cloud |
| Cloud Datalab |
| Compute Engine und Cloud Storage |
| Lab: VM zum Verarbeiten von Erdbebendaten mieten |
| Datenanalyse mit BigQuery |
| Maschinelles Lernen bei Google |
| Einführung in maschinelles Lernen für Analysten |
| Mit vortrainierten ML APIs für Bild- und Textverständnis üben |
| Lab: Vortrainierte ML APIs |
| Maschinelles Lernen auf Ihre Datasets anwenden (BQML) |
| ML-Datasets erstellen und Merkmale analysieren |
| Modelle für die Klassifizierung und Prognose mit BQML erstellen |
| Lab: Kaufverhalten von Websitebesuchern mit einem Klassifizierungsmodell in BQML vorhersagen |
| Lab: Taxikosten mit einem ML-Prognosemodell in BigQuery vorhersagen |
-
Classroom training
- Do you prefer the classic training method? A course in one of our Training Centers, with a competent trainer and the direct exchange between all course participants? Then you should book one of our classroom training dates!
-
Online training
- You wish to attend a course in online mode? We offer you online course dates for this course topic. To attend these seminars, you need to have a PC with Internet access (minimum data rate 1Mbps), a headset when working via VoIP and optionally a camera. For further information and technical recommendations, please refer to.
-
Tailor-made courses
-
You need a special course for your team? In addition to our standard offer, we will also support you in creating your customized courses, which precisely meet your individual demands. We will be glad to consult you and create an individual offer for you.
You can find the complete description of this course with dates and prices ready for download at as PDF.