Oversikt over relevante kurs innen IT-kurs i Örebro län

Understand the purpose and key concepts of the Service Level Management Practice, elucidating its significance in defining, negotiating, and managing service levels to meet customer expectations. This eLearning is: Interactive Self-paced   Device-friendly   2-3 hours content   Mobile-optimised   Practical exercises   Exam: 20 questions Multiple choise 30 minutes Closed book Minimum required score to pass: 65% [-]

Understand the purpose and key concepts of Deployment Management, highlighting its importance in managing the deployment of new or changed services into the live environment. This eLearning is: Interactive Self-paced   Device-friendly   2-3 hours of content   Mobile-optimised   Exam: 20 questions Multiple choise 30 minutes Closed book Minimum required score to pass: 65% [-]

Understand the key concepts of Relationship Management, Supplier Management, Service Level Management, Continual Improvement, and Information Security Management, elucidating their significance in fostering collaboration, ensuring service quality, driving continual improvement, and maintaining information security. This eLearning is: Interactive Self-paced   Device-friendly   12 hours content   Mobile-optimised   Practical exercises   Exam: 60 questions Multiple choise 90 minutes Closed book Minimum required score to pass: 65% [-]

AZ-1008: Administer Active Directory Domain Services [-]

The students will learn how to interactively explore data stored in files in a data lake. They will learn the various ingestion techniques that can be used to load data using the Apache Spark capability found in Azure Synapse Analytics or Azure Databricks, or how to ingest using Azure Data Factory or Azure Synapse pipelines. The students will also learn the various ways they can transform the data using the same technologies that is used to ingest data. The student will spend time on the course learning how to monitor and analyze the performance of analytical system so that they can optimize the performance of data loads, or queries that are issued against the systems. They will understand the importance of implementing security to ensure that the data is protected at rest or in transit. The student will then show how the data in an analytical system can be used to create dashboards, or build predictive models in Azure Synapse Analytics. After completing this course, students will be able to: Explore compute and storage options for data engineering workloads in Azure Design and Implement the serving layer Understand data engineering considerations Run interactive queries using serverless SQL pools Explore, transform, and load data into the Data Warehouse using Apache Spark Perform data Exploration and Transformation in Azure Databricks Ingest and load Data into the Data Warehouse Transform Data with Azure Data Factory or Azure Synapse Pipelines Integrate Data from Notebooks with Azure Data Factory or Azure Synapse Pipelines Optimize Query Performance with Dedicated SQL Pools in Azure Synapse Analyze and Optimize Data Warehouse Storage Support Hybrid Transactional Analytical Processing (HTAP) with Azure Synapse Link Perform end-to-end security with Azure Synapse Analytics Perform real-time Stream Processing with Stream Analytics Create a Stream Processing Solution with Event Hubs and Azure Databricks Build reports using Power BI integration with Azure Synpase Analytics Perform Integrated Machine Learning Processes in Azure Synapse Analytics Course prerequisites Successful students start this course with knowledge of cloud computing and core data concepts and professional experience with data solutions.Recommended prerequisites:M-DP900 - Microsoft Azure Data FundamentalsM-AZ900 - Microsoft Azure Fundamentals Agenda Module 1: Explore compute and storage options for data engineering workloads This module provides an overview of the Azure compute and storage technology options that are available to data engineers building analytical workloads. This module teaches ways to structure the data lake, and to optimize the files for exploration, streaming, and batch workloads. The student will learn how to organize the data lake into levels of data refinement as they transform files through batch and stream processing. Then they will learn how to create indexes on their datasets, such as CSV, JSON, and Parquet files, and use them for potential query and workload acceleration. Module 2: Design and implement the serving layer This module teaches how to design and implement data stores in a modern data warehouse to optimize analytical workloads. The student will learn how to design a multidimensional schema to store fact and dimension data. Then the student will learn how to populate slowly changing dimensions through incremental data loading from Azure Data Factory. Module 3: Data engineering considerations for source files This module explores data engineering considerations that are common when loading data into a modern data warehouse analytical from files stored in an Azure Data Lake, and understanding the security consideration associated with storing files stored in the data lake. Module 4: Run interactive queries using Azure Synapse Analytics serverless SQL pools In this module, students will learn how to work with files stored in the data lake and external file sources, through T-SQL statements executed by a serverless SQL pool in Azure Synapse Analytics. Students will query Parquet files stored in a data lake, as well as CSV files stored in an external data store. Next, they will create Azure Active Directory security groups and enforce access to files in the data lake through Role-Based Access Control (RBAC) and Access Control Lists (ACLs). Module 5: Explore, transform, and load data into the Data Warehouse using Apache Spark