Data Warehousing on AWS

Dieser Kurs führt dich ein in die Konzepte, Strategien und bewährten Methoden für die Konzeptionierung einer Cloud-basierten Data Warehousing-Lösung mit Amazon Redshift, dem Data Warehouse in AWS in Petabyte-Größe. Es wird demonstriert, wie Daten für das Data Warehouse mithilfe anderer AWS-Services wie Amazon DynamoDB, Amazon EMR, Amazon Kinesis Firehose und Amazon Simple Storage Service (Amazon S3) gesammelt, gespeichert und vorbereitet werden. Wir werden außerdem erläutern, wie du Business-Intelligence-(BI)-Tools zur Analyse deiner Daten einsetzen kannst.

Dieser Kurs ist zusätzlich mit Inhalten des Kurses Building Data Analytics Solutions using Amazon Redshift angereichert

Modul 1: Einführung in Data Warehousing

• Relationale Datenbanken
• Data-Warehousing-Konzepte
• Die Überschneidung von Data Warehousing und Big Data
• Überblick über die Datenverwaltung in AWS
• Praktisches Lab 1: Einführung in Amazon Redshift

Modul 2: Einführung in Amazon Redshift

• Konzeptueller Überblick
• Anwendungsfälle aus der Praxis
• Interaktive Demo 1: Rundgang durch die Amazon-Redshift-Konsole
• Praktisches Lab 2: Starten eines Amazon-Redshift-Clusters
• RA3 Nodes and AQUA-Architektur
• Amazon Redshift ML

Modul 3: Starten von Clustern

• Aufbau des Clusters
• Verbinden mit dem Cluster
• Kontrolle des Zugriffs
• Sicherheit der Datenbank
• Daten laden
• Praktisches Lab 3: Optimieren von Datenbank-Schemata
• Optionales Lab: Starten eines Amazon-Redshift-Cluster

Modul 4: Entwerfen des Datenbankschemas

• Schemas und Datentypen
• Spaltenweise Komprimierung
• Stile der Datenverteilung
• Methoden zur Datensortierung
• Praktisches Lab 3: Optimieren von Datenbank-Schemas

Modul 5: Identifizierung von Datenquellen

• Überblick über Datenquellen
• Amazon S3
• Amazon DynamoDB
• Amazon EMR
• Amazon Kinesis Daten-Firehose
• AWS-Lambda-Datenbanklader für Amazon Redshift
• Redshift Data API
• SUPER Data Type
• Interaktive Demo 2: Verbinden deines Amazon-Redshift-Clusters mit einem Jupyter-Notebook mit Data API
• Interaktive Demo 3: Analyse halbstrukturierter Daten mit dem Datentyp SUPER
• Praktisches Lab 4: Laden von Echtzeitdaten in eine Amazon-Redshift-Datenbank

Modul 6: Laden von Daten

• Vorbereiten von Daten
• Data Warehousing auf AWS
• Laden von Daten mit COPY
• Pflegen von Tabellen
• Gleichzeitige Schreibvorgänge
• Fehlersuche bei Ladeproblemen
• Praktische Übung 5: Laden von Daten mit dem COPY-Befehl

Modul 7: Schreiben von Abfragen und Leistungs-Tuning

• Amazon Redshift SQL
• Benutzerdefinierte Funktionen (UDFs)
• Faktoren, die die Abfrageleistung beeinflussen
• Der EXPLAIN-Befehl und Abfragepläne
• Arbeitslast-Verwaltung (WLM)
• Interaktive Demo 4: Applying mixed workload management on Amazon Redshift
• Praktisches Lab 6: Konfigurieren der Arbeitslastverwaltung

Modul 8: Amazon Redshift Spectrum

• Amazon Redshift Spectrum
• Konfigurieren von Daten für Amazon Redshift Spectrum
• Amazon-Redshift-Spectrum-Abfragen
• Daten-Transformation
• Daten-Sharing
• Übungs-Lab 2: Datenanalyse mit Amazon Redshift Spectrum
• Übungs-Lab 3: Datentransformation und -abfrage in Amazon Redshift
• Praktisches Lab 7: Verwendung von Amazon Redshift Spectrum

Modul 9: Wartung von Clustern

• Audit-Protokollierung
• Leistungsüberwachung
• Ereignisse und Benachrichtigungen
• Praktische Übungen 8: Auditing und Überwachung von Clustern
• Größenänderung von Clustern
• Sichern und Wiederherstellen von Clustern
• Ressourcenkennzeichnung und Grenzen und Beschränkungen
• Praktisches Lab 9: Sichern, Wiederherstellen und Größenänderung von Clustern
• Optional: Daten-Analyse und -Visualisierung

Modul 10: Analysieren und Visualisieren von Daten

• Leistung von Visualisierungen
• Erstellen von Dashboards
• Amazon-QuickSight-Editionen und -Funktionen