व्यवसाय डेटा अभियंता मिळविण्यासाठी लेव्हलिंग योजना

गेल्या आठ वर्षांपासून मी प्रोजेक्ट मॅनेजर म्हणून काम करत आहे (मी कामावर कोड लिहित नाही), ज्याचा स्वाभाविकपणे माझ्या तांत्रिक बॅकएंडवर नकारात्मक परिणाम होतो. मी माझे तांत्रिक अंतर बंद करून डेटा इंजिनीअरचा व्यवसाय करण्याचा निर्णय घेतला. डेटा इंजिनिअरचे मुख्य कौशल्य म्हणजे डेटा वेअरहाऊस डिझाइन करणे, तयार करणे आणि त्यांची देखभाल करणे.

मी एक प्रशिक्षण योजना बनवली आहे, मला वाटते की ते केवळ माझ्यासाठीच उपयुक्त नाही. योजना स्वयं-अभ्यास अभ्यासक्रमांवर केंद्रित आहे. रशियन भाषेतील विनामूल्य अभ्यासक्रमांना प्राधान्य दिले जाते.

विभाग:

• अल्गोरिदम आणि डेटा संरचना. की विभाग. ते शिका आणि इतर सर्व काही कार्य करेल. कोडवर आपले हात मिळवणे आणि मूलभूत संरचना आणि अल्गोरिदम वापरणे महत्वाचे आहे.
• डेटाबेस आणि डेटा वेअरहाऊस, व्यवसाय बुद्धिमत्ता. आम्ही अल्गोरिदममधून डेटा स्टोरेज आणि प्रोसेसिंगकडे जात आहोत.
• हडूप आणि बिग डेटा. जेव्हा हार्ड ड्राइव्हवर डेटाबेस समाविष्ट केला जात नाही, किंवा जेव्हा डेटाचे विश्लेषण करणे आवश्यक असते, परंतु एक्सेल यापुढे त्यांना लोड करू शकत नाही, तेव्हा मोठा डेटा सुरू होतो. माझ्या मते, आधीच्या दोन भागांचा सखोल अभ्यास केल्यानंतरच या विभागात जाणे आवश्यक आहे.

अल्गोरिदम आणि डेटा संरचना

माझ्या योजनेत, मी पायथन शिकणे, गणिताच्या मूलभूत गोष्टींची पुनरावृत्ती करणे आणि अल्गोरिदमीकरण समाविष्ट केले.

• पायथन मध्ये प्रोग्रामिंग
• पायथन: मूलभूत आणि अनुप्रयोग
• रेखीय बीजगणित
• स्वतंत्र गणितावर लिकबेझ
• अल्गोरिदम: सिद्धांत आणि सराव. पद्धती
• अल्गोरिदम: सिद्धांत आणि सराव. डेटा स्ट्रक्चर्स

डेटाबेस आणि डेटा वेअरहाऊस, व्यवसाय बुद्धिमत्ता

• पुस्तक: मार्टिन क्लेपमन - उच्च लोड केलेले अनुप्रयोग. प्रोग्रामिंग, स्केलिंग, समर्थन. पुस्तकात विविध डेटा मॉडेल कसे कार्य करतात, त्यांची आतून अंमलबजावणी, मर्यादा आणि कार्यावर अवलंबून असलेल्या निवडींचे वर्णन केले आहे.
• डेटाबेसचा परिचय
• DBMS मध्ये जा
• नॉन-रिलेशनल डेटाबेसचा परिचय

डेटा वेअरहाऊस, ETL, OLAP क्यूब्स बनवण्याशी संबंधित विषय हे टूल्सवर जास्त अवलंबून आहेत, म्हणून मी या डॉक्युमेंटमधील कोर्सेसची लिंक देत नाही. विशिष्ट कंपनीमध्ये विशिष्ट प्रकल्पावर काम करताना अशा प्रणालींचा अभ्यास करणे उचित आहे. ईटीएलच्या ओळखीसाठी, तुम्ही प्रयत्न करू शकता कॅलेंडर किंवा वायुप्रवाह.

माझ्या मते, आधुनिक डेटा व्हॉल्ट डिझाइन पद्धतीचा अभ्यास करणे महत्त्वाचे आहे दुवा 1, दुवा 2. आणि ते शिकण्याचा सर्वोत्तम मार्ग म्हणजे ते घेणे आणि सोप्या उदाहरणासह त्याची अंमलबजावणी करणे. GitHub वर अनेक डेटा व्हॉल्ट अंमलबजावणी उदाहरणे आहेत ссылка. द मॉडर्न डेटा वेअरहाऊस बुक: हॅन्स हल्टग्रेनच्या डेटा व्हॉल्टसह एजाइल डेटा वेअरहाऊसचे मॉडेलिंग.

अंतिम वापरकर्त्यांसाठी बिझनेस इंटेलिजन्स टूल्सशी परिचित होण्यासाठी, तुम्ही रिपोर्ट्स, डॅशबोर्ड, मिनी डेटा वेअरहाऊस पॉवर बीआय डेस्कटॉपचे विनामूल्य डिझाइनर वापरू शकता. शैक्षणिक साहित्य: दुवा 1, दुवा 2.

हडूप आणि बिग डेटा

• तुम्हाला तृतीय-पक्ष लायब्ररीशिवाय MapReduce च्या स्वतंत्र अंमलबजावणीसह प्रारंभ करणे आवश्यक आहे. हे भविष्यात मल्टीथ्रेड केलेल्या अंमलबजावणीची अधिक चांगल्या प्रकारे समजून घेण्यास अनुमती देईल. Python मध्ये एक उत्कृष्ट उदाहरण वर्णन केले आहे येथे.
• हडूप. मोठ्या प्रमाणात डेटावर प्रक्रिया करण्यासाठी सिस्टम.
• बिग डेटा इंजिनिअरिंगचा परिचय

निष्कर्ष

तुम्ही जे काही शिकता ते कामावर लागू करता येत नाही. म्हणून, आपल्याला पदवी प्रकल्पाची आवश्यकता आहे ज्यामध्ये आपण नवीन ज्ञान लागू करण्याचा प्रयत्न कराल.

प्लॅनमध्ये डेटा अॅनालिसिस आणि मशीन लर्निंगशी संबंधित कोणतेही विषय नाहीत. हे डेटा सायंटिस्ट व्यवसायाला अधिक लागू होते. AWS ढग, Azure शी संबंधित कोणतेही विषय नाहीत. या थीम प्लॅटफॉर्मच्या निवडीवर जास्त अवलंबून आहेत.

समाजाला प्रश्न:
माझी लेव्हलिंग योजना किती पुरेशी आहे? काय काढायचे किंवा जोडायचे?
थीसिस म्हणून तुम्ही कोणत्या प्रकल्पाची शिफारस कराल?

स्त्रोत: www.habr.com