Data Engineering on Google Cloud Platform

Eğitim Hakkında

BigQuery, Bigtable ve Cloud SQL ekseninde uygulamalı Google Cloud eğitimi

Veri mühendisliği rolünün GCP karşılığını kapsar: Cloud SQL, Spanner, Firestore ve Bigtable arasında depolama seçimi, BigQuery SQL ve bölümleme, Beam/Dataflow ile pipeline geliştirme, Pub/Sub ile akış verisi, Dataproc ve Composer ile orkestrasyon; ayrıca CMEK, DLP ve VPC Service Controls ile güvenlik, Vertex AI ile ML entegrasyonu işlenir.

Süre ve Format

4 Gün. Her gün dört modül; her modülde altı teknik başlık, BigQuery, Dataflow ve Pub/Sub laboratuvarları ile desteklenir.

Seviye

İleri Seviye — BigQuery, Bigtable, Cloud SQL ve Dataflow dahil uçtan uca teknik yelpaze

Öğrenme Metodu

Her modül BigQuery, Dataflow ve Pub/Sub laboratuvarları üzerinde yönlendirmeli uygulamayla pekiştirilir; katılımcılar komut, sorgu ve yapılandırmaları adım adım kendi projelerinde çalıştırır.

Neden Bu Eğitim?

🎯Konuya Özgü İçerik

BigQuery, Bigtable ve Cloud SQL gibi sahada karşılaşılan bileşenler komut ve yapılandırma düzeyinde ele alınır.

🛠️Uygulamalı Laboratuvar

Her modül BigQuery, Dataflow ve Pub/Sub laboratuvarları ile pekiştirilir; katılımcılar öğrendiklerini kendi projelerinde çalıştırır.

📈Üretime Dönük Bakış

Dataflow, Pub/Sub ve Vertex AI konularında performans, güvenlik ve maliyet ödünleşimleri gerçek senaryolarla tartışılır.

Anahtar Konular

Data Engineering on Google Cloud Platform EğitimiData Engineering on Google Cloud PlatformBigQueryBigtableCloud SQLDataflowPub/SubVertex AIGoogle Cloud eğitimiGCP eğitimiDigital Vizyon Akademi

“BigQuery doğru tasarlandığında veri, yük olmaktan çıkar ve karar hızına dönüşür.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

SQL Temeli

SELECT, JOIN ve GROUP BY düzeyinde SQL bilgisi eğitimde yazılacak sorguları rahat takip etmenizi sağlar.

2

Veri Kavramları

ETL/ELT, veri ambarı ve batch ile streaming ayrımı hakkında temel bilgi önerilir.

3

Python Okuryazarlığı

Beam ve Spark örneklerini okuyabilecek kadar Python ya da Java bilgisi faydalıdır.

4

Laboratuvar Ortamı

Google Cloud hesabı, güncel tarayıcı ve Cloud Shell erişimi olan internet bağlantılı bir bilgisayar gerekir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı, google Cloud Kaynak Hiyerarşisi ve Konsol, cloud Storage Yönetimi, yarı Yapılandırılmış Veri: Firestore, Bigtable ve Memorystore ve oLTP Depolama: Cloud SQL, AlloyDB ve Spanner konularını laboratuvar senaryolarında uygulayarak günün çıktısını kendi ortamında yeniden üretebilir.

Modül 1

Google Cloud Kaynak Hiyerarşisi ve Konsol

Organization, Folder ve Project hiyerarşisinin politika ve fatura mirasına etkisi
Cloud Shell, gcloud CLI yapılandırmaları (gcloud config configurations) ve proje seçimi
API etkinleştirme, servis kotaları ve kota artış talepleri
Billing account bağlama, proje yaşam döngüsü ve silinen projeyi geri alma süreci
Bölge (region), zon ve multi-region kavramları ile veri konumu kararları
Etiket (label), network tag ve Resource Manager tag farkları

Modül 2

Cloud Storage Yönetimi

Standard, Nearline, Coldline ve Archive depolama sınıfları ile maliyet etkisi
Object lifecycle yönetimi, versioning ve retention policy / bucket lock
Uniform bucket-level access, ACL ve signed URL ile erişim kontrolü
gsutil ve gcloud storage ile paralel yükleme, rsync ve composite upload
Pub/Sub bildirimleri ve Eventarc ile nesne olaylarına tepki
Storage Transfer Service ve çok bölgeli (dual-region) bucket tasarımı

