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
|
|
|
Modern Data Architect képzés
A riportok mást mutatnak. Az adatforrások nem illeszkednek egymáshoz. A csapatok külön adatlogikát használnak. A pipeline-ok működnek, de nem világos, mi mire épül. A BI riportok mögött nincs stabil szemantikus réteg. Az AI use case-ekhez pedig kiderül, hogy az adatok minősége, elérhetősége vagy governance-e nem megfelelő.
A Data Architect feladata pontosan az, hogy ezeket a problémákat rendszerszinten kezelje. Nem csak adatbázisokat, táblákat vagy pipeline-okat tervez, hanem összeköti az üzleti igényeket, az adatmodelleket, az adatplatformokat, az integrációkat, a governance-t, a biztonságot és a fogyasztási rétegeket.
A CIO aktuális leírása szerint a data architect senior szerepkör: üzleti követelményeket fordít technológiai követelményekké, és adatstandardokat, alapelveket, valamint enterprise data management keretrendszert határoz meg.
Ez a képzés erre a senior gondolkodásmódra készít fel. Nem kezdő SQL, Power BI vagy Data Engineer képzés, hanem azoknak szól, akik már dolgoztak adatokkal, és szeretnének architektúraszinten gondolkodni.
A kurzus során egy konkrét üzleti use case-ből indulsz ki, majd hétről hétre felépíted a hozzá tartozó adatarchitektúra-tervet: üzleti igények, adatforrások, adatmodellek, adatáramlások, célarchitektúra, governance, adatminőség, biztonság, BI/AI fogyasztási réteg és architektúra-dokumentáció.
A képzés végére nem csak fogalmakat ismersz, hanem egy olyan záróprojekted lesz, amely megmutatja, hogyan gondolkodsz Data Architectként egy üzleti probléma adatoldali megoldásáról.
Ha már dolgoztál SQL-lel, Power BI-jal, riportokkal, adattárházakkal vagy data pipeline-okkal, valószínűleg találkoztál azzal a problémával, hogy a technikai megoldás önmagában kevés.
A Data Architect szerep pontosan ezekre a kérdésekre ad választ.
Ez a képzés azoknak készült, akik szeretnének a kivitelezői szintről tervezői, vezetői vagy architektúra-szintű gondolkodás felé lépni. Nem azt tanulod meg, hogyan írj még egy SQL lekérdezést vagy hogyan készíts még egy riportot, hanem azt, hogyan áll össze egy jól megtervezett adatarchitektúra.
A képzés különösen jó karrierlépcső lehet:
- Data Engineerből Data Architect irányba
- BI Developerből Analytics Architect irányba
- Senior Data Analystből Data Lead / Data Architect irányba
- SQL fejlesztőből adatmodellezési és architektúra-tervezési szerepbe
- Tech Leadből data platform döntéseket is értő architekt szerepbe
A brit Government Digital and Data Capability Framework szerint a data architect feladata, hogy az adathasználat vízióját és adatdesignját úgy alakítsa ki, hogy az adatok megfelelően legyenek kezelve, és megfeleljenek a szervezet igényeinek.
Ez a képzés nem kezdő data képzés.
Nem ideális azoknak, akik:
A képzés célja nem az, hogy kezdőket vezessen be az adatok világába, hanem az, hogy meglévő data/BI/engineering tapasztalatra építve seniorabb, architektúra-szintű gondolkodást adjon.
Ez a képzés érinti a data strategy és data governance témákat, de nem ezek a fő fókuszai.
A Data Strategy / Governance fókusza: szabályozás, működési modell, ownership, policy, compliance, adatmenedzsment keretrendszer, szervezeti folyamatok.
A Data Architect képzés fókusza: üzleti igényből adatarchitektúra-terv, adatmodellezés, adatáramlások, platformdöntések, integrációk, fogyasztási réteg, technikai és üzleti döntések összekötése.
Tehát ez a képzés nem „governance officer” képzés. Governance szempontokat tanít, de mindig architektúra-tervezési kontextusban.
A képzés nem igényel mély Spark, Databricks, Fabric, Snowflake vagy cloud platform szakértői tudást. A hangsúly az architektúra-tervezésen, adatmodellezésen, döntési szempontokon és dokumentáción van.
Aktuális képzés csomagjainkat itt tudod megnézni: KÉPZÉS CSOMAGOK
Ha eldöntötted, hogy jelentkezel a képzésre és szeretnéd biztosítani helyedet, nincs más teendőd, mint a ‘Beiratkozom’ gombra kattintva kitölteni a jelentkezési formot és kifizetni a képzés díját.
Ha szívesen jelentkeznél, de úgy érzed még van néhány kérdés, amire nem találtad meg a választ, kattints az ‘Érdekel, de kérdeznék’ gombra és add meg elérhetőségedet! 48 órán belül felvesszük veled a kapcsolatot.
Nézz körbe az alábbi oldalon, hogy mikor indul legközelebb ez vagy a témában releváns képzés:
DATA SCIENCE KÉPZÉSEK
Vagy írj nekünk az info@cubixedu.com címre és értesítünk, amikor megvan már a következő csoportok időpontja!
