डेटा अभियंता कोण आहेत आणि तुम्ही कसे बनता?

हॅलो पुन्हा! लेखाचे शीर्षक स्वतःसाठी बोलते. अभ्यासक्रम सुरू होण्याच्या अपेक्षेने डेटा अभियंता डेटा अभियंता कोण आहेत हे समजून घेण्यासाठी आम्ही सुचवतो. लेखात भरपूर उपयुक्त दुवे आहेत. आनंदी वाचन.

डेटा अभियांत्रिकी लहर कशी पकडायची आणि ती तुम्हाला रसातळाला जाऊ देऊ नये याविषयी एक साधे मार्गदर्शक.

आजकाल प्रत्येकाला डेटा सायंटिस्ट बनायचे आहे असे दिसते. पण डेटा इंजिनिअरिंगचे काय? मूलत:, हा डेटा विश्लेषक आणि डेटा वैज्ञानिक यांचा एक प्रकारचा संकर आहे; डेटा अभियंता सामान्यत: वर्कफ्लो, प्रक्रिया पाइपलाइन आणि ईटीएल प्रक्रिया व्यवस्थापित करण्यासाठी जबाबदार असतो. या फंक्शन्सच्या महत्त्वामुळे, सध्या ही आणखी एक लोकप्रिय व्यावसायिक शब्दावली आहे जी सक्रियपणे गती मिळवत आहे.

उच्च पगार आणि प्रचंड मागणी म्हणजे ही नोकरी अत्यंत आकर्षक बनवण्याचा एक छोटासा भाग! जर तुम्हाला नायकांच्या श्रेणीत सामील व्हायचे असेल, तर शिकण्यास कधीही उशीर झालेला नाही. या पोस्टमध्ये, मी तुम्हाला तुमची पहिली पावले उचलण्यात मदत करण्यासाठी सर्व आवश्यक माहिती गोळा केली आहे.

तर, चला सुरूवात करूया!

डेटा अभियांत्रिकी म्हणजे काय?

प्रामाणिकपणे, यापेक्षा चांगले स्पष्टीकरण नाही:

“एक वैज्ञानिक नवीन तारा शोधू शकतो, परंतु तो तयार करू शकत नाही. त्याला त्याच्यासाठी अभियंता सांगावे लागेल."

- गॉर्डन लिंडसे ग्लेग

अशा प्रकारे, डेटा अभियंता ची भूमिका खूप महत्वाची आहे.

नावाप्रमाणेच, डेटा अभियांत्रिकी डेटाशी संबंधित आहे, म्हणजे त्याचे वितरण, संचयन आणि प्रक्रिया. त्यानुसार, अभियंत्यांचे मुख्य कार्य डेटासाठी एक विश्वासार्ह पायाभूत सुविधा प्रदान करणे आहे. जर आपण एआय पदानुक्रमाच्या गरजा पाहिल्या तर, डेटा अभियांत्रिकी पहिल्या 2-3 टप्पे व्यापते: संकलन, हालचाल आणि स्टोरेज, डेटा तयार करणे.

डेटा अभियंता काय करतो?

मोठ्या डेटाच्या आगमनाने, जबाबदारीची व्याप्ती नाटकीयरित्या बदलली आहे. जर पूर्वी या तज्ञांनी मोठ्या SQL क्वेरी लिहिल्या आणि इन्फॉर्मेटिका ETL, Pentaho ETL, Talend सारख्या साधनांचा वापर करून डेटा डिस्टिल्ड केला, तर आता डेटा अभियंत्यांच्या गरजा वाढल्या आहेत.

डेटा अभियंता पदासाठी रिक्त जागा असलेल्या बहुतेक कंपन्यांना खालील आवश्यकता आहेत:

• SQL आणि Python चे उत्कृष्ट ज्ञान.
• क्लाउड प्लॅटफॉर्म, विशेषतः Amazon वेब सेवांचा अनुभव घ्या.
• Java/Scala च्या ज्ञानाला प्राधान्य.
• SQL आणि NoSQL डेटाबेसची चांगली समज (डेटा मॉडेलिंग, डेटा वेअरहाउसिंग).

