Скачать [Newprolab] Data Engineer. 20-й поток [Игорь Мосягин, Николай Марков]

[Kail]

Ссылка на картинку

Для BI-дашборда нужно спроектировать хранилище, которое будет получать данные из постоянно пополняющегося источника. Пройдя курс, вы разберётесь, как подойти к такой задаче и создать дашборд с ответами на вопросы бизнес-аналитиков.

Данные из Kafka можно загрузить в ClickHouse, а расчёт агрегатов настроить с помощью Airflow. На курсе вы разберётесь, как организовать такую пакетную обработку, написать собственный DAG и подойти к потоковой обработке данных.

10 недель практического опыта в роли дата-инженера: реальные задачи и рабочая инфраструктура. Полное погружение и комитмент на 10-15 ч в неделю. 30 занятий, 10 лаб и видеозаписи занятий с тайм-метками.

Кому будет полезна программа:

1. Аналитики данных

• Аналитика данных всё больше перестаёт быть изолированной от инфраструктуры обработки данных. Вам будет полезно пройти эту программу, чтобы лучше понимать общий цикл работы с данными
• Даже если вы не планируете переходить в область DE, понимание общих принципов расширит ваши возможности как специалиста и поможет проще находить общий язык с дата-инженерами
• Также вы сможете понять, каково это – работать в более инженерной роли без серьёзных карьерных потрясений

2. Бэкенд-разработчики

• Как у бэкенд-разработчика, у вас уже есть необходимый инженерный опыт, и данная программа поможет понять, чем занимаются дата-инженеры – и либо сменить область работы, либо узнать больше о разработке высоконагруженных дата-приложений
• Таким образом, программа будет интересна, если у вас есть опыт работы в нагруженном проекте и вы хотите узнать больше про задачи обработки данных

3. Техлиды и менеджеры

• Эта программа поможет менеджерам команды дата-аналитиков лучше ориентироваться в актуальных инструментах и технологиях и понять, в какую сторону развивать направление внутри компании
• Понимание особенностей инструментов позволит также более точно оценивать сроки и лучше понимать требования бизнеса
• Для тех, кто давно не имел дела с данными или использует другой стек технологий, эта программа поможет освежить в памяти современные инструменты и практики DE

Рекомендуемые знания до программы:

1. Python
   • Это основной язык программирования на программе
   • Хорошо, если вы уже знакомы с базовым синтаксисом, циклами, условными операторами, функциями, чтением и записью файлов. Это понадобится для работы со Spark и Airflow
2. Базовые знания Linux
   • Вы будете использовать командную строку Linux при работе с кластером
   • Хорошо, если вы уже знаете, как заходить на удалённый сервер по ssh, умеете настраивать авторизацию по ssh-ключу и владеете базовыми командами для перемещения по директориям, созданию и редактированию файлов, и знаете как выйти из vim
3. SQL
   • Вы будете использовать Apache Spark. Знание языка SQL может быть полезно для написания скриптов на SparkSQL
   • Помимо этого, в нескольких лабах вам нужно будет писать небольшие SQL-запросы к ClickHouse

Кому программа не подойдет:

1. Вы хотите научиться обучать ML-модели
   • Эта программа техническая и включает инженерные практики, которые могут показаться перебором для такого запроса
   • Вам больше подойдёт наша другая программа: Введение в большие данные
2. Вы не хотите делать лабы и настраивать инструменты
   • Вы конечно можете пройти программу как слушатель и только просматривать занятия, но такой формат существенно уменьшает ценность вашего участия и потраченного времени
3. Вы не хотите писать код или боитесь терминала
   • Эта программа включает много практики и построена так, что почти во всех лабах придется править конфиги на машинах и писать код в том или ином виде
   • Если такие перспективы вас отпугивают, скорее всего, программу пройти будет тяжело
4. У вас высокая нагрузка в даты программы
   • В зависимости от вашего начального уровня, участие в программе будет занимать около 20 часов в неделю и требовать вашего внимательного погружения
   • Если вы не сможете выделить столько времени, советуем вернуться к программе в будущем

Погружение в практику:

Программа направлена на практику в виде лабораторных работ (лаб), которые максимально приближены к реальным задачам дата-инженеров.

Путь дата-инженера:

После программы вы сможете работать дата-инженером и быстро расти, так как будете хорошо разбираться и в теории, и иметь практический опыт решения характерных задач DE. А если вы уже практикующий DE, сможете структурировать знания и познакомиться с актуальными инструментами и подходами.