This module teaches how to explore data stored in a data lake, transform the data, and load data into a relational data store. The student will explore Parquet and JSON files and use techniques to query and transform JSON files with hierarchical structures. Then the student will use Apache Spark to load data into the data warehouse and join Parquet data in the data lake with data in the dedicated SQL pool. Module 6: Data exploration and transformation in Azure Databricks This module teaches how to use various Apache Spark DataFrame methods to explore and transform data in Azure Databricks. The student will learn how to perform standard DataFrame methods to explore and transform data. They will also learn how to perform more advanced tasks, such as removing duplicate data, manipulate date/time values, rename columns, and aggregate data. Module 7: Ingest and load data into the data warehouse This module teaches students how to ingest data into the data warehouse through T-SQL scripts and Synapse Analytics integration pipelines. The student will learn how to load data into Synapse dedicated SQL pools with PolyBase and COPY using T-SQL. The student will also learn how to use workload management along with a Copy activity in a Azure Synapse pipeline for petabyte-scale data ingestion. Module 8: Transform data with Azure Data Factory or Azure Synapse Pipelines This module teaches students how to build data integration pipelines to ingest from multiple data sources, transform data using mapping data flowss, and perform data movement into one or more data sinks. Module 9: Orchestrate data movement and transformation in Azure Synapse Pipelines In this module, you will learn how to create linked services, and orchestrate data movement and transformation using notebooks in Azure Synapse Pipelines. Module 10: Optimize query performance with dedicated SQL pools in Azure Synapse In this module, students will learn strategies to optimize data storage and processing when using dedicated SQL pools in Azure Synapse Analytics. The student will know how to use developer features, such as windowing and HyperLogLog functions, use data loading best practices, and optimize and improve query performance. Module 11: Analyze and Optimize Data Warehouse Storage In this module, students will learn how to analyze then optimize the data storage of the Azure Synapse dedicated SQL pools. The student will know techniques to understand table space usage and column store storage details. Next the student will know how to compare storage requirements between identical tables that use different data types. Finally, the student will observe the impact materialized views have when executed in place of complex queries and learn how to avoid extensive logging by optimizing delete operations. Module 12: Support Hybrid Transactional Analytical Processing (HTAP) with Azure Synapse Link In this module, students will learn how Azure Synapse Link enables seamless connectivity of an Azure Cosmos DB account to a Synapse workspace. The student will understand how to enable and configure Synapse link, then how to query the Azure Cosmos DB analytical store using Apache Spark and SQL serverless. Module 13: End-to-end security with Azure Synapse Analytics In this module, students will learn how to secure a Synapse Analytics workspace and its supporting infrastructure. The student will observe the SQL Active Directory Admin, manage IP firewall rules, manage secrets with Azure Key Vault and access those secrets through a Key Vault linked service and pipeline activities. The student will understand how to implement column-level security, row-level security, and dynamic data masking when using dedicated SQL pools. Module 14: Real-time Stream Processing with Stream Analytics In this module, students will learn how to process streaming data with Azure Stream Analytics. The student will ingest vehicle telemetry data into Event Hubs, then process that data in real time, using various windowing functions in Azure Stream Analytics. They will output the data to Azure Synapse Analytics. Finally, the student will learn how to scale the Stream Analytics job to increase throughput. Module 15: Create a Stream Processing Solution with Event Hubs and Azure Databricks In this module, students will learn how to ingest and process streaming data at scale with Event Hubs and Spark Structured Streaming in Azure Databricks. The student will learn the key features and uses of Structured Streaming. The student will implement sliding windows to aggregate over chunks of data and apply watermarking to remove stale data. Finally, the student will connect to Event Hubs to read and write streams. Module 16: Build reports using Power BI integration with Azure Synapase Analytics In this module, the student will learn how to integrate Power BI with their Synapse workspace to build reports in Power BI. The student will create a new data source and Power BI report in Synapse Studio. Then the student will learn how to improve query performance with materialized views and result-set caching. Finally, the student will explore the data lake with serverless SQL pools and create visualizations against that data in Power BI. Module 17: Perform Integrated Machine Learning Processes in Azure Synapse Analytics This module explores the integrated, end-to-end Azure Machine Learning and Azure Cognitive Services experience in Azure Synapse Analytics. You will learn how to connect an Azure Synapse Analytics workspace to an Azure Machine Learning workspace using a Linked Service and then trigger an Automated ML experiment that uses data from a Spark table. You will also learn how to use trained models from Azure Machine Learning or Azure Cognitive Services to enrich data in a SQL pool table and then serve prediction results using Power BI. [-]