लक्षात ठेवा, या फक्त आवश्यक गोष्टी आहेत. या सूचीवरून, असे गृहीत धरले जाऊ शकते की डेटा अभियंते सॉफ्टवेअर विकास आणि बॅकएंड क्षेत्रातील विशेषज्ञ आहेत.
उदाहरणार्थ, जर एखादी कंपनी विविध स्त्रोतांकडून मोठ्या प्रमाणात डेटा तयार करू लागली, तर डेटा अभियंता म्हणून आपले कार्य माहितीचे संकलन, त्याची प्रक्रिया आणि संचयन आयोजित करणे आहे.

या प्रकरणात वापरल्या जाणार्‍या साधनांची यादी भिन्न असू शकते, हे सर्व या डेटाच्या व्हॉल्यूमवर, त्याच्या पावतीची गती आणि भिन्नता यावर अवलंबून असते. बर्‍याच कंपन्या मोठ्या डेटाशी अजिबात व्यवहार करत नाहीत, म्हणून केंद्रीकृत भांडार, तथाकथित डेटा वेअरहाऊस म्हणून, तुम्ही डेटा फीड करणार्‍या स्क्रिप्टच्या छोट्या संचासह SQL डेटाबेस (PostgreSQL, MySQL, इ.) वापरू शकता. कोठार

Google, Amazon, Facebook किंवा Dropbox सारख्या IT दिग्गजांना उच्च आवश्यकता आहेत: Python, Java किंवा Scala चे ज्ञान.

• मोठ्या डेटासह अनुभव: हडूप, स्पार्क, काफ्का.
• अल्गोरिदम आणि डेटा स्ट्रक्चर्सचे ज्ञान.
• वितरित प्रणालीच्या मूलभूत गोष्टी समजून घेणे.
• डेटा व्हिज्युअलायझेशन टूल्सचा अनुभव जसे की टेबलाओ किंवा इलास्टिकसर्च एक प्लस असेल.

म्हणजेच, मोठ्या डेटाकडे एक स्पष्ट शिफ्ट आहे, म्हणजे उच्च भारांखाली त्याच्या प्रक्रियेत. या कंपन्यांनी सिस्टम फॉल्ट टॉलरन्ससाठी आवश्यकता वाढवली आहे.

डेटा अभियंता वि. डेटा वैज्ञानिक

ठीक आहे, ही एक साधी आणि मजेदार तुलना होती (वैयक्तिक काहीही नाही), परंतु प्रत्यक्षात ते अधिक क्लिष्ट आहे.

प्रथम, तुम्हाला हे माहित असले पाहिजे की डेटा शास्त्रज्ञ आणि डेटा अभियंता यांच्या भूमिका आणि कौशल्यांच्या वर्णनामध्ये बरीच संदिग्धता आहे. म्हणजेच, यशस्वी डेटा अभियंता होण्यासाठी कोणती कौशल्ये आवश्यक आहेत याबद्दल तुम्ही सहजपणे गोंधळून जाऊ शकता. अर्थात, अशी काही कौशल्ये आहेत जी दोन्ही भूमिकांना ओव्हरलॅप करतात. परंतु तेथे अनेक भिन्न कौशल्ये देखील आहेत.

डेटा सायन्स हा गंभीर व्यवसाय आहे, परंतु आम्ही कार्यात्मक डेटा विज्ञानाच्या जगाकडे वाटचाल करत आहोत जिथे अभ्यासक त्यांचे स्वतःचे विश्लेषण करू शकतात. डेटा पाइपलाइन आणि एकात्मिक डेटा स्ट्रक्चर्स सक्षम करण्यासाठी, तुम्हाला डेटा अभियंते आवश्यक आहेत, डेटा वैज्ञानिकांची नाही.

डेटा सायंटिस्टपेक्षा डेटा इंजिनिअरला जास्त मागणी आहे का?

- होय, कारण आपण गाजर केक बनवण्यापूर्वी, आपल्याला प्रथम गाजर गोळा करणे, सोलणे आणि स्टॉक करणे आवश्यक आहे!

डेटा अभियंता कोणत्याही डेटा सायंटिस्टपेक्षा प्रोग्रामिंग चांगले समजतो, परंतु जेव्हा आकडेवारीचा विचार केला जातो तेव्हा उलट सत्य असते.

