Data Warehousing on AWS

Data Warehousing auf AWS führt Sie 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. Dieser Kurs demonstriert, wie Daten für das Data Warehouse mithilfe anderer AWS-Services wie Amazon DynamoDB, Amazon EMR, Amazon Kinesis Firehose und Amazon S3 gesammelt, gespeichert und vorbereitet werden. Zudem wird demonstriert, wie Sie Business-Intelligence-Tools für Ihre Datenanalysen nutzen können.

Nach Abschluss dieses Trainings werden die Teilnehmer*innen in der Lage sein:

• Diskutieren Sie die Kernkonzepte von Data Warehousing und die Überschneidung zwischen Data Warehousing und Big Data-Lösungen.
• Starten eines Amazon Redshift-Clusters und Verwenden der Komponenten, Merkmale und Funktionen zur Implementierung eines Data Warehouse in der Cloud
• Verwendung anderer AWS-Daten- und Analyseservices wie Amazon DynamoDB, Amazon EMR, Amazon Kinesis und Amazon S3, um zur Data-Warehousing-Lösung beizutragen
• Architektur des Data Warehouse
• Identifizieren von Leistungsproblemen, Optimieren von Abfragen und Abstimmen der Datenbank für eine bessere Leistung
• Verwendung von Amazon Redshift Spectrum zur Analyse von Daten direkt aus einem Amazon S3-Bucket
• Verwendung von Amazon QuickSight zur Durchführung von Datenanalyse- und Visualisierungsaufgaben mit dem Data Warehouse

 

• .... Zur Videobeschreibung

Day One 

Module 1: Introduction to Data Warehousing

• Relational databases
• Data warehousing concepts
• The intersection of data warehousing and big data Overview of data management in AWS
• Hands-on lab 1: Introduction to Amazon Redshift 

Module 2: Introduction to Amazon Redshift

• Conceptual overview
• Real-world use cases
• Hands-on lab 2: Launching an Amazon Redshift cluster

Module 3: Launching clusters

• Building the cluster
• Connecting to the cluster
• Controlling access
• Database security
• Load data
• Hands-on lab 3: Optimizing database schemas

Day Two 

Module 4: Designing the database schema

• Schemas and data types
• Columnar compression
• Data distribution styles
• Data sorting methods 

Module 5: Identifying data sources

• Data sources overview
• Amazon S3
• Amazon DynamoDB
• Amazon EMR
• Amazon Kinesis Data Firehose
• AWS Lambda Database Loader for Amazon Redshift
• Hands-on lab 4: Loading real-time data into an Amazon Redshift database 

Module 6: Loading data

• Preparing Data
• Loading data using COPY
• Maintaining tables
• Concurrent write operations
• Troubleshooting load issues
• Hands-on lab 5: Loading data with the COPY command

Day Three


Module 7: Writing queries and tuning for performance

• Amazon Redshift SQL
• User-Defined Functions (UDFs)
• Factors that affect query performance
• The EXPLAIN command and query plans
• Workload Management (WLM)
• Hands-on lab 6: Configuring workload management

Module 8: Amazon Redshift Spectrum

• Amazon Redshift Spectrum
• Configuring data for Amazon Redshift Spectrum Amazon Redshift Spectrum Queries
• Hands-on lab 7: Using Amazon Redshift Spectrum

Module 9: Maintaining clusters

• Audit logging
• Performance monitoring
• Events and notifications
• Lab 8: Auditing and monitoring clusters
• Resizing clusters
• Backing up and restoring clusters
• Resource tagging and limits and constraints
• Hands-on lab 9: Backing up, restoring and resizing clusters

Module 10: Analyzing and visualizing data

• Power of visualizations
• Building dashboards
• Amazon QuickSight editions and features

• Datenbankarchitekt*innen
• Datenbankadministrator*innen
• Datenbankentwickler*innen
• Datenanalyst*innen und Informatiker*innen

• Vertrautheit mit relationalen Datenbanken und Datenbankentwurfskonzepten