ແຜນການລະດັບການໄດ້ຮັບວິຊາຊີບວິສະວະກອນຂໍ້ມູນ

ຂ້ອຍໄດ້ເຮັດວຽກເປັນຜູ້ຈັດການໂຄງການສໍາລັບແປດປີທີ່ຜ່ານມາ (ຂ້ອຍບໍ່ຂຽນລະຫັດໃນບ່ອນເຮັດວຽກ), ເຊິ່ງທໍາມະຊາດມີຜົນກະທົບທາງລົບຕໍ່ backend ເຕັກໂນໂລຢີຂອງຂ້ອຍ. ຂ້ອຍໄດ້ຕັດສິນໃຈຫຼຸດຊ່ອງຫວ່າງທາງເທັກໂນໂລຍີຂອງຂ້ອຍ ແລະໄດ້ຮັບອາຊີບຂອງ Data engineer. ທັກສະຕົ້ນຕໍຂອງວິສະວະກອນຂໍ້ມູນແມ່ນຄວາມສາມາດໃນການອອກແບບ, ກໍ່ສ້າງແລະຮັກສາຄັງຂໍ້ມູນ.

ຂ້າພະເຈົ້າໄດ້ແຕ້ມແຜນການຝຶກອົບຮົມ, ຂ້າພະເຈົ້າຄິດວ່າມັນຈະເປັນປະໂຫຍດບໍ່ພຽງແຕ່ສໍາລັບຂ້າພະເຈົ້າ. ແຜນການແມ່ນສຸມໃສ່ການສຶກສາເອກະລາດຂອງຫຼັກສູດ. ບູລິມະສິດແມ່ນໃຫ້ຫຼັກສູດຟຣີໃນພາສາລັດເຊຍ.

ພາກສ່ວນ:

• ສູດການຄິດໄລ່ແລະໂຄງສ້າງຂໍ້ມູນ. ພາກສ່ວນຫຼັກ. ຖ້າເຈົ້າສຶກສາມັນ, ທຸກຢ່າງຈະເຮັດວຽກຄືກັນ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະກາຍເປັນຄວາມຊໍານານໃນການຂຽນລະຫັດແລະການນໍາໃຊ້ໂຄງສ້າງພື້ນຖານແລະສູດການຄິດໄລ່.
• ຖານຂໍ້ມູນແລະຄັງຂໍ້ມູນ, Business Intelligence. ພວກເຮົາຍ້າຍຈາກ algorithms ໄປສູ່ການເກັບຮັກສາຂໍ້ມູນແລະການປະມວນຜົນ.
• Hadoop ແລະຂໍ້ມູນໃຫຍ່. ເມື່ອຖານຂໍ້ມູນບໍ່ເຫມາະສົມກັບຮາດດິດ, ຫຼືໃນເວລາທີ່ຂໍ້ມູນຕ້ອງໄດ້ຮັບການວິເຄາະ, ແຕ່ Excel ບໍ່ສາມາດໂຫລດມັນໄດ້, ຂໍ້ມູນໃຫຍ່ຈະເລີ່ມຕົ້ນ. ໃນຄວາມຄິດເຫັນຂອງຂ້າພະເຈົ້າ, ທ່ານຈໍາເປັນຕ້ອງໄດ້ຍ້າຍໄປຫາພາກນີ້ພຽງແຕ່ຫຼັງຈາກການສຶກສາເລິກຂອງສອງທີ່ຜ່ານມາ.

ສູດການຄິດໄລ່ແລະໂຄງສ້າງຂໍ້ມູນ

ໃນແຜນການຂອງຂ້ອຍ, ຂ້ອຍໄດ້ລວມເອົາການຮຽນຮູ້ Python, ທົບທວນຄືນພື້ນຖານຂອງຄະນິດສາດແລະສູດການຄິດໄລ່.

• ການຂຽນໂປລແກລມ Python
• Python: ພື້ນຖານແລະຄໍາຮ້ອງສະຫມັກ
• ພຶດຊະຄະນິດເສັ້ນຊື່
• ໂຄງ​ການ​ການ​ສຶກ​ສາ​ກ່ຽວ​ກັບ​ຄະ​ນິດ​ສາດ​ແຍກ​ຕ່າງ​ຫາກ​
• ສູດການຄິດໄລ່: ທິດສະດີ ແລະການປະຕິບັດ. ວິທີການ
• ສູດການຄິດໄລ່: ທິດສະດີ ແລະການປະຕິບັດ. ໂຄງສ້າງຂໍ້ມູນ

ຖານຂໍ້ມູນແລະຄັງຂໍ້ມູນ, Business Intelligence

• ປື້ມບັນທຶກ: Martin Kleppmann - ຄໍາຮ້ອງສະຫມັກທີ່ມີການໂຫຼດສູງ. ການຂຽນໂປລແກລມ, ຂະຫຍາຍ, ສະຫນັບສະຫນູນ. ປື້ມອະທິບາຍວິທີການເຮັດວຽກຂອງຕົວແບບຂໍ້ມູນທີ່ແຕກຕ່າງກັນ, ການປະຕິບັດຈາກພາຍໃນ, ຂໍ້ຈໍາກັດແລະທາງເລືອກທີ່ຂຶ້ນກັບຫນ້າວຽກ.
• ການແນະນໍາຖານຂໍ້ມູນ
• ເຂົ້າໄປໃນ DBMS
• ການແນະນໍາຖານຂໍ້ມູນທີ່ບໍ່ກ່ຽວຂ້ອງ