Данные должны быть доступными, точными, своевременными, непротиворечивыми, релевантными:

В том или ином виде дата-инжиниринг сейчас есть уже во всех компаниях – от самых небольших и до крупных гигантов. Поэтому устойчивый, надёжный и, как следствие, предсказуемый механизм сбора и обработки данных нужен большинству компаний.

Специалисты по выстраиванию инфраструктуры для таких процессов и разбирающиеся в архитектуре хранилищ данных – это востребованная специальность в современном дата-мире.

Как устроена программа:

Эта программа – глубокое погружение в практику. Наша цель – научить решать задачи из реальной жизни, а не покрыть список тем. Теория – это инструмент, необходимый для решения задач, а не самоцель.

1. Теперь 10 лаб

• За два месяца вы выполните 10 практических заданий – лаб, каждая из которых использует разные инструменты, про которые вам будут рассказывать на занятиях
• Лабы критически важны для понимания возможностей и ограничений использования этих инструментов
• Уже на второй неделе вы научитесь разворачивать Apache Kafka, отправлять в эту систему сообщения и обрабатывать их
• Познакомитесь с тем, как писать пайплайны на Apache Airflow – двумя популярными инструментами в области обработки данных

2. Логика работы DE

• В течение программы мы будем анализировать полученные знания и заполнять карту компетенций
• Инструменты и окружение будут обновляться, а общая логика и подобное картирование позволят создать целостную картину о технологиях и практиках
• Мы также предложим альтернативы наиболее популярным из них
• Вам часто нужно будет что-то загуглить. После программы у вас будет свой багаж из дополнительных ресурсов

3. 10+ инструментов

• Каждая лаба базируется на использовании ключевых инструментов и фреймворков. Преподаватели-практики покажут и расскажут на занятиях, как ими пользоваться
• Часть инструментов вы сможете проработать глубоко: Kafka, Airflow, ClickHouse, Spark, Redis, Docker. Они будут использованы в лабах и по ним будут подробные занятия
• В программу также входит рассмотрение этих универсальных инструментов: Apache Flink, Grafana, dbt, Kubernetes и др. По некоторым из них будут дополнительные задания

Наши принципы обучения:

Мы создаем все условия для того, чтобы максимально приблизить опыт участников к реальным условиям работы (Project Based Learning). Поэтому основу наших программ составляют лабы (лабораторные работы) – системные большие практические задания, которые максимально приближены к реальным задачам специалистов по работе с данными.

• Наша цель — научить вас решать задачи из реальной жизни, а не покрыть список тем. Теория — это инструмент, необходимый для решения задач, а не самоцель
• Возможность сразу же применять полученные знания в работе и своих проектах

На пути будут встречаться сложности, которые вы преодолеете и откроете в себе новые качества, а также получите незабываемый эмоциональный опыт. Вы пройдете настоящий путь героя!

Инфраструктура программы:

Все презентации, jupyter-ноутбуки, лабы и мануалы мы выкладываем в закрытый репозиторий на GitHub.

Спойлер: Часто задаваемые вопросы
1. Я живу за границей. Подходит ли мне эта программа?

Да, конечно! Наша программа отлично подойдёт, если вы уже переехали или только планируете строить карьеру в другой стране. Обучение проходит на русском языке, но с упором на международные технологии (Spark, Scala, SQL, архитектура дата-платформ). А знания пригодятся как на локальных рынках (СНГ, Европа, Израиль), так и в глобальных IT-компаниях.

2. А я вообще справлюсь?

Да, но вам будет непросто. Если у вас есть интерес к DE и все базовые навыки — то скорее всего вы справитесь. Мы верим, что интенсивный опыт — это одна из самых вдохновляющих вещей в образовании. Когда ты быстро и, может местами мучительно, погружаешься в новый материал, удается заметить собственный прогресс. И это вдохновляет продолжать разбираться.

Программа:

• Лабораторные работы
• Темы занятий: Apache Kafka, DWH, Airflow, ClickHouse, Hadoop, Spark, Docker, Ansible, Kubernetes, Spark Streaming, мониторинг Linux-инфраструктуры, форматы хранения данных, CI/CD, Redis, базы данных и хранилища, параллелизм в Python, Flink, NiFi, dbt, Small Data и карта развития дата-инженера

Спойлер: Подробно
Лабораторные работы:

Лаба 1. Подготовка инфраструктуры

• Вы настроите собственную ноду в облаке, которая станет вашим учебным стендом для всей программы – так вы разберетесь, как настроить необходимые доступы для следующих лаб
• Вы прокачаете базовые практики DevOps и познакомитесь с компонентами дата-инфраструктуры