परंतु डेटा अभियंताचा फायदा येथे आहे:

त्याच्या/तिच्याशिवाय, प्रोटोटाइप मॉडेलचे मूल्य, ज्यामध्ये बहुतेक वेळा पायथन फाइलमधील भयंकर गुणवत्तेच्या कोडचा तुकडा असतो, डेटा सायंटिस्टकडून मिळवलेला आणि कसा तरी परिणाम निर्माण करतो, शून्याकडे झुकतो.

डेटा अभियंता शिवाय, हा कोड कधीही प्रकल्प बनणार नाही आणि कोणतीही व्यावसायिक समस्या प्रभावीपणे सोडवली जाणार नाही. डेटा अभियंता हे सर्व उत्पादनात बदलण्याचा प्रयत्न करीत आहे.

मूलभूत माहिती डेटा अभियंत्याला माहित असणे आवश्यक आहे

त्यामुळे, जर ही नोकरी तुमच्यात प्रकाश आणत असेल आणि तुम्ही उत्साही असाल - तुम्ही ते शिकू शकता, तुम्ही सर्व आवश्यक कौशल्यांमध्ये प्रभुत्व मिळवू शकता आणि डेटा अभियांत्रिकीच्या क्षेत्रात एक वास्तविक रॉक स्टार बनू शकता. आणि, होय, तुम्ही प्रोग्रामिंग कौशल्ये किंवा इतर तांत्रिक ज्ञानाशिवाय देखील हे बंद करू शकता. हे अवघड आहे, पण शक्य आहे!

पहिली पायरी कोणती?

तुम्हाला काय आहे याची सामान्य कल्पना असली पाहिजे.

सर्व प्रथम, डेटा अभियांत्रिकी संगणक विज्ञानाचा संदर्भ देते. अधिक विशेषतः, आपण कार्यक्षम अल्गोरिदम आणि डेटा संरचना समजून घेणे आवश्यक आहे. दुसरे म्हणजे, डेटा अभियंते डेटासह कार्य करत असल्याने, डेटाबेसची तत्त्वे आणि त्यांच्या अंतर्गत असलेल्या संरचना समजून घेणे आवश्यक आहे.

उदाहरणार्थ, पारंपारिक बी-ट्री एसक्यूएल डेटाबेस हे बी-ट्री डेटा स्ट्रक्चर, तसेच आधुनिक वितरीत रेपॉजिटरीज, एलएसएम-ट्री आणि हॅश टेबलच्या इतर बदलांवर आधारित असतात.

*या पायऱ्या एका उत्तम लेखावर आधारित आहेत आदिल्या खश्टामोवा. म्हणून, जर तुम्हाला रशियन माहित असेल, तर या लेखकाचे समर्थन करा आणि वाचा त्याची पोस्ट.

1. अल्गोरिदम आणि डेटा संरचना

योग्य डेटा स्ट्रक्चर वापरल्याने अल्गोरिदमची कार्यक्षमता लक्षणीयरीत्या सुधारू शकते. तद्वतच, आपण सर्वांनी आपल्या शाळांमध्ये डेटा स्ट्रक्चर्स आणि अल्गोरिदमबद्दल शिकले पाहिजे, परंतु हे क्वचितच कव्हर केले जाते. कोणत्याही परिस्थितीत, परिचित होण्यासाठी कधीही उशीर झालेला नाही.
त्यामुळे डेटा स्ट्रक्चर्स आणि अल्गोरिदम शिकण्यासाठी माझे आवडते विनामूल्य कोर्स येथे आहेत:

• साध्या ते जटिल पर्यंत: डेटा स्ट्रक्चर्स (Udemy)
• अल्गोरिदम, भाग I (कोर्सेरा)
• अल्गोरिदम, भाग II (कोर्सेरा)

तसेच अल्गोरिदमवरील थॉमस कॉर्मनच्या उत्कृष्ट कार्याबद्दल विसरू नका - अल्गोरिदमचा परिचय. जेव्हा तुम्हाला तुमची स्मृती रीफ्रेश करायची असते तेव्हा हा परिपूर्ण संदर्भ असतो.

• तुमची कौशल्ये सुधारण्यासाठी, वापरा लीटकोड.

तुम्ही यूट्यूबवर कार्नेगी मेलॉन युनिव्हर्सिटीच्या आश्चर्यकारक व्हिडिओंसह डेटाबेसच्या जगात देखील जाऊ शकता:

• डेटाबेस सिस्टमचा परिचय.
• प्रगत डेटाबेस प्रणाली.