ຫົວຂໍ້ທີ່ກ່ຽວຂ້ອງກັບການກໍ່ສ້າງຄັງຂໍ້ມູນ, ETL, OLAP cubes ແມ່ນຂຶ້ນກັບເຄື່ອງມືຢ່າງຫຼວງຫຼາຍ, ດັ່ງນັ້ນໃນເອກະສານນີ້ຂ້ອຍບໍ່ໄດ້ສະຫນອງການເຊື່ອມຕໍ່ກັບຫຼັກສູດ. ມັນແມ່ນແນະນໍາໃຫ້ສຶກສາລະບົບດັ່ງກ່າວໃນເວລາທີ່ເຮັດວຽກກ່ຽວກັບໂຄງການສະເພາະໃດຫນຶ່ງໃນບໍລິສັດສະເພາະໃດຫນຶ່ງ. ເພື່ອຮູ້ຈັກກັບ ETL ທ່ານສາມາດລອງໄດ້ ປະຕິທິນ ຫຼື ກະແສອາກາດ.

ໃນຄວາມຄິດເຫັນຂອງຂ້ອຍ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສຶກສາວິທີການອອກແບບຄັງຂໍ້ມູນທີ່ທັນສະໄຫມ Data Vault ລິ້ງ 1, ລິ້ງ 2. ແລະວິທີທີ່ດີທີ່ສຸດທີ່ຈະຮຽນຮູ້ມັນແມ່ນການເອົາມັນແລະປະຕິບັດມັນດ້ວຍຕົວຢ່າງທີ່ງ່າຍດາຍ. ມີຕົວຢ່າງຫຼາຍຢ່າງຂອງການປະຕິບັດ Data Vault ໃນ GitHub ຫນ້າທໍາອິດ. ປື້ມທີ່ທັນສະໄຫມກ່ຽວກັບຄັງຂໍ້ມູນ: ການສ້າງແບບຈໍາລອງຂອງຄັງຂໍ້ມູນ Agile ກັບ Data Vault ໂດຍ Hans Hultgren.

ເພື່ອຮູ້ຈັກກັບ Business Intelligence ເຄື່ອງມືສໍາລັບຜູ້ໃຊ້ສຸດທ້າຍ, ທ່ານສາມາດນໍາໃຊ້ຜູ້ອອກແບບບົດລາຍງານ, dashboards, ແລະສາງຂໍ້ມູນຂະຫນາດນ້ອຍ Power BI Desktop. ອຸປະກອນການສຶກສາ: ລິ້ງ 1, ລິ້ງ 2.

Hadoop ແລະຂໍ້ມູນໃຫຍ່

• ທ່ານຈໍາເປັນຕ້ອງເລີ່ມຕົ້ນດ້ວຍການປະຕິບັດດ້ວຍຕົນເອງຂອງ MapReduce ໂດຍບໍ່ມີຫ້ອງສະຫມຸດພາກສ່ວນທີສາມ. ນີ້ຈະຊ່ວຍໃຫ້ມີຄວາມເຂົ້າໃຈດີຂຶ້ນກ່ຽວກັບການຈັດຕັ້ງປະຕິບັດຫຼາຍກະທູ້ໃນອະນາຄົດ. ຕົວຢ່າງທີ່ດີເລີດໃນ Python ຖືກອະທິບາຍ ທີ່ນີ້.
• Hadoop. ລະບົບການປະມວນຜົນຂໍ້ມູນຂະຫນາດໃຫຍ່.
• ການແນະນໍາວິສະວະກໍາຂໍ້ມູນໃຫຍ່

ສະຫລຸບ

ບໍ່ແມ່ນທຸກຢ່າງທີ່ເຈົ້າສຶກສາສາມາດນຳໃຊ້ໄດ້ໃນບ່ອນເຮັດວຽກ. ດັ່ງນັ້ນ, ທ່ານຕ້ອງການໂຄງການຈົບການສຶກສາທີ່ທ່ານຈະພະຍາຍາມນໍາໃຊ້ຄວາມຮູ້ໃຫມ່.

ແຜນການດັ່ງກ່າວບໍ່ໄດ້ລວມເອົາຫົວຂໍ້ທີ່ກ່ຽວຂ້ອງກັບການວິເຄາະຂໍ້ມູນແລະການຮຽນຮູ້ເຄື່ອງຈັກ, ເພາະວ່າ ນີ້ແມ່ນກ່ຽວຂ້ອງກັບການປະກອບອາຊີບນັກວິທະຍາສາດຂໍ້ມູນຫຼາຍຂຶ້ນ. ຍັງບໍ່ມີຫົວຂໍ້ທີ່ກ່ຽວຂ້ອງກັບ AWS ແລະ Azure clouds. ຫົວຂໍ້ເຫຼົ່ານີ້ແມ່ນຂຶ້ນກັບທາງເລືອກຂອງເວທີ.

ຄໍາ​ຖາມ​ສໍາ​ລັບ​ຊຸມ​ຊົນ​:
ແຜນການສູບນ້ຳຂອງຂ້ອຍພຽງພໍເທົ່າໃດ? ສິ່ງທີ່ຈະເອົາອອກຫຼືເພີ່ມ?
ໂຄງການໃດທີ່ເຈົ້າຈະແນະນໍາເປັນ thesis?

ແຫຼ່ງຂໍ້ມູນ: www.habr.com