From Data to Insights with Google Cloud Platform

Eğitim Hakkında

BigQuery, Standard SQL ve Looker Studio ekseninde uygulamalı Google Cloud eğitimi

Veriden içgörüye giden yolu Google Cloud araçlarıyla gösterir. BigQuery mimarisi ve Standard SQL, veri yükleme, bölümleme ve sorgu optimizasyonu, Looker Studio ile görselleştirme, BigQuery ML ile tahmin, Data Fusion ile veri hazırlama, Cloud Storage veri gölü ve Vertex AI'a giriş uygulamalı yapılır.

Süre ve Format

3 Gün. Her gün dört modül; her modülde altı teknik başlık, BigQuery sandbox ve Looker Studio laboratuvarları ile desteklenir.

Seviye

Temel Seviye — BigQuery, Standard SQL, Looker Studio ve Data Fusion dahil uçtan uca teknik yelpaze

Öğrenme Metodu

Her modül BigQuery sandbox ve Looker Studio laboratuvarları üzerinde yönlendirmeli uygulamayla pekiştirilir; katılımcılar komut, sorgu ve yapılandırmaları adım adım kendi projelerinde çalıştırır.

Neden Bu Eğitim?

🎯Konuya Özgü İçerik

BigQuery, Standard SQL ve Looker Studio gibi sahada karşılaşılan bileşenler komut ve yapılandırma düzeyinde ele alınır.

🛠️Uygulamalı Laboratuvar

Her modül BigQuery sandbox ve Looker Studio laboratuvarları ile pekiştirilir; katılımcılar öğrendiklerini kendi projelerinde çalıştırır.

📈Üretime Dönük Bakış

Data Fusion, BigQuery ML ve Cloud Storage konularında performans, güvenlik ve maliyet ödünleşimleri gerçek senaryolarla tartışılır.

Anahtar Konular

From Data to Insights with Google Cloud Platform EğitimiFrom Data to Insights with Google Cloud PlatformBigQueryStandard SQLLooker StudioData FusionBigQuery MLCloud StorageGoogle Cloud eğitimiGCP eğitimiDigital Vizyon Akademi

“BigQuery doğru tasarlandığında veri, yük olmaktan çıkar ve karar hızına dönüşür.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

SQL Temeli

SELECT, JOIN ve GROUP BY düzeyinde SQL bilgisi eğitimde yazılacak sorguları rahat takip etmenizi sağlar.

2

Veri Kavramları

ETL/ELT, veri ambarı ve batch ile streaming ayrımı hakkında temel bilgi önerilir.

3

Python Okuryazarlığı

Beam ve Spark örneklerini okuyabilecek kadar Python ya da Java bilgisi faydalıdır.

4

Laboratuvar Ortamı

Google Cloud hesabı, güncel tarayıcı ve Cloud Shell erişimi olan internet bağlantılı bir bilgisayar gerekir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı, google Cloud Kaynak Hiyerarşisi ve Konsol, bigQuery Mimarisi ve Temel Kavramlar, bigQuery Standard SQL ve İleri Sorgular ve bigQuery'ye Veri Yükleme ve Dış Kaynaklar konularını laboratuvar senaryolarında uygulayarak günün çıktısını kendi ortamında yeniden üretebilir.

Modül 1

Google Cloud Kaynak Hiyerarşisi ve Konsol

Organization, Folder ve Project hiyerarşisinin politika ve fatura mirasına etkisi
Cloud Shell, gcloud CLI yapılandırmaları (gcloud config configurations) ve proje seçimi
API etkinleştirme, servis kotaları ve kota artış talepleri
Billing account bağlama, proje yaşam döngüsü ve silinen projeyi geri alma süreci
Bölge (region), zon ve multi-region kavramları ile veri konumu kararları
Etiket (label), network tag ve Resource Manager tag farkları

Modül 2

BigQuery Mimarisi ve Temel Kavramlar

Dremel yürütme motoru, Colossus depolama ve Capacitor sütunlu format yapısı
Hesaplama ile depolamanın ayrılması ve slot kavramı
Dataset, table, view ve routine nesneleri ile proje/dataset/tablo adlandırması
On-demand fiyatlandırma ile BigQuery Editions (Standard, Enterprise, Enterprise Plus) farkı
bq CLI, Console ve istemci kütüphaneleri ile iş (job) çalıştırma
Sandbox kullanımı, ücretsiz katman limitleri ve kota yönetimi

Modül 3

BigQuery Standard SQL ve İleri Sorgular

Standard SQL ile JOIN, GROUP BY, HAVING ve alt sorgu (subquery) kalıpları
ARRAY, STRUCT ve UNNEST ile iç içe/tekrarlı alanların sorgulanması
Pencere (window) fonksiyonları: ROW_NUMBER, LAG, SUM() OVER (PARTITION BY ...)
WITH ifadeleri (CTE), geçici tablolar ve scripting (DECLARE, LOOP, EXECUTE IMMEDIATE)
Kullanıcı tanımlı fonksiyonlar (SQL ve JavaScript UDF) ile procedure yazımı
Zamanlanmış sorgular (scheduled queries) ve parametreli sorgular