Dette kurset tilbys som bedriftsinternt kurs   Maskinlæring handler om sette datamaskiner i stand til å lære fra og utvikle atferd basert på data. Det vil si at en datamaskin kan løse en oppgave den ikke er eksplisitt programmert for å håndtere. I stedet er den i stand til å automatisk lære gjenkjenning av komplekse mønstre i data og gjøre beslutninger basert på dette disse. Maskinlæring gir store muligheter, men mange bedrifter har problemer med å ta teknologien i bruk. Nøyaktig hvilke oppgaver kan maskinlæring utføre, og hvordan kommer man i gang? Dette kurset gir oversikt over mulighetene som ligger i maskinlæring, og hvordan i tillegg til kunnskap om hvordan teknologien kan løse oppgaver og skape resultater i praksis. Hva er maskinlæring, datavitenskap og kunstig intelligens og hvordan det er relatert til statistikk og dataanalyse? Hvordan å utvinne kunnskap fra dataene dine? Hva betyr Big data og hvordan analyseres det? Hvor og hvordan skal du bruke maskinlæring til dine daglige forretningsproblemer? Hvordan bruke datamønstre til å ta avgjørelser og spådommer med eksempler fra den virkelige verden? Hvilke typer forretningsproblemer kan en maskinen lære å håndtere Muligheter som maskinlæring gir din bedrift Hva er de teoretiske aspekter på metoder innen maskinlæring? Hvilke ML-metoder som er relevante for ulike problemstillinger innen dataanalyse? Hvordan evaluere styrker og svakheter mellom disse algoritmene og velge den beste? Anvendt data science og konkrete kunde eksempler i praksis   Målsetning Kurset gir kunnskap om hvordan maskinlæring kan løse et bestemt problem og hvilke metoder som egner seg i en gitt situasjon. Du blir i stand til å kan skaffe deg innsikt i data, og vil kunne identifisere egenskapene som representerer dem best. Du kjenner de viktigste maskinlæringsalgoritmene og hvilke metoder som evaluerer ytelsen deres best. Dette gir grunnlag for kontinuerlig forbedring av løsninger basert på maskinlæring.   [-]

Trenger du å bygge opp store og avanserte regneark? Ønsker du å lage rapporter og beregninger på store tallgrunnlag? Vil du finne ut hvordan du kan effektivisere arbeidet ditt i Excel? Ønsker du å lære de første stegene mot automatiserte rapporter? Kurset kan også spesialtilpasses og holdes bedriftsinternt i deres eller våre lokaler.   Kursinnhold:   Dag 1    Generelt om regneark Om regneark og infrastruktur Bruke tastatur og hurtigtaster effektiv Absolutte referanser og definerte navn   Funksjoner Mer om funksjoner, hvis, antall.hvis, summer.hvis.sett Lær om "må ha funksjonen" Finn.rad [Vlookup] Andre funksjoner for spesielle oppgaver   Avansert formatering Spesiell formatering – dato, tekst og egendefinert Betinget formatering og cellestiler   Dag 2    Lister og tabeller Viktige regler og råd Bruk av autofilter og sortering Tabellfunksjonalitet Validering ved inntasting Beregninger av store datamengder via gode funksjoner   Pivottabell Hva er pivottabell og hvordan lage raske og enkle rapporter Utvidede muligheter i Pivot som grupperinger, vis verdier som og slicer   Dag 3   Metoder for dataimport Direkte import fra database   Innføring til makro Spille inn /registrere makro Ord/uttrykk og VBA editor   Datavask Slette tommer rader, fylle tomme celler Bruk av funksjoner for å klargjøre datagrunnlag Identifisere og håndtere avvik i grunnlag   Alternative temaer (hvis tid) Tips til diagrammer Hva hvis analyse Konsolidering   4 gode grunner til å velge KnowledgeGroup 1. Best practice kursinnhold 2. Markedets beste instruktører 3. Små kursgrupper 4. Kvalitets- og startgaranti   [-]

