Veri hatlarına güvenilirlik mühendisliği getir
SRE ilkelerini veriye uyarlayan ileri seviye eğitim: veri SLI/SLO ve error budget, beş boyutlu gözlemlenebilirlik, istatistiksel/ML anomali tespiti, sütun düzeyi lineage, idempotent backfill ve blameless postmortem ile ölçeklenebilir güvenilirlik.
Data SRE ilkeleri, gözlemlenebilirlik ve otomatik anomali tespiti
Bu ileri seviye eğitim, yazılım güvenilirliği mühendisliği (SRE) ilkelerini veri sistemlerine uyarlar. Veri için SLI/SLO/error budget tanımı; tazelik (freshness), hacim, şema ve dağılım boyutlarında veri gözlemlenebilirliği; istatistiksel ve ML tabanlı anomali tespiti; sütun düzeyi soyağacı ile kök neden analizi; veri olaylarında müdahale (incident response) ve blameless postmortem işlenir. Büyük ölçekte veri kalitesi testlerinin hatta gömülmesi, circuit breaker, idempotency ve geriye dönük düzeltme (backfill) desenleri uygulanır. Katılımcılar güvenilir ve ölçeklenen bir veri platformu tasarlar.
4 Gün. Her gün dört modül; güvenilirlik ilkelerinden gözlemlenebilirlik, anomali tespiti ve olay yönetimine ilerlenir.
İleri Seviye — Veri SLO/SLI tasarımı, veri gözlemlenebilirliği, anomali tespiti ve olay yönetimiyle ölçeklenebilir veri güvenilirliği sistemlerinin inşası.
Katılımcılar örnek veri hatları üzerinde SLO tanımlayıp gözlemlenebilirlik ve anomali tespiti kurarak olay senaryolarını uygulamalı yönetir.
Veri SLI/SLO ile güvenilirliği hissiyattan metrikle ölçülebilir hale getirirsiniz.
Anomalileri kullanıcıdan önce yakalayıp sessiz veri bozulmalarını önlersiniz.
Lineage ve runbook'larla olay çözüm süresini belirgin biçimde kısaltırsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Veri hatları, ETL/ELT ve veri ambarı deneyimi beklenir.
Orta seviye SQL ve temel Python bilgisi faydalıdır.
Airflow veya benzeri bir orkestrasyon aracına aşinalık faydalıdır.
Ortalama, standart sapma ve dağılım kavramlarına aşinalık faydalıdır.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Veriye özgü SLI, SLO ve error budget tanımlarsınız.
Freshness, volume, schema ve distribution boyutlarında izleme kurarsınız.
dbt/Great Expectations kurallarını CI/CD hattına gömersiniz.
İstatistiksel ve ML yöntemleriyle otomatik anomali yakalarsınız.
Sütun düzeyi lineage ile kök nedeni hızla bulur, MTTR'ı düşürürsünüz.
Idempotent backfill ile hatalı veriyi güvenle düzeltirsiniz.
Runbook ve blameless postmortem ile olayları yönetirsiniz.
Güvenilirlik pratiğini metadata otomasyonuyla ölçeklendirirsiniz.
Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.
Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.
EXPLAIN ANALYZE planlarını okuyun; tarama ve join operatörlerini, istatistik ve indeks kararlarını analiz ederek yavaş SQL sorgularını hızlandırın.
Detayları Gör →
Açık kaynak Apache Superset'te veritabanı bağlama, dataset, chart ve etkileşimli dashboard kurmayı adım adım öğrenin. Temel seviye uygulamalı eğitim.
Detayları Gör →
Apache Superset'te RBAC, satır düzeyi güvenlik, Redis önbellek, Celery async ve üretim dağıtımını yönetin. Orta seviye yönetici eğitimi.
Detayları Gör →
iOS'ta UserDefaults, Core Data, dosya kalıcılığı ve CloudKit ile bulut senkronunu uygulamalı öğrenin. Orta seviye Swift veri kalıcılığı eğitimi.
Detayları Gör →
Python ve pandas ile veri temizleme, keşifsel analiz, hipotez testi ve görselleştirmeyi gerçek veri setlerinde uygulayın. Orta seviye uygulamalı eğitim.
Detayları Gör →