2. SQL शिका

आपले संपूर्ण जीवन डेटा आहे. आणि डेटाबेसमधून हा डेटा काढण्यासाठी, तुम्हाला तीच भाषा "बोलणे" आवश्यक आहे.

SQL (स्ट्रक्चर्ड क्वेरी लँग्वेज) ही डेटा डोमेनमधील संवादाची भाषा आहे. कोणी काय म्हणतो याची पर्वा न करता, SQL जगला आहे, जिवंत आहे आणि खूप काळ जगेल.

तुम्‍ही प्रदीर्घ काळापासून विकासात असल्‍यास, तुम्‍हाला कदाचित लक्षात आले असेल की एसक्यूएलच्‍या मृत्यूबद्दलच्या अफवा अधूनमधून पॉप अप होत आहेत. ही भाषा 70 च्या दशकाच्या सुरुवातीस विकसित झाली होती आणि अजूनही विश्लेषक, विकसक आणि फक्त उत्साही लोकांमध्ये ती खूप लोकप्रिय आहे.
SQL च्या ज्ञानाशिवाय डेटा अभियांत्रिकीमध्ये काहीही करायचे नाही कारण डेटा पुनर्प्राप्त करण्यासाठी तुम्हाला अपरिहार्यपणे क्वेरी तयार करावी लागतील. सर्व आधुनिक मोठे डेटा वेअरहाऊस SQL ​​चे समर्थन करतात:

• अ‍ॅमेझॉन रेडशिफ्ट
• एचपी व्हर्टीका
• ओरॅकल
• SQL सर्व्हर

... आणि इतर अनेक.

HDFS सारख्या वितरीत प्रणालींमध्ये संचयित केलेल्या डेटाच्या मोठ्या स्तराचे विश्लेषण करण्यासाठी, SQL इंजिनचा शोध लावला गेला: Apache Hive, Impala, इ. पहा, ते कुठेही जात नाही.

एसक्यूएल कसे शिकायचे? फक्त सराव मध्ये करा.

हे करण्यासाठी, मी एक उत्कृष्ट ट्यूटोरियल तपासण्याची शिफारस करतो, जे, मार्गाने, विनामूल्य आहे मोड विश्लेषण.

1. इंटरमीडिएट एसक्यूएल
2. SQL मध्ये डेटा सामील होत आहे

या अभ्यासक्रमांना विशेष काय बनवते ते म्हणजे त्यांच्यात परस्परसंवादी वातावरण आहे जेथे तुम्ही तुमच्या ब्राउझरमध्ये SQL क्वेरी लिहू आणि चालवू शकता. संसाधन आधुनिक एसक्यूएल अनावश्यक होणार नाही. आणि आपण हे ज्ञान लागू करू शकता लीटकोड कार्ये डेटाबेस विभागात.

3. पायथन आणि Java/Scala मध्ये प्रोग्रामिंग

आपण पायथन प्रोग्रामिंग भाषा का शिकली पाहिजे, मी लेखात आधीच लिहिले आहे AI, ML आणि डेटा सायन्ससाठी सर्वोत्तम साधन निवडणे Python vs R. जेव्हा Java आणि Scala चा विचार केला जातो, तेव्हा मोठ्या प्रमाणात डेटा संग्रहित आणि प्रक्रिया करण्यासाठी बहुतेक साधने या भाषांमध्ये लिहिलेली असतात. उदाहरणार्थ:

• अपाचे काफ्का (स्काला)
• हडूप, एचडीएफएस (जावा)
• अपाचे स्पार्क (स्काला)
• अपाचे कॅसॅन्ड्रा (जावा)
• HBase (Java)
• अपाचे पोळे (जावा)

ही साधने कशी कार्य करतात हे समजून घेण्यासाठी, आपल्याला ते ज्या भाषांमध्ये लिहिलेले आहेत ते माहित असणे आवश्यक आहे. स्कालाचा कार्यात्मक दृष्टीकोन तुम्हाला समांतर डेटा प्रोसेसिंग समस्या प्रभावीपणे सोडविण्यास अनुमती देतो. पायथन, दुर्दैवाने, वेग आणि समांतर प्रक्रियेचा अभिमान बाळगू शकत नाही. सर्वसाधारणपणे, समस्या सोडवण्याच्या दृष्टीकोनांच्या रुंदीसाठी अनेक भाषा आणि प्रोग्रामिंग पॅराडाइम्सचे ज्ञान चांगले आहे.

