AWS Data Engineering: สร้างและจัดลำดับการทำงานของ Data Pipeline ยุคใหม่

ในโลกที่ขับเคลื่อนด้วยข้อมูลในปัจจุบัน องค์กรต่าง ๆ ต้องอาศัย Data Pipeline ที่แข็งแกร่งเพื่อเปลี่ยนข้อมูลดิบให้กลายเป็น Insights ที่นำไปใช้งานได้จริง การสร้างระบบเหล่านี้ต้องมีความเข้าใจอย่างถ่องแท้เกี่ยวกับการจัดการโครงสร้างพื้นฐานบนคลาวด์ การจำลองข้อมูล (Data Modeling) และระบบอัตโนมัติของเวิร์กโฟลว์ คอร์สนี้จะแนะนำคุณตลอดกระบวนการออกแบบและการปรับใช้แพลตฟอร์มข้อมูลที่พร้อมใช้งานจริง (Production-ready) บน AWS โดยคุณจะเปลี่ยนผ่านจากการทำความเข้าใจกระบวนทัศน์ของฐานข้อมูลหลัก ไปสู่การสร้างสถาปัตยกรรม Lakehouse ยุคใหม่และการทำเวิร์กโฟลว์อัตโนมัติ พร้อมทั้งได้รับทักษะภาคปฏิบัติที่จำเป็นสำหรับการทำงานเป็น Cloud Data Engineer สิ่งที่คุณจะได้เรียนรู้: - โมเดลข้อมูลอย่างมีประสิทธิภาพในฐานข้อมูลเชิงสัมพันธ์ เอกสาร และกราฟ ซึ่งรวมถึง PostgreSQL, MongoDB และ Neo4j - สร้าง Cloud Data Warehouse โดยใช้ Redshift ออกแบบ Schema แบบมิติที่ปรับให้เหมาะสมและ ETL Pipeline ที่แข็งแกร่ง - ใช้งานสถาปัตยกรรม Lakehouse ยุคใหม่ด้วย S3, Glue, Iceberg และ Athena โดยใช้ Apache Spark เพื่อประมวลผลเลเยอร์ข้อมูล - จัดลำดับและกำหนดเวลาเวิร์กโฟลว์ข้อมูลที่ซับซ้อนโดยใช้ Apache Airflow และ MWAA - ประยุกต์ใช้เทคนิคการตรวจสอบคุณภาพข้อมูลยุคใหม่และแนวคิด Infrastructure as Code พื้นฐาน เพื่อให้มั่นใจในความน่าเชื่อถือของ Pipeline คอร์สนี้เริ่มต้นด้วยแนวคิดพื้นฐานของฐานข้อมูลและกลยุทธ์การจำลองข้อมูล ก่อนที่จะก้าวไปสู่คลาวด์วาร์เฮาส์ สถาปัตยกรรม Lakehouse และการจัดลำดับการทำงานอัตโนมัติ ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรที่ชัดเจน การแบ่งย่อยสถาปัตยกรรม และตัวอย่างโค้ดที่มีโครงสร้าง คุณจะได้เรียนรู้วิธีการออกแบบระบบข้อมูลแบบ End-to-End คอร์สนี้ออกแบบมาสำหรับผู้ที่ต้องการเป็น Data Engineer, นักพัฒนาซอฟต์แวร์ และ Data Analyst ที่ต้องการเปลี่ยนผ่านไปสู่สายงาน Cloud-based Data Engineering โดยไม่ต้องมีประสบการณ์ด้าน AWS หรือ Data Engineering มาก่อน แม้ว่าความเข้าใจพื้นฐานเกี่ยวกับ SQL และ Python จะมีประโยชน์ก็ตาม เริ่มต้นสร้างรากฐาน Cloud Data Engineering ของคุณวันนี้