Cubix Institute of TechnologyCubix Institute of Technology aims to gather the most important skill set building blocks for IT professionals by organizing cohort-based online IT&TECH trainings with the help of industry-leading mentors, tech companies and higher education institutions.
Our constantly expanding portfolio currently consists of 35+ courses, including topics, e.g.: Frontend and Backend development (Java, Python, C++, JavaScript, Angular, React, Node.js, C#, .NET, stb), Mobile and Cross-Platform Development (iOS, Android, Flutter), IT Project and Product Management, Software Testing, DevOps, and Cloud Solutions, Data Science, AI/ML/DL, UI/UX, IT security, Video Game-, AR/VR/XR Development, IoT and Embedded System Development, Blockchain, etc.
Become a member of our community!
Online IT academy
|
|
Data Engineer képzés Azure környezetben
Szerezz átfogó ismereteket a data engineering területén, ezen belül a Microsoft Azure, Apache Spark (PySpark), adatmodellezés és SQL használatában.
Résztvevőként megtanulhatod, hogyan építs és kezelj hatékony adatfeldolgozási pipeline-okat, hogyan használd az Azure különböző cloud szolgáltatásait az adatok kezelésére, valamint azt is elsajátíthatod, hogyan alkalmazd a legjobb gyakorlatokat az adatmodellezés terén.
Milyen tudásra teszel szert a képzés során?
- Hatékony adatfeldolgozási pipeline-ok építése és kezelése: Megtanulod, hogyan tervezz és valósíts meg hatékony adatfeldolgozási pipeline-okat, amelyek biztosítják az adatok folyamatos és megbízható áramlását és feldolgozását.
- Microsoft Azure cloud szolgáltatások használata: Megismerkedsz az Azure különböző szolgáltatásaival, mint például a Synapse, Databricks, Storage Account és DevOps. Kiemelt hangsúlyt kap az adattárolás, adattranszformációk és ütemezés optimalizálása.
- Apache Spark és PySpark használata: Elsajátítod az Apache Spark és a PySpark alapjait, beleértve a DataFrame-ek kezelését, elosztott rendszerek működését, és a Spark optimalizálási technikáit (shuffling, bucketing, partitioning).
- Data modeling legjobb gyakorlatai: Bemutatjuk a data modeling alapjait, elmélyedsz különböző adatarchitektúrákban (Data Warehouse, Data Lake, Data Mart), valamint az OLTP és OLAP rendszerek közötti különbségeket is megismered. Külön figyelmet kapnak a starschema és snowflake modellek, valamint a Kimball, Inmon és OBT trendek.
- SQL haladó technikák: haladóbb lekérdezési technikákat is megtanulsz majd, melyek segítenek az adatok hatékony lekérdezésében és kezelésében.
- Gyakorlati tapasztalat projektmunkán keresztül: Résztvevőként egy projekt keretében valós adatfeldolgozási feladatokat kell majd megoldanod, így biztosítva a gyakorlati tapasztalat megszerzését és a tanultak mély megértését. Ez a projektmunka természetesen referenciaként is szolgálhat majd a portfóliódban.
Miért érdemes belevágnod?
Az adatmennyiség exponenciális növekedése és az adatalapú döntéshozatal egyre nagyobb hangsúlyt kap az üzleti világban. A vállalatok számára létfontosságú, hogy hatékonyan tudják kezelni, feldolgozni és elemezni adataikat. Ezek megfelelő tárolása, transzformációja és integrációja azonban komoly kihívást jelent nagy mennyiségű adat esetén.
A képzés során megismert modern eszközök és technológiák megoldást nyújtanak ezekre a kihívásokra, lehetővé téve az adatok gyors és hatékony kezelését és az automatizált adatfeldolgozási folyamatok kialakítását.
Ráadásul a tanultakat egy valós életből vett projekten keresztül fogod begyakorolni a data engineer képzés során, melynek végén, ha sikeres vizsgát teszel, Linkedin profilodba is beágyazható, névre szóló tanúsítványt szerzel.
Kinek ajánlott?
1) Azoknak, akik korábban már foglalkoztak adatokkal például Data Analyst, Business Analyst pozícióban és most elmélyednének az adatok világának “backend” oldalában, tehát abban, hogyan lehet előállítani, összegyűjteni és rendszerezni az adatokat, hogy azokat később például adatelemzők felhasználhassák.
2) Azoknak is ajánljuk akár, akik már Data Engineer / ETL fejlesztő pozícióban vagy hasonló munkakörben dolgoznak, de Azure és PySpark technológiákkal még nem dolgoztak.
3) Azoknak, akik szeretnének Data Engineer-ként elhelyezkedni, de még korábban nem foglalkoztak mélyebben adatok kezelésével, nekik a Data Engineer Alapképzésünket ajánljuk, ahol elsajátíthatják az SQL lekérdezések és a Python programozási nyelv alapjait, mely szükséges előfeltétele ennek a képzésnek.
Ki lesz mindebben oktatód és mentorod?