Modül 3

Yarı Yapılandırılmış Veri: Firestore, Bigtable ve Memorystore

Firestore belge/koleksiyon modeli, dizinler ve güvenlik kuralları
Bigtable düğüm, tablet ve satır anahtarı (row key) tasarımı; hotspot önleme
Bigtable column family, garbage collection ve replikasyon profilleri
JSON verinin BigQuery JSON tipi ile saklanması ve JSON_VALUE / JSON_QUERY sorguları
Memorystore for Redis ve Memcached ile önbellekleme
Veri modeli seçimi: geniş sütunlu, belge ve anahtar-değer kullanım senaryoları

Modül 4

OLTP Depolama: Cloud SQL, AlloyDB ve Spanner

Cloud SQL (MySQL, PostgreSQL, SQL Server) yüksek erişilebilirlik ve okuma kopyaları
Otomatik yedekleme, point-in-time recovery ve bakım pencereleri
AlloyDB mimarisi, kolonar motor ve okuma havuzu
Cloud Spanner: global tutarlılık, TrueTime, interleaved tablo ve birincil anahtar tasarımı
Bağlantı yöntemleri: Cloud SQL Auth Proxy, private IP ve bağlantı havuzu
İş yüküne göre veritabanı seçim ölçütleri ve maliyet karşılaştırması

Günün hedefiKatılımcı, bigQuery Mimarisi ve Temel Kavramlar, bigQuery Standard SQL ve İleri Sorgular, bigQuery Depolama Tasarımı: Bölümleme ve Kümeleme ve bigQuery'ye Veri Yükleme ve Dış Kaynaklar konularını laboratuvar senaryolarında uygulayarak günün çıktısını kendi ortamında yeniden üretebilir.

Modül 1

BigQuery Mimarisi ve Temel Kavramlar

Dremel yürütme motoru, Colossus depolama ve Capacitor sütunlu format yapısı
Hesaplama ile depolamanın ayrılması ve slot kavramı
Dataset, table, view ve routine nesneleri ile proje/dataset/tablo adlandırması
On-demand fiyatlandırma ile BigQuery Editions (Standard, Enterprise, Enterprise Plus) farkı
bq CLI, Console ve istemci kütüphaneleri ile iş (job) çalıştırma
Sandbox kullanımı, ücretsiz katman limitleri ve kota yönetimi

Modül 2

BigQuery Standard SQL ve İleri Sorgular

Standard SQL ile JOIN, GROUP BY, HAVING ve alt sorgu (subquery) kalıpları
ARRAY, STRUCT ve UNNEST ile iç içe/tekrarlı alanların sorgulanması
Pencere (window) fonksiyonları: ROW_NUMBER, LAG, SUM() OVER (PARTITION BY ...)
WITH ifadeleri (CTE), geçici tablolar ve scripting (DECLARE, LOOP, EXECUTE IMMEDIATE)
Kullanıcı tanımlı fonksiyonlar (SQL ve JavaScript UDF) ile procedure yazımı
Zamanlanmış sorgular (scheduled queries) ve parametreli sorgular

Modül 3

BigQuery Depolama Tasarımı: Bölümleme ve Kümeleme

Zaman birimi (time-unit), ingestion-time ve tamsayı aralığı (integer range) bölümleme
Clustering sütunlarının seçimi ve sıralamanın taranan veri miktarına etkisi
Partition expiration, require partition filter ve tablo yaşam döngüsü
Denormalizasyon, iç içe/tekrarlı şemalar ve star schema karşılaştırması
Materialized view'ler ve otomatik yenileme davranışı
Time travel, tablo snapshot'ları ve table clone ile veri koruma

Modül 4

BigQuery'ye Veri Yükleme ve Dış Kaynaklar

Load job ile CSV, JSON, Avro, Parquet ve ORC dosyalarının yüklenmesi
Storage Write API ve eski streaming insert yöntemlerinin karşılaştırması
Harici tablolar (external table), BigLake tabloları ve Hive bölümlü veri
Federated query ile Cloud SQL, Spanner ve Bigtable kaynaklarına sorgu
BigQuery Data Transfer Service ile SaaS ve Cloud Storage zamanlanmış aktarımı
Şema otomatik algılama, şema evrimi ve hatalı kayıt yönetimi (max bad records)

Günün hedefiKatılımcı, dataflow ve Apache Beam ile Veri İşleme, pub/Sub ile Mesajlaşma, dataproc ile Hadoop ve Spark İşleme ve cloud Composer ile İş Akışı Orkestrasyonu konularını laboratuvar senaryolarında uygulayarak günün çıktısını kendi ortamında yeniden üretebilir.