स्काला भाषेत जाण्यासाठी, आपण वाचू शकता स्काला मध्ये प्रोग्रामिंग भाषेच्या लेखकाकडून. ट्विटरने एक चांगला परिचय मार्गदर्शक देखील प्रकाशित केला आहे - स्काला शाळा.

पायथनसाठी, माझा विश्वास आहे अस्खलित पायथन सर्वोत्तम मध्यम स्तरावरील पुस्तक.

4. मोठ्या डेटासह कार्य करण्यासाठी साधने

मोठ्या डेटाच्या जगात सर्वात लोकप्रिय साधनांची यादी येथे आहे:

• अपाचे स्पार्क
• अपाचे काफ्का
• अपाचे हडूप (HDFS, HBase, Hive)
• अपाचे कॅसंद्रा

आपण या आश्चर्यकारक मध्ये मोठ्या डेटा ब्लॉक्स तयार बद्दल अधिक माहिती शोधू शकता परस्परसंवादी वातावरण. स्पार्क आणि काफ्का ही सर्वात लोकप्रिय साधने आहेत. ते निश्चितपणे अभ्यास करण्यासारखे आहेत, ते आतून कसे कार्य करतात हे समजून घेणे उचित आहे. जे क्रेप्स (काफ्काचे सह-लेखक) यांनी 2013 मध्ये एक स्मारक काम प्रकाशित केले लॉग: प्रत्येक सॉफ्टवेअर डेव्हलपरला रीअल-टाइम डेटा एकत्रीकरणाबद्दल काय माहित असले पाहिजेतसे, या तालमूडमधील मुख्य कल्पना अपाचे काफ्का तयार करण्यासाठी वापरल्या गेल्या.

• हडूपची ओळख होऊ शकते मास्टरिंग हडूपसाठी संपूर्ण मार्गदर्शक (विनामूल्य).
• माझ्यासाठी अपाचे स्पार्कसाठी सर्वात व्यापक मार्गदर्शक आहे - स्पार्क: संपूर्ण मार्गदर्शक.

5. क्लाउड प्लॅटफॉर्म

डेटा अभियंता पदासाठी अर्जदारांच्या मूलभूत आवश्यकतांच्या यादीत किमान एका क्लाउड प्लॅटफॉर्मचे ज्ञान असणे आवश्यक आहे. नियोक्ते Amazon वेब सेवांना प्राधान्य देतात, Google चे क्लाउड प्लॅटफॉर्म दुसऱ्या स्थानावर आणि Microsoft Azure पहिल्या तीन क्रमांकावर आहे.

तुम्हाला Amazon EC2, AWS Lambda, Amazon S3, DynamoDB चे चांगले ज्ञान असणे आवश्यक आहे.

6. वितरित प्रणाली

मोठ्या डेटासह कार्य करणे म्हणजे स्वतंत्रपणे कार्यरत संगणकांच्या क्लस्टरची उपस्थिती सूचित करते, ज्या दरम्यान संप्रेषण नेटवर्कद्वारे केले जाते. क्लस्टर जितका मोठा असेल तितका त्याच्या सदस्य नोड्सच्या अपयशाची शक्यता जास्त. एक उत्तम डेटा शास्त्रज्ञ होण्यासाठी, तुम्हाला वितरित प्रणालींसाठी समस्या आणि विद्यमान उपाय समजून घेणे आवश्यक आहे. हा परिसर जुना आणि गुंतागुंतीचा आहे.

अँड्र्यू टेनेनबॉम हे या क्षेत्रातील अग्रणी मानले जातात. ज्यांना सिद्धांताची भीती वाटत नाही त्यांच्यासाठी मी त्याच्या पुस्तकाची शिफारस करतो "वितरित प्रणाली", नवशिक्यांसाठी हे कठीण वाटू शकते, परंतु ते खरोखरच तुमची कौशल्ये सुधारण्यास मदत करेल.