Modül 4

BigQuery'ye Veri Yükleme ve Dış Kaynaklar

Load job ile CSV, JSON, Avro, Parquet ve ORC dosyalarının yüklenmesi
Storage Write API ve eski streaming insert yöntemlerinin karşılaştırması
Harici tablolar (external table), BigLake tabloları ve Hive bölümlü veri
Federated query ile Cloud SQL, Spanner ve Bigtable kaynaklarına sorgu
BigQuery Data Transfer Service ile SaaS ve Cloud Storage zamanlanmış aktarımı
Şema otomatik algılama, şema evrimi ve hatalı kayıt yönetimi (max bad records)

Günün hedefiKatılımcı, bigQuery Depolama Tasarımı: Bölümleme ve Kümeleme, bigQuery Sorgu Optimizasyonu ve Performans, looker Studio ve Looker ile Raporlama ve bigQuery ML ile Model Geliştirme konularını laboratuvar senaryolarında uygulayarak günün çıktısını kendi ortamında yeniden üretebilir.

Modül 1

BigQuery Depolama Tasarımı: Bölümleme ve Kümeleme

Zaman birimi (time-unit), ingestion-time ve tamsayı aralığı (integer range) bölümleme
Clustering sütunlarının seçimi ve sıralamanın taranan veri miktarına etkisi
Partition expiration, require partition filter ve tablo yaşam döngüsü
Denormalizasyon, iç içe/tekrarlı şemalar ve star schema karşılaştırması
Materialized view'ler ve otomatik yenileme davranışı
Time travel, tablo snapshot'ları ve table clone ile veri koruma

Modül 2

BigQuery Sorgu Optimizasyonu ve Performans

Query execution graph (sorgu planı) okuma ve aşama (stage) bazlı darboğaz analizi
SELECT * kaçınma, erken filtreleme ve JOIN sıralama teknikleri
Önbellek (cache) davranışı, dry run ve maximum bytes billed sınırı
APPROX_COUNT_DISTINCT gibi yaklaşık fonksiyonlar ve veri çarpıklığı (skew) yönetimi
BI Engine rezervasyonu, search index ve vector index kullanımı
INFORMATION_SCHEMA.JOBS ile pahalı sorguların bulunması

Modül 3

Looker Studio ve Looker ile Raporlama

Looker Studio'da BigQuery veri kaynağı bağlama ve veri yenileme ayarları
Hesaplanmış alanlar, parametreler ve karışık (blended) veri kaynakları
Etkileşimli dashboard tasarımı, filtre kontrolleri ve paylaşım izinleri
Looker LookML ile boyut (dimension) ve ölçü (measure) modelleme
BI Engine ile dashboard performansını artırma
Bağlı Sheets ile BigQuery verisinin analiz edilmesi

Modül 4

BigQuery ML ile Model Geliştirme

CREATE MODEL ile lineer/lojistik regresyon, k-means ve boosted tree modelleri
ML.EVALUATE, ML.PREDICT ve ML.EXPLAIN_PREDICT çıktılarının yorumlanması
Özellik mühendisliği için TRANSFORM ve ML.FEATURE_CROSS kullanımı
Hiperparametre ayarı ve eğitim/doğrulama veri bölme stratejileri
ARIMA_PLUS ile zaman serisi tahmini
Eğitilmiş modelin Vertex AI Model Registry'ye aktarılması

Günün hedefiKatılımcı, cloud Storage Yönetimi, data Fusion, Dataprep ve Dataplex, vertex AI ve Makine Öğrenmesi Boru Hatları ve bigQuery Yönetimi, Güvenlik ve Rezervasyonlar konularını laboratuvar senaryolarında uygulayarak günün çıktısını kendi ortamında yeniden üretebilir.

Modül 1

Cloud Storage Yönetimi

Standard, Nearline, Coldline ve Archive depolama sınıfları ile maliyet etkisi
Object lifecycle yönetimi, versioning ve retention policy / bucket lock
Uniform bucket-level access, ACL ve signed URL ile erişim kontrolü
gsutil ve gcloud storage ile paralel yükleme, rsync ve composite upload
Pub/Sub bildirimleri ve Eventarc ile nesne olaylarına tepki
Storage Transfer Service ve çok bölgeli (dual-region) bucket tasarımı

Modül 2

Data Fusion, Dataprep ve Dataplex

Cloud Data Fusion'da görsel pipeline tasarımı ve plugin yapısı
Wrangler ile veri temizleme ve dönüştürme adımları
Dataprep (Trifacta) ile hazırlık recipe'leri
Dataplex lake, zone ve asset kavramları ile veri yönetişimi
Veri kalitesi görevleri, lineage ve metadata yönetimi
Araç seçimi: kod gerektirmeyen ETL ile Dataflow / Dataproc karşılaştırması