Implementing REST Services using Web API [-]

Through a combination of presentations, demos, and hands-on labs, participants get an overview of the Google Cloud platform and a detailed view of the data processing and machine learning capabilities. This course showcases the ease, flexibility, and power of big data solutions on Google Cloud Platform. Learning Objectives This course teaches participants the following skills: Identify the purpose and value of the key Big Data and Machine Learning products in the Google Cloud Platform Use Cloud SQL and Cloud Dataproc to migrate existing MySQL and Hadoop/Pig/Spark/Hive workloads to Google Cloud Platform Employ BigQuery and Cloud Datalab to carry out interactive data analysis Train and use a neural network using TensorFlow Employ ML APIs Choose between different data processing products on the Google Cloud Platform Course Outline Module 1: Introducing Google Cloud Platform -Google Platform Fundamentals Overview-Google Cloud Platform Big Data Products Module 2: Compute and Storage Fundamentals -CPUs on demand (Compute Engine)-A global filesystem (Cloud Storage)-CloudShell-Lab: Set up an Ingest-Transform-Publish data processing pipeline Module 3: Data Analytics on the Cloud -Stepping-stones to the cloud-CloudSQL: your SQL database on the cloud-Lab: Importing data into CloudSQL and running queries-Spark on Dataproc-Lab: Machine Learning Recommendations with Spark on Dataproc Module 4: Scaling Data Analysis -Fast random access-Datalab-BigQuery-Lab: Build machine learning dataset Module 5: Machine Learning -Machine Learning with TensorFlow-Lab: Carry out ML with TensorFlow-Pre-built models for common needs-Lab: Employ ML APIs Module 6: Data Processing Architectures -Message-oriented architectures with Pub/Sub-Creating pipelines with Dataflow-Reference architecture for real-time and batch data processing Module 7: Summary -Why GCP?-Where to go from here-Additional Resources [-]

Lightroom CC er et råflott bilderedigeringsverktøy for fotoentusiaster. Lightroom CC inneholder alt du trenger for å organisere, redigere, lagre og dele bildene dine på tvers av enheter - dette være seg datamaskin, nettbrett eller mobil. Det betyr at du kan redigere et bilde på datamaskinen og fortsette på mobilen. Bildene synkroniseres nemlig i skyen. I dette kurset kommer Espen Faugstad til å guide deg gjennom programmet fra A til Å. Du kommer til å lære å importere og organisere, redigere ved hjelp av enkle og avanserte verktøy, og eksportere og dele. Du kommer også til å lære hvordan den skybaserte lagringsplassen kommer til å påvirke, og ikke minst, forbedre din digitale arbeidsflyt.   Innhold: Kapittel 1: Introduksjon Kapittel 2: Importere Kapittel 3: Organisere Kapittel 4: Redigere (enkel) Kapittel 5: Beskjære Kapittel 6: Redigere (avansert) Kapittel 7: Eksportere Kapittel 8: Avslutning   Varighet: 2 timer og 16 minutter.   Hørt om Netflix? Vi er som dem, bare at vi lager nettkurs. Utdannet.no AS er en norsk startup som utvikler nettkurs i datateknologi, kreative fagfelt og grunnleggende forretningsferdigheter. Med støtte fra Innovasjon Norge og Forskningsrådet utvikler vi nestegenerasjons kursplattform, med mål om å gjøre kompetanseutvikling moro, spennende og tilgjengelig for alle. Med over 1 million videovisninger, 20.000 registrerte medlemmer og en gjennomsnittlig årlig vekst på 45 % er vi godt i gang med å befeste vår posisjon i det norske markedet. Vi har kunder fra bedrifter som: Adresseavisen, Coca-Cola, Helsedirektoratet, IKEA, Joblearn, NAV, Nordea, NorgesGruppen, NRK, Oslo kommune, Securitas, Telenor og Utdanningsforbundet.   [-]