-
1.Data Architect szerep, adatstratégiai kontextus és üzleti igények
-
1. lecke
Data Architect szerepe és felelőssége
-
2. lecke
Data Engineer, BI és Data Governance szerepektől való különbség
-
3. lecke
Üzleti igények értelmezése
-
4. lecke
Stakeholder mapping
-
5. lecke
KPI-ok és üzleti metrikák adatarchitektúra-szempontból
-
6. lecke
Domain és adatforrások feltérképezése
-
7. lecke
Architektúra-döntések szerepe
-
8. lecke
Záróprojekt use case kiválasztása
-
9. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
10. lecke
[HÁZI FELADAT] - Üzleti probléma, adatcélok, stakeholderek és fő adatforrások meghatározása egy választott use case-re
-
11. lecke
[LIVE ALKALOM]
-
2.Adatmodellezés I: conceptual és logical modellek
-
12. lecke
Conceptual data model
-
13. lecke
Logical data model
-
14. lecke
Entitások és kapcsolatok
-
15. lecke
Cardinality és üzleti szabályok
-
16. lecke
Master data és reference data
-
17. lecke
Normalizációs gondolkodás
-
18. lecke
Domain modellezés
-
19. lecke
Modellezési hibák és trade-offok
-
20. lecke
Üzleti fogalmak technikai fordítása
-
21. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
22. lecke
[HÁZI FELADAT] - Conceptual és logical data model készítése a választott záróprojekt use case-re
-
23. lecke
[LIVE ALKALOM]
-
3.Adatmodellezés II: analytics modellek és semantic layer
-
24. lecke
Dimenzionális modellezés
-
25. lecke
Fact és dimension táblák
-
26. lecke
Star schema és snowflake schema
-
27. lecke
Metrikák és KPI-ok modellezése
-
28. lecke
Semantic layer szerepe
-
29. lecke
Power BI / BI fogyasztási réteg szemlélete
-
30. lecke
Aggregációk és üzleti logika
-
31. lecke
Self-service BI architektúra-kockázatai
-
32. lecke
Egységes metrikadefiníciók
-
33. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
34. lecke
[HÁZI FELADAT] - Analytics modell, metrikatérkép és semantic layer koncepció készítése
-
35. lecke
[LIVE ALKALOM]
-
4.Modern data platform architektúrák
-
36. lecke
Data warehouse
-
37. lecke
Data lake
-
38. lecke
Lakehouse
-
39. lecke
Medallion architecture
-
40. lecke
Data mesh alapok
-
41. lecke
Batch és streaming feldolgozás
-
42. lecke
OLTP és OLAP különbsége
-
43. lecke
ELT és ETL architektúrák
-
44. lecke
Semantic layer és fogyasztási rétegek
-
45. lecke
Platformválasztási szempontok: költség, governance, skálázás, kompetencia, vendor lock-in
-
46. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
47. lecke
[HÁZI FELADAT] - Legalább két célarchitektúra-opció összehasonlítása és döntési javaslat készítése
-
48. lecke
[LIVE ALKALOM]
-
5.Adatintegráció, adatáramlás és pipeline design
-
49. lecke
Source-to-target mapping
-
50. lecke
ETL és ELT döntési szempontok
-
51. lecke
API integration
-
52. lecke
CDC és inkrementális betöltés
-
53. lecke
Event streaming alapok
-
54. lecke
Batch adatfolyamok
-
55. lecke
Data contracts
-
56. lecke
Schema evolution
-
57. lecke
Adatfrissítési minták
-
58. lecke
Pipeline ownership és hibakezelés
-
59. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
60. lecke
[HÁZI FELADAT] - Adatáramlási terv és source-to-target mapping készítése a záróprojekt use case-re
-
61. lecke
[LIVE ALKALOM]
-
6.Data governance, adatminőség, lineage és biztonság architektúrában
-
62. lecke
Data ownership
-
63. lecke
Data stewardship
-
64. lecke
Adatminőségi dimenziók
-
65. lecke
Data quality kontrollok
-
66. lecke
Data lineage
-
67. lecke
Metadata és data catalog
-
68. lecke
Hozzáférés-kezelés
-
69. lecke
Érzékeny adatok kezelése
-
70. lecke
GDPR és compliance alaplogika
-
71. lecke
Governance szempontok architektúra-döntésekben
-
72. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
73. lecke
[ZÁRÓ FELADAT] - governance, data quality és access control terv készítése a záróprojekthez
-
74. lecke
[LIVE ALKALOM]
-
7.AI-ready data architecture és modern use case-ek
-
75. lecke
AI-ready data architecture
-
76. lecke
RAG-ready adatforrások
-
77. lecke
Strukturált és strukturálatlan adatok kapcsolata
-
78. lecke
Dokumentumok, metadata és jogosultságok
-
79. lecke
Vector store szerepe röviden
-
80. lecke
Adatminőség AI use case-eknél
-
81. lecke
Sensitive data és access control AI rendszereknél
-
82. lecke
Data product szemlélet
-
83. lecke
BI, analytics és AI fogyasztási rétegek összehangolása
-
84. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
85. lecke
[HÁZI FELADAT] - AI-ready kiegészítés tervezése a meglévő adatarchitektúra-tervhez
-
86. lecke
[LIVE ALKALOM]
-
8.Architektúra-dokumentáció, döntések és záróprezentáció
-
87. lecke
High-level architecture diagram
-
88. lecke
Data flow diagram
-
89. lecke
Architecture Decision Record
-
90. lecke
Trade-off dokumentáció
-
91. lecke
Technikai és üzleti prezentáció különbsége
-
92. lecke
Stakeholder-kommunikáció
-
93. lecke
Architektúra-kockázatok és nyitott kérdések
-
94. lecke
Záróprojekt véglegesítése
-
95. lecke
Záróprezentáció és szakmai visszajelzés
-
96. lecke
[KVÍZ] - Ellenőrizd tudásod!
-
97. lecke
[HÁZI FELADAT] - AI-ready kiegészítés tervezése a meglévő adatarchitektúra-tervhez
-
98. lecke
[LIVE ALKALOM]