Building Data Analytics Solutions Using Amazon Redshift

Überblick über Datenanalyse und die Datenpipeline

• Anwendungsfälle der Datenanalyse
• Einsatz der Datenpipeline in der Analyse

Einsatz von Amazon Redshift in der Datenanalyse-Pipeline

• Warum Amazon Redshift für Data Warehousing?
• Überblick über Amazon Redshift

Einführung in Amazon Redshift

• Architektur von Amazon Redshift
• Überblick über die Amazon Redshift-Konsole
• Redshift-Features und Funktionen
• Laden und Abfragen von Daten in einem Redshift-Cluster

Datenaufnahme und Speicherung

• Ingestion von Daten
• Integration von Amazon Redshift mit Jupyter-Notebooks und der Daten-API
• Datenverteilung und -speicherung
• Arbeiten mit semi-strukturierten Daten (SUPER Data Type)
• Praxisübung: Datenanalyse mit Amazon Redshift Spectrum

Verarbeitung und Optimierung von Daten

• Datentransformationen und erweiterte Abfragen
• Ressourcenmanagement und Optimierung
• Automatisierung von Workflows
• Cluster-Größenanpassung (Resizing) und Performance-Optimierung

Sicherheit und Monitoring von Amazon Redshift-Clustern

• Sicherung von Amazon Redshift-Clustern
• Monitoring und Troubleshooting

Entwicklung von Data Warehouse-Analyse-Lösungen

• Anwendungsfälle und Best Practices für Data Warehouses
• Entwicklung von Workflows für Data Warehouse-Analytik

Entwicklung moderner Datenarchitekturen auf AWS

• Überblick über moderne Datenarchitekturen

• Teilnahme am Seminar AWS Technical Essentials oder Architecting on AWS
• Besuch des KursesBuilding Data Lakes on AWSwird empfohlen

• Data Warehouse Engineers
• Data Platform Engineers
• Architekten
• Betreiber