Modül 1

Dataflow ve Apache Beam ile Veri İşleme

Beam programlama modeli: Pipeline, PCollection, PTransform ve ParDo
GroupByKey, CombinePerKey, Side Input ve yan çıktılar (tagged outputs)
Windowing türleri: fixed, sliding, session ve global pencere
Event time, watermark, trigger ve geç gelen veri (allowed lateness) yönetimi
Dataflow Runner ile iş başlatma, autoscaling, Streaming Engine ve Shuffle servisi
Classic ve Flex Template ile yeniden kullanılabilir pipeline dağıtımı

Modül 2

Pub/Sub ile Mesajlaşma

Topic, subscription ve mesaj yaşam döngüsü; at-least-once teslimat semantiği
Pull, push ve BigQuery / Cloud Storage subscription türleri
Ack deadline, yeniden deneme politikası ve dead-letter topic yapılandırması
Message ordering key ve exactly-once delivery kullanım koşulları
Şema (Avro/Protobuf) doğrulama ve mesaj saklama (retention) / seek ile tekrar oynatma
Pub/Sub Lite ve Kafka karşılaştırması, kota ve ölçeklenme

Modül 3

Dataproc ile Hadoop ve Spark İşleme

Dataproc küme mimarisi: master, worker ve preemptible/secondary worker düğümleri
Geçici (ephemeral) küme yaklaşımı ve Cloud Storage connector ile HDFS yerine GCS
Spark job gönderme, PySpark ve Spark SQL ile veri dönüşümü
Autoscaling politikaları ve initialization action ile özelleştirme
Dataproc Serverless for Spark ve Dataproc Metastore
Workflow template ile zincirli iş tanımı ve Hadoop iş yüklerinin GCP'ye taşınması

Modül 4

Cloud Composer ile İş Akışı Orkestrasyonu

Apache Airflow DAG yapısı, task bağımlılıkları ve zamanlama (schedule)
BigQueryInsertJobOperator, DataflowTemplatedJobStartOperator gibi Google operatörleri
Sensör, XCom ve dinamik görev üretimi
Composer 2 ortam boyutlandırma, worker autoscaling ve ağ yapılandırması
Retry, SLA, backfill ve hata bildirimi stratejileri
DAG'lerin Cloud Storage üzerinden dağıtımı ve CI/CD ile test edilmesi

Günün hedefiKatılımcı, akış (Streaming) Mimari Desenleri, veri Güvenliği ve Gizliliği, bigQuery Sorgu Optimizasyonu ve Performans ve vertex AI ve Makine Öğrenmesi Boru Hatları konularını laboratuvar senaryolarında uygulayarak günün çıktısını kendi ortamında yeniden üretebilir.

Modül 1

Akış (Streaming) Mimari Desenleri

Lambda ve Kappa mimarilerinin karşılaştırması ve GCP karşılıkları
Pub/Sub → Dataflow → BigQuery / Bigtable referans mimarisi
Exactly-once işleme, idempotent yazma ve tekilleştirme (dedup) teknikleri
Geç gelen veri, çok bölgeli yedeklilik ve replay stratejileri
Gerçek zamanlı kullanıcı etkinliği, IoT telemetri ve log analitiği kullanım senaryoları
Gecikme, verim (throughput) ve maliyet ödünleşimleri

Modül 2

Veri Güvenliği ve Gizliliği

Cloud KMS, CMEK ve anahtar döndürme (key rotation) politikaları
VPC Service Controls ile veri sızıntısı çevresi (perimeter) tanımı
Sensitive Data Protection: inspect, de-identify ve tokenization
Secret Manager ile parola ve anahtarların saklanması
Veri kalıcılığı, yedekleme ve KVKK/GDPR kapsamında veri konumu kararları
Audit log ve Security Command Center bulgularının izlenmesi

Modül 3

BigQuery Sorgu Optimizasyonu ve Performans

Query execution graph (sorgu planı) okuma ve aşama (stage) bazlı darboğaz analizi
SELECT * kaçınma, erken filtreleme ve JOIN sıralama teknikleri
Önbellek (cache) davranışı, dry run ve maximum bytes billed sınırı
APPROX_COUNT_DISTINCT gibi yaklaşık fonksiyonlar ve veri çarpıklığı (skew) yönetimi
BI Engine rezervasyonu, search index ve vector index kullanımı
INFORMATION_SCHEMA.JOBS ile pahalı sorguların bulunması

Modül 4

Vertex AI ve Makine Öğrenmesi Boru Hatları

Vertex AI Workbench ve özel eğitim (custom training) işleri
AutoML ve hazır modeller ile hızlı prototipleme
Vertex AI Pipelines (Kubeflow) ile tekrarlanabilir ML iş akışı
Feature Store ve Model Registry kullanımı
Online endpoint, batch prediction ve trafik bölme
Model izleme: veri kayması (drift) ve çarpıklık (skew) tespiti

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Kaynak Hiyerarşisi

Organization, Folder ve Project yapısını doğru kurgulayıp gcloud ile yönetebilirsiniz.