मला वाटते मार्टिन क्लेपमन द्वारे डेटा-केंद्रित अनुप्रयोगांची रचना करणे सर्वोत्तम परिचयात्मक पुस्तक. तसे, मार्टिनकडे एक अद्भुत आहे ब्लॉग. त्याचे कार्य बिग डेटा संचयित करण्यासाठी आणि त्यावर प्रक्रिया करण्यासाठी आधुनिक पायाभूत सुविधा तयार करण्याबद्दलचे ज्ञान व्यवस्थित करण्यात मदत करेल.
ज्यांना व्हिडिओ पहायला आवडते त्यांच्यासाठी युट्युबवर एक कोर्स आहे संगणक प्रणाली वितरित.

7. डेटा पाइपलाइन

डेटा पाइपलाइन अशी गोष्ट आहे जी तुम्ही डेटा अभियंता असल्याशिवाय राहू शकत नाही.

बहुतेक वेळा, डेटा अभियंता तथाकथित डेटा पाइपलाइन तयार करतो, म्हणजेच तो एका ठिकाणाहून दुसऱ्या ठिकाणी डेटा वितरीत करण्यासाठी प्रक्रिया तयार करतो. या सानुकूल स्क्रिप्ट असू शकतात ज्या बाह्य सेवेच्या API वर जातात किंवा SQL क्वेरी करतात, डेटा वाढवतात आणि केंद्रीकृत स्टोअर (डेटा वेअरहाऊस) किंवा असंरचित डेटा स्टोअर (डेटा तलाव) मध्ये ठेवतात.

थोडक्यात: डेटा इंजिनिअरसाठी मूलभूत चेकलिस्ट

सारांश देण्यासाठी, खालील गोष्टींची चांगली समज असणे आवश्यक आहे:

• माहिती प्रणाली;
• सॉफ्टवेअर डेव्हलपमेंट (Agile, DevOps, Design Techniques, SOA);
• वितरित प्रणाली आणि समांतर प्रोग्रामिंग;
• डेटाबेस मूलभूत तत्त्वे - नियोजन, डिझाइन, ऑपरेशन आणि समस्यानिवारण;
• प्रयोगांची रचना - संकल्पना सिद्ध करण्यासाठी A/B चाचण्या, विश्वासार्हता, सिस्टम कार्यप्रदर्शन निश्चित करणे आणि चांगले उपाय त्वरीत वितरीत करण्यासाठी विश्वासार्ह मार्ग विकसित करणे.

डेटा अभियंता होण्यासाठी या फक्त काही आवश्यकता आहेत, त्यामुळे डेटा सिस्टम, माहिती प्रणाली, सतत वितरण/उपयोजन/एकीकरण, प्रोग्रामिंग भाषा आणि इतर संगणक विज्ञान विषय (सर्व विषय क्षेत्र नाहीत) जाणून घ्या आणि समजून घ्या.

आणि शेवटी, शेवटची पण अतिशय महत्त्वाची गोष्ट मला सांगायची आहे.

डेटा अभियांत्रिकी बनण्याचा मार्ग वाटतो तितका सोपा नाही. तो क्षमा करत नाही, तो निराश करतो आणि यासाठी तुम्ही तयार असले पाहिजे. या प्रवासातील काही क्षण तुम्हाला हार मानण्यास प्रवृत्त करतात. पण हे खरे काम आणि शिकण्याची प्रक्रिया आहे.

फक्त सुरुवातीपासून साखरेचा कोट करू नका. प्रवासाचा संपूर्ण मुद्दा म्हणजे शक्य तितके शिकणे आणि नवीन आव्हानांसाठी तयार असणे.
हे एक उत्तम चित्र आहे जे मला समोर आले आहे जे या मुद्द्याला चांगले स्पष्ट करते:

आणि हो, बर्नआउट आणि विश्रांती टाळण्याचे लक्षात ठेवा. हे देखील खूप महत्वाचे आहे. शुभेच्छा!

मित्रांनो तुम्हाला लेखाबद्दल काय वाटते? आम्ही तुम्हाला आमंत्रित करतो विनामूल्य वेबिनार, जे आज 20.00 वाजता होईल. वेबिनार दरम्यान, आम्ही एका छोट्या कंपनीसाठी किंवा स्टार्टअपसाठी कमीत कमी खर्चात प्रभावी आणि स्केलेबल डेटा प्रोसेसिंग सिस्टम कशी तयार करावी याबद्दल चर्चा करू. सराव म्हणून, आम्ही Google क्लाउड डेटा प्रोसेसिंग टूल्सशी परिचित होऊ. पुन्हा भेटू!

स्त्रोत: www.habr.com