Balogh Balázs - Data Engineer @Zeiss Digital Innovation Hungary
2018 óta foglalkozik adatokkal különböző szerepekben: ETL fejlesztőként, Data Analyst-ként és Data Engineer-ként. A Budapest.py Python workshop sorozat szervezője.
Mik a képzés előkövetelményei?
SQL adatbázis lekérdezések és Python programozási nyelv ismerete, melyeket ha nem ismersz itt sajátíthatsz el:
- Data Engineer alapképzés >>
- vagy a Python programozás alapok >> + SQL adatbázis lekérdezések >> képzéseken.
Hogyan fogsz tanulni?
- Gyakorlatorientált oktatás: minden héten izgalmas gyakorló feladatokat kapsz majd, amelyek keretében már menetközben is konkrét projekteket fogsz megvalósítani.
- Interaktív digitális tananyag: a gyakorlati feladatok elvégzéséhez és a tanfolyam sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át
- Rugalmas időbeosztás: a tanfolyamot munka mellett is végezheted, hiszen a tananyag elsajátítása heti 8-12 óra elfoglaltságot igényel összesen, melyet saját időbeosztás szerint dolgozhatsz fel.
- Oktatói mentoring: a képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra, fejlődésedet végigkíséri.
- Konzultációk: valamennyi tanegység végén egy-egy élő konzultációs alkalmat is szervezünk este 18:00 órától, amikor élőben is felteheted kérdéseidet, közösen kiértékelhetitek és átbeszélhetitek a gyakorlás során elkészített projekteket, és tanulhattok egymás elakadásaiból is.
- Limitált férőhely: a fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.
Mikor indul a képzés és mennyibe kerül?
Képzés indulásának tervezett időpontja: 2025. február 5.
Részvételi díj: 325.000 Ft
Mit érdemes tudnod a fizetéssel kapcsolatban?
- Pénzvisszafizetési garancia: Biztosak vagyunk a képzés tartalmát és minőségét illetően, ezért a képzés indulásától 8 napig 100%-os pénzvisszafizetési garanciát vállalunk.
- Kamatmentes részletfizetés: Nem szeretnénk, ha fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat akár több részletben is fizetheted, teljesen kamatmentesen.
- Céges számla igénylése: erre is van lehetőség ha a beiratkozom gombra kattintás után elérhető jelentkezési űrlapon kipipálod az “Áfás számla igénylés”-t.
Ha érdekel a képzés két lehetőséged is van
1. Ingyenesen előregisztrálsz a képzésre
Ha eldöntötted, hogy érdekel a képzés és szeretnéd biztosítani helyedet, nincs más teendőd, mint az ‘ingyenes előjelentkezés’ gombra kattintva kitölteni a jelentkezési formot.
2. Kérdezel még a képzésről
Ha szívesen jelentkeznél, de úgy érzed még van néhány kérdés, amire nem találtad meg a választ, kattints az ‘Érdekel, de kérdeznék’ gombra, add meg elérhetőségedet és 48 órán belül felvesszük veled a kapcsolatot vagy írhatsz is nekünk közvetlenül az info@cubixedu.com e-mail címre!
===============
A változtatás jogát fenntartjuk.
-
0.Hasznos információk a kurzushoz
-
1. lecke
Hogyan használd a felületet?
-
2. lecke
Képzés használati útmutató
-
1.Microsoft Azure
-
3. lecke
Synapse - adattárház, transzformációk, pipelineok, ütemezés
-
4. lecke
Storage Account - adattárolás
-
5. lecke
DevOps - CICD pipeline
-
6. lecke
Fabric
-
7. lecke
[Házi Feladat]
-
2.Apache Spark (PySpark)
-
8. lecke
Jupyter Notebook / VSCode IDE bemutatása
-
9. lecke
Mi az a Spark?
-
10. lecke
Hogy működnek az elosztott rendszerek?
-
11. lecke
Miért hasznos?
-
12. lecke
Pandas és Spark hasonlóságok
-
13. lecke
PySpark telepítése a saját gépre
-
14. lecke
DataFrame-ek
-
15. lecke
Transzformációk
-
16. lecke
Joinok
-
17. lecke
Optimalizáció (Shuffling, Bucketing, Partitioning)
-
18. lecke
SparkUI a monitorozásra
-
19. lecke
[Házi Feladat]
-
3.Data Modeling
-
20. lecke
Mi a Data Modeling?
-
21. lecke
Data Warehouse vs Data Lake vs Data Mart
-
22. lecke
Layers of a Data Warehouse (Bronze, Silver, Gold)
-
23. lecke
OLTP vs OLAP
-
24. lecke
Starschema vs Snowflake
-
25. lecke
Starschema: Dimension és Fact táblát
-
26. lecke
Primary Key, Natural Key, Surrogate Ke
-
27. lecke
SCD2
-
28. lecke
Trendek: Kimball / OBT
-
29. lecke
DuckDB bemutatása
-
30. lecke
[Házi Feladat]
-
4.SQL
-
31. lecke
SQL alapok: SELECT / WHERE / ORDER BY / GROUP BY
-
32. lecke
SQL haladó
-
33. lecke
[Házi Feladat]
-
5.Közös projekt
-
34. lecke
[Projekt feladat]