  Studieår: 2013-2014   Gjennomføring: Høst og vår Antall studiepoeng: 5.0 Forutsetninger: Studenten bør kunne installere linux, og kjenne til enkle linuxkommandoer som f.eks. «ls». Nybegynnere uten erfaring med linux anbefales å starte med emnet Praktisk Linux, som gir disse forkunnskapene. Innleveringer: Øvinger: 8 av 12 må være godkjent. Vurderingsform: Skriftlig eksamen 3t (60%) og mappe (40%), der alle øvinger er med i mappevurderingen. Ansvarlig: Helge Hafting Eksamensdato: 18.12.13 / 27.05.14         Læremål: Etter å ha gjennomført emnet skal studenten ha følgende samlede læringsutbytte: KUNNSKAPER:Kandidaten:- kan legge planer for en ny tjenermaskin- kan forklare bruk av ulike filsystemer, kvoter og aksesskontrollister FERDIGHETER:Kandidaten:- kan installere linux og vanlig tjenerprogramvare- kan vedlikeholde oppsettet på en tjenermaskin, som regel ved å tilpasse konfigurasjonsfiler- kan lete opp informasjon på nettet, for å løse drifts- og installasjonsproblemer GENERELL KOMPETANSE:Kandidaten:- kan vurdere linuxprogramvare for å dekke en organisasjons behov for tjenester Innhold:Planlegging av linuxtjenere, installasjon av tjenester som filtjener, utskrift, dns, dhcp, dynamisk webtjener, epost, katalogtjenester, fjernadministrasjon, scripting og automasjon.Les mer om faget her Påmeldingsfrist: 25.08.13 / 25.01.14         Velg semester:  Høst 2013    Vår 2014     Fag Linux systemdrift 4980,-         Semesteravgift og eksamenskostnader kommer i tillegg.    [-]

  Studieår: 2013-2014   Gjennomføring: Høst og vår Antall studiepoeng: 5.0 Forutsetninger: Grunnleggende objektorientert programmering i for eksempel Java eller C++ Innleveringer: Øvinger: 8 av 11 må være godkjent.  Personlig veileder: ja Vurderingsform: Skriftlig eksamen, 4 timer. Case-beskrivelser etc. legges ut i ItsLearning 24 timer før. (NB! Eksamensform kan bli endret under forutsetning av at ny teknologi gjør det mulig å arrangere eksamen elektronisk.) Ansvarlig: Grethe Sandstrak Eksamensdato: 05.12.13 / 08.05.14         Læremål: Etter å ha gjennomført emnet skal kandidaten ha følgende samlete læringsutbytte: KUNNSKAPER:Kandidaten:- kan gjøre rede for sentrale begreper innen objektorientering- kan konstruere et objektorientert C#. NET-program ut fra en gitt problemstilling- kan finne fram, sette seg inn i og anvende dokumentasjon om .NET Framework library- kjenner til ulike GUI-komponenter og hvordan de brukes i C#-programmer FERDIGHETER:Kandidaten kan:- sette opp programmiljø for å utvikle og kjøre C#. NET applikasjoner på egen pc- kan anvende klasser fra .NET Framework library- lage C#.NET program* med fordeling av oppgaver mellom objekter og der arv og polymorfi benyttes* med grafiske brukergrensesnitt* som kommuniserer med en database via SQL* med LINQ, delegater, templates GENERELL KOMPETANSEKandidaten kan:- kommunisere om objektorientert programmering og databaser med relevant begrepsapparat Innhold:NET-arkitekturen. Utviklingsmiljøet. Grunnleggende C#-syntaks. Objektorientert programmering med arv og polymorfi. GUI. Datafiler. Programmering mot databaser. ADO.NET, LINQ, Templates, Collections.Les mer om faget her Påmeldingsfrist: 25.08.13 / 25.01.14         Velg semester:  Høst 2013    Vår 2014     Fag C#.NET 4980,-         Semesteravgift og eksamenskostnader kommer i tillegg.    [-]