🔧

NoSQL Depolama

Bigtable satır anahtarı ve Firestore modelini erişim desenine göre tasarlayabilirsiniz.

📊

BigQuery Mimarisi

BigQuery'nin depolama-hesaplama ayrımını ve slot modelini açıklayabilirsiniz.

🔐

Depolama Tasarımı

Bölümleme ve kümeleme ile taranan veriyi azaltan tablo şemaları tasarlayabilirsiniz.

🚀

Dataflow ve Beam

Beam ile batch ve streaming pipeline yazıp Dataflow üzerinde çalıştırabilirsiniz.

🧩

Dataproc ve Spark

Spark/Hadoop iş yüklerini geçici Dataproc kümeleriyle çalıştırabilirsiniz.

📈

Streaming Mimarisi

Gerçek zamanlı veri akışı için uçtan uca GCP mimarisi tasarlayabilirsiniz.

🛠️

Sorgu Optimizasyonu

Sorgu planını okuyup maliyet ve süreyi düşüren optimizasyonlar uygulayabilirsiniz.

Kimler İçin Uygundur?

Veri mühendisliğine geçmek isteyen yazılımcılar
DBA'ler
analitik ekipleri için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri mühendisliğine geçmek isteyen yazılımcılar, DBA'ler ve analitik ekipleri için uygundur.

Eğitime katılmak için hangi ön bilgi gerekir?

Temel SQL ve veri kavramları bilgisi önerilir; Beam ve Spark örnekleri için Python ya da Java okuyabilmek faydalıdır. Google Cloud ortamı laboratuvarda birlikte kurulur.

Data Engineering on Google Cloud Platform eğitiminde hangi konular işlenir?

1. gün Kaynak Hiyerarşisi ve Cloud Storage; 2. gün BigQuery Mimarisi ve BigQuery SQL; 3. gün Dataflow ve Beam ve Pub/Sub Mesajlaşma; 4. gün Streaming Mimarisi ve Veri Güvenliği. Ayrıca BigQuery, Bigtable ve Cloud SQL uygulamalı çalışılır.

Eğitim sonunda sertifika veriliyor mu?

Eğitimi tamamlayan katılımcılara Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Eğitim nasıl yürütülür?

Eğitim 4 gündür ve her gün dört modülden oluşur. Anlatımlar BigQuery, Dataflow ve Pub/Sub laboratuvarları ile birleşir; katılımcılar komut, sorgu ve yapılandırmaları kendi ortamlarında çalıştırır.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

DATA ENGINEERING ON GOOGLE CLOUD PLATFORM TRAINING EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

Google Cloud Kaynak Hiyerarşisi ve Konsol

Cloud Storage Yönetimi

Yarı Yapılandırılmış Veri: Firestore, Bigtable ve Memorystore

OLTP Depolama: Cloud SQL, AlloyDB ve Spanner

BigQuery Mimarisi ve Temel Kavramlar

BigQuery Standard SQL ve İleri Sorgular

BigQuery Depolama Tasarımı: Bölümleme ve Kümeleme

BigQuery'ye Veri Yükleme ve Dış Kaynaklar

Dataflow ve Apache Beam ile Veri İşleme

Pub/Sub ile Mesajlaşma

Dataproc ile Hadoop ve Spark İşleme

Cloud Composer ile İş Akışı Orkestrasyonu

Akış (Streaming) Mimari Desenleri

Veri Güvenliği ve Gizliliği

BigQuery Sorgu Optimizasyonu ve Performans

Vertex AI ve Makine Öğrenmesi Boru Hatları

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Bu Eğitimle Birlikte Tercih Edilenler

Google BigQuery Eğitimi

Google BigQuery ile Veri Entegrasyonu Eğitimi

Google Cloud Platform ve BigQuery İlkeleri Eğitimi

Veri Analizi ve SQL ile BigQuery Eğitimi

Advanced GCP: Designing Globally Resilient Cloud Architectures Eğitimi