Building Data Analytics Solutions Using Amazon Redshift

Kursinhalt Module A: Overview of Data Analytics and the Data Pipeline

• Data analytics use cases
• Using the data pipeline for analytics

Module 1: Using Amazon Redshift in the Data Analytics Pipeline

• Why Amazon Redshift for data warehousing?
• Overview of Amazon Redshift

Module 2: Introduction to Amazon Redshift

• Amazon Redshift architecture
• Interactive Demo 1: Touring the Amazon Redshift console
• Amazon Redshift features
• Practice Lab 1: Load and query data in an Amazon Redshift cluster

Module 3: Ingestion and Storage

• Ingestion
• Interactive Demo 2: Connecting your Amazon Redshift cluster using a Jupyter notebook with Data API
• Data distribution and storage Interactive Demo 3: Analyzing semi-structured data using the SUPER data type
• Querying data in Amazon Redshift
• Practice Lab 2: Data analytics using Amazon Redshift Spectrum

Module 4: Processing and Optimizing Data

• Data transformation
• Advanced querying Practice Lab 3: Data transformation and querying in Amazon Redshift
• Resource management
• Interactive Demo 4: Applying mixed workload management on Amazon Redshift
• Automation and optimization
• Interactive demo 5: Amazon Redshift cluster resizing from the dc2.large to ra3.xlplus cluster

Module 5: Security and Monitoring of Amazon Redshift Clusters

• Securing the Amazon Redshift cluster
• Monitoring and troubleshooting Amazon Redshift clusters

Module 6: Designing Data Warehouse Analytics Solutions

• Data warehouse use case review
• Activity: Designing a data warehouse analytics workflow

Module B: Developing Modern Data Architectures on AWS

• Modern data architectures

WICHTIG: Bitte bringen Sie zu unseren Trainings Ihr Notebook (Windows, Linux oder Mac) mit. Wenn dies nicht möglich ist, nehmen Sie bitte mit uns vorher Kontakt auf.

Kursunterlagen sind auf Englisch, auf Wunsch auch auf Deutsch (wenn verfügbar).
Kurssprache ist deutsch, auf Wunsch auch auf Englisch.

• Es sind keine Vorkenntnisse aus IT oder Cloud erforderlich

• Data Warehouse Engineers
• Data Platform Engineers
• Architects und Operators, die Datenanalyse-Pipelines erstellen und verwalten.