God formatering i Microsoft Excel handler ikke bare om å få et regneark til å se pent ut; det handler like mye om å kommunisere effektivt. Et dårlig formatert regneark kan gjøre det vanskelig å lese og forstå innholdet. Derimot vil et godt formatert regneark gjøre det enklere å absorbere informasjonen som presenteres. Dette kurset, ledet av Espen Faugstad, vil gi deg ferdighetene du trenger for å formatere data i Microsoft Excel på avansert nivå. Du vil lære hvordan du gjør regnearket mer leselig, forståelig og effektivt. Emner inkluderer formatering av tekstverdier og tallverdier, opprettelse av egendefinerte formateringsregler, tilpasning av rader, kolonner og celler, formatering av tabeller, diagrammer og bilder, og mye mer. Kurset er delt inn i følgende kapitler: Kapittel 1: Introduksjon Kapittel 2: Skrift Kapittel 3: Justering Kapittel 4: Tall Kapittel 5: Stiler Kapittel 6: Celler Kapittel 7: Tabell Kapittel 8: Diagrammer Kapittel 9: Bilder Kapittel 10: Avslutning Etter å ha fullført kurset, vil du kunne bruke avansert formatering i Excel for å forbedre presentasjonen og lesbarheten av dine regneark, noe som er uvurderlig for effektiv kommunikasjon og dataanalyse.   Varighet: 2 timer og 27 minutter   Om Utdannet.no: Utdannet.no tilbyr noen av landets beste digitale nettkurs. Vår tjeneste fungerer på samme måte som strømmetjenester for musikk eller TV-serier, der våre kunder betaler en fast månedspris for tilgang til alle kursene vi har tilgjengelig. Vi har opplevd betydelig vekst de siste årene, med over 30 000 registrerte brukere og 1,5 millioner videoavspillinger. Vårt mål er å gjøre kompetanseutvikling engasjerende, spennende og tilgjengelig for alle, og vi har støtte fra Innovasjon Norge og Forskningsrådet. [-]

Objectives This course teaches participants the following skills: Design and build data processing systems on Google Cloud Platform Process batch and streaming data by implementing autoscaling data pipelines on Cloud Dataflow Derive business insights from extremely large datasets using Google BigQuery Train, evaluate, and predict using machine learning models using Tensorflow and Cloud ML Leverage unstructured data using Spark and ML APIs on Cloud Dataproc Enable instant insights from streaming data   All courses will be delivered in partnership with ROI Training, Google Cloud Premier Partner, using a Google Authorized Trainer. Course Outline Module 1: Introduction to Data Engineering -Explore the role of a data engineer-Analyze data engineering challenges-Intro to BigQuery-Data Lakes and Data Warehouses-Demo: Federated Queries with BigQuery-Transactional Databases vs Data Warehouses-Website Demo: Finding PII in your dataset with DLP API-Partner effectively with other data teams-Manage data access and governance-Build production-ready pipelines-Review GCP customer case study-Lab: Analyzing Data with BigQuery Module 2: Building a Data Lake -Introduction to Data Lakes-Data Storage and ETL options on GCP-Building a Data Lake using Cloud Storage-Optional Demo: Optimizing cost with Google Cloud Storage classes and Cloud Functions-Securing Cloud Storage-Storing All Sorts of Data Types-Video Demo: Running federated queries on Parquet and ORC files in BigQuery-Cloud SQL as a relational Data Lake-Lab: Loading Taxi Data into Cloud SQL Module 3: Building a Data Warehouse -The modern data warehouse-Intro to BigQuery-Demo: Query TB+ of data in seconds-Getting Started-Loading Data-Video Demo: Querying Cloud SQL from BigQuery-Lab: Loading Data into BigQuery-Exploring Schemas-Demo: Exploring BigQuery Public Datasets with SQL using INFORMATION_SCHEMA-Schema Design-Nested and Repeated Fields-Demo: Nested and repeated fields in BigQuery-Lab: Working with JSON and Array data in BigQuery-Optimizing with Partitioning and Clustering-Demo: Partitioned and Clustered Tables in BigQuery-Preview: Transforming Batch and Streaming Data Module 4: Introduction to Building Batch Data Pipelines -EL, ELT, ETL-Quality considerations-How to carry out operations in BigQuery-Demo: ELT to improve data quality in BigQuery-Shortcomings-ETL to solve data quality issues Module 5: Executing Spark on Cloud Dataproc -The Hadoop ecosystem-Running Hadoop on Cloud Dataproc-GCS instead of HDFS-Optimizing Dataproc-Lab: Running Apache Spark jobs on Cloud Dataproc Module 6: Serverless Data Processing with Cloud Dataflow -Cloud Dataflow-Why customers value Dataflow-Dataflow Pipelines-Lab: A Simple Dataflow Pipeline (Python/Java)-Lab: MapReduce in Dataflow (Python/Java)-Lab: Side Inputs (Python/Java)-Dataflow Templates-Dataflow SQL Module 7: Manage Data Pipelines with Cloud Data Fusion and Cloud Composer -Building Batch Data Pipelines visually with Cloud Data Fusion-Components-UI Overview-Building a Pipeline-Exploring Data using Wrangler-Lab: Building and executing a pipeline graph in Cloud Data Fusion-Orchestrating work between GCP services with Cloud Composer-Apache Airflow Environment-DAGs and Operators-Workflow Scheduling-Optional Long Demo: Event-triggered Loading of data with Cloud Composer, Cloud Functions, -Cloud Storage, and BigQuery-Monitoring and Logging-Lab: An Introduction to Cloud Composer Module 8: Introduction to Processing Streaming Data Processing Streaming Data Module 9: Serverless Messaging with Cloud Pub/Sub -Cloud Pub/Sub-Lab: Publish Streaming Data into Pub/Sub Module 10: Cloud Dataflow Streaming Features -Cloud Dataflow Streaming Features-Lab: Streaming Data Pipelines Module 11: High-Throughput BigQuery and Bigtable Streaming Features -BigQuery Streaming Features-Lab: Streaming Analytics and Dashboards-Cloud Bigtable-Lab: Streaming Data Pipelines into Bigtable Module 12: Advanced BigQuery Functionality and Performance -Analytic Window Functions-Using With Clauses-GIS Functions-Demo: Mapping Fastest Growing Zip Codes with BigQuery GeoViz-Performance Considerations-Lab: Optimizing your BigQuery Queries for Performance-Optional Lab: Creating Date-Partitioned Tables in BigQuery Module 13: Introduction to Analytics and AI -What is AI?-From Ad-hoc Data Analysis to Data Driven Decisions-Options for ML models on GCP Module 14: Prebuilt ML model APIs for Unstructured Data -Unstructured Data is Hard-ML APIs for Enriching Data-Lab: Using the Natural Language API to Classify Unstructured Text Module 15: Big Data Analytics with Cloud AI Platform Notebooks -What’s a Notebook-BigQuery Magic and Ties to Pandas-Lab: BigQuery in Jupyter Labs on AI Platform Module 16: Production ML Pipelines with Kubeflow -Ways to do ML on GCP-Kubeflow-AI Hub-Lab: Running AI models on Kubeflow Module 17: Custom Model building with SQL in BigQuery ML -BigQuery ML for Quick Model Building-Demo: Train a model with BigQuery ML to predict NYC taxi fares-Supported Models-Lab Option 1: Predict Bike Trip Duration with a Regression Model in BQML-Lab Option 2: Movie Recommendations in BigQuery ML Module 18: Custom Model building with Cloud AutoML -Why Auto ML?-Auto ML Vision-Auto ML NLP-Auto ML Tables [-]