Modül 3

Vertex AI ve Makine Öğrenmesi Boru Hatları

Vertex AI Workbench ve özel eğitim (custom training) işleri
AutoML ve hazır modeller ile hızlı prototipleme
Vertex AI Pipelines (Kubeflow) ile tekrarlanabilir ML iş akışı
Feature Store ve Model Registry kullanımı
Online endpoint, batch prediction ve trafik bölme
Model izleme: veri kayması (drift) ve çarpıklık (skew) tespiti

Modül 4

BigQuery Yönetimi, Güvenlik ve Rezervasyonlar

Proje, dataset ve tablo düzeyinde IAM rolleri (dataViewer, jobUser, dataEditor)
Authorized view, authorized dataset ve row-level security erişim politikaları
Policy tag ile kolon düzeyi güvenlik ve Data Catalog / Dataplex entegrasyonu
Reservation, assignment ve slot taahhütleri (commitment) ile kapasite yönetimi
CMEK ile şifreleme ve audit log ile erişim izleme
Bütçe sınırları, custom quota ve kullanıcı bazlı sorgu kısıtlama

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Kaynak Hiyerarşisi

Organization, Folder ve Project yapısını doğru kurgulayıp gcloud ile yönetebilirsiniz.

🔧

BigQuery Mimarisi

BigQuery'nin depolama-hesaplama ayrımını ve slot modelini açıklayabilirsiniz.

📊

Veri Yükleme

Batch ve streaming yöntemleriyle BigQuery'ye farklı formatlarda veri aktarabilirsiniz.

🔐

Depolama Tasarımı

Bölümleme ve kümeleme ile taranan veriyi azaltan tablo şemaları tasarlayabilirsiniz.

🚀

Raporlama

BigQuery verisinden etkileşimli dashboard ve raporlar üretebilirsiniz.

🧩

BigQuery ML

SQL ile model eğitip değerlendirebilir ve tahmin üretebilirsiniz.

📈

Görsel ETL Araçları

Data Fusion ve Dataplex ile kod gerektirmeyen veri hazırlama akışları kurabilirsiniz.

🛠️

Vertex AI

Vertex AI ile modelleri eğitip uç noktaya dağıtabilir ve izleyebilirsiniz.

Kimler İçin Uygundur?

Veri analistleri
BI uzmanları
veri analitiğine bulut tarafından başlayacak profesyoneller içindir

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri analistleri, BI uzmanları ve veri analitiğine bulut tarafından başlayacak profesyoneller içindir.

Eğitime katılmak için hangi ön bilgi gerekir?

Temel SQL ve veri kavramları bilgisi önerilir; Beam ve Spark örnekleri için Python ya da Java okuyabilmek faydalıdır. Google Cloud ortamı laboratuvarda birlikte kurulur.

From Data to Insights with Google Cloud Platform eğitiminde hangi konular işlenir?

1. gün Kaynak Hiyerarşisi ve BigQuery Mimarisi; 2. gün Depolama Tasarımı ve Sorgu Optimizasyonu; 3. gün Cloud Storage ve Görsel ETL Araçları. Ayrıca BigQuery, Standard SQL ve Looker Studio uygulamalı çalışılır.

Eğitim sonunda sertifika veriliyor mu?

Eğitimi tamamlayan katılımcılara Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Eğitim nasıl yürütülür?

Eğitim 3 gündür ve her gün dört modülden oluşur. Anlatımlar BigQuery sandbox ve Looker Studio laboratuvarları ile birleşir; katılımcılar komut, sorgu ve yapılandırmaları kendi ortamlarında çalıştırır.

Sertifikalandırma

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.

Örnek Sertifika

FROM DATA TO INSIGHTS WITH GOOGLE CLOUD PLATFORM EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

Google Cloud Kaynak Hiyerarşisi ve Konsol

BigQuery Mimarisi ve Temel Kavramlar

BigQuery Standard SQL ve İleri Sorgular

BigQuery'ye Veri Yükleme ve Dış Kaynaklar

BigQuery Depolama Tasarımı: Bölümleme ve Kümeleme

BigQuery Sorgu Optimizasyonu ve Performans

Looker Studio ve Looker ile Raporlama

BigQuery ML ile Model Geliştirme

Cloud Storage Yönetimi

Data Fusion, Dataprep ve Dataplex

Vertex AI ve Makine Öğrenmesi Boru Hatları

BigQuery Yönetimi, Güvenlik ve Rezervasyonlar

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Bu Eğitimle Birlikte Tercih Edilenler

Deeper through GCP Analytics & Scaling Eğitimi

Develop Conversational Agents on Google Cloud (DCAGC) Eğitimi

Develop Conversational Agents on Google Cloud (GC-CAGC) Eğitimi

Develop Conversational Agents on Google Cloud Eğitimi

Developing APIs with Google Cloud's Apigee API platform (T-APIENG-B) Eğitimi