Kurset inneholder 12 timer med undervisning, er delt inn i moduler og er en blanding av video og interaktive øvelse. Du vil få en omfattende introduksjon til kjernekonseptene til ITIL® 4.   Les mer om ITIL® 4 på AXELOS sine websider    The ITIL®  4 Foundation Online course on this page is offered by ILX Group an ATO of AXELOS Limited. ITIL® 4 is a registered trade mark of AXELOS Limited, used under permission of AXELOS Limited. All rights reserved.   Dette inngår i kurset - 12 måneders tilgang til kurset fra kjøpsdato- Support service- En testmodul med spørsmål rettet mot sertifiseringseksamen Sertifiseringseksamen - Eksamens voucher er inklusive i kurset- Det er ingen hjelpemidler tillatt under eksamen- Varighet er 60 minutter, men et tillegg på 15 minutter for de som ikke har engelsk som morsmål- Eksamensformen er multiple choice - 40 spørsmål skal besvares, og du består ved 65% korrekte svar (dvs 26 av 40 spørsmål) Disse modulene inngår i kurset - Introduction and overview- Key concepts of service management- Four dimensions of service management- Service value system- Introduction to practices- Purpose of 11 practices and some definitions- Introduction to seven key practices in detail- Continual improvement- Change control- Incident management- Service request management- Service desk- Service level management- Exam simulator Etter endt kurs vil du - Forstå nøkkelkonseptene for ITIL-Service Management- Forstå hvordan ITIL-veiledende prinsipper kan hjelpe organisasjoner til å ta i bruk og tilpasse ITIL-Service Management- Forstå de fire dimensjonene i ITIL-Service Management- Forstå nøkkelbegrepene for kontinuerlig forbedring [-]