Лаба 2. Batch-обработка

• Вы организуете пакетную обработку данных в хранилище: получите данные из Kafka с помощью landing-схемы в ClickHouse, а затем, используя Airflow, будете считать агрегаты и перекладывать данные внутри ClickHouse
• Вы напишете свой DAG для обработки и научитесь использовать консоль для управления этими инструментами
• Здесь понадобятся базовые знания Python и отсутствие страха работы с командной строкой

Лаба 3. Потоковая обработка данных

• Так как под "потоковой обработкой" часто имеют ввиду "батч-обработку просто с очень маленькими батчами", то эта лаба будет опираться на предыдущую с добавлением новых инструментов
• Здесь также заложена вариативность используемых инструментов, и у вас будет возможность познакомиться с несколькими решениями реализации потоковой обработки в зависимости от технических условий задачи

Лаба 4. Data-сервис

• Вам предстоит написать свой небольшой сервис на Python (мы покажем как) и добавить две системы для дашбордов: одну с бизнес-метриками и одну для операционных задач
• Мы разберёмся, в чём разница, и на каких технологиях это делается – примерим на себя шляпу инженера разработки аналитики

Лаба 5. Сервис персонализации

• Вам предстоит использовать очень грязный источник для дополнительного обогащения данных о событиях пользователей e-commerce портала
• Вы создадите витрину для маркетинговой аналитики по результатам прошедшей распродажи и изрядно повозитесь с расчётом агрегатов

Лаба 6. Контейнеризация и CI/CD

• Ты реализуешь версионирование своего проекта: создашь и настроишь окружение для автоматической сборки и публикации своих пайплайнов в облако
• Научишься основам управления версиями, автоматизации развёртывания и познакомишься с инструментами для управления контейнерами

Лаба 7. dbt

• С помощью инструмента dbt соберёте аналитическую витрину в ClickHouse на базе данных о поведении пользователей
• Закрепите работу с источниками и генерацию моделей данных в аналитическом хранилище

Лаба 8. Хранилище для BI-дашборда

• Эта лаба отличается более открытым техзаданием и позволяет составить впечатление о том, как может выглядеть ваша работа при коммуникации с людьми, далёкими от мира обработки данных
• У вас будет постоянно пополняющийся внешний источник данных, для которого нужно спроектировать хранилище и реализовать BI-дашборд с ответами на вопросы бизнес-аналитиков

Темы занятий:

Тема 1. Apache Kafka:

• Краткая история развития Kafka
• Ключевые концепции и зачем она может вообще быть нужна
• Топики, publisher/subscriber модель, внутренние компоненты
• Инструменты и библиотеки для работы с Kafka
• Демо

Тема 2. DWH:

• OLAP MPP DB: определение, цели, особенности
• Распространенные решения
• Архитектура OLAP MPP DB на примере Vertica
• Демонстрация работы: таблицы, проекции, запросы
• Data warehouse: общие сведения и методологии

Тема 3. Airflow:

• Зачем, что и как можно автоматизировать
• Компоненты Airflow которые надо знать, чтобы сделать на нём что-нибудь
• Как написать свой DAG и что это такое
• Куда и как развивается проект
• Чем можно заменить Airflow и на что обращать внимание при сравнении
• Демо, лайвкодинг

Тема 4. ClickHouse:

• Что такое колоночные базы данных и зачем они нужны
• Дизайн ClickHouse
• Оптимизация схемы для производительности
• Загрузка JSON в ClickHouse
• ClickHouse и Kafka

Тема 5. Hadoop:

• Как хранить и обрабатывать данные
• Что является большими данными, а что - нет
• Какие средства обработки и хранения данных есть, и как они работают

Тема 6. Spark:

• Общее устройство и преимущества Spark
• Три уровня API к данным. DataFrame. Как создавать, читать, смотреть и писать данные с HDFS и других источников (в т.ч. PostgreSQL). Схема датафрейма
• Способы обращения к колонкам
• Оптимизации при чтении. Push-down filter
• Ленивое выполнение. Трансформации и действия
• Очистка данных. Встроенные и пользовательские функции. Агрегационные функции
• Union и join – отдельные моменты
• Кэширование и контрольные точки
• Shuffle и Broadcast
• Немного про модель памяти

Тема 7. Docker. Ansible. Kubernetes:

• Пишем свой Dockerfile
• Как запускать контейнеры из командной строки
• Пара слов о Docker Compose
• Зачем нужен Kubernetes
• Играем в локальный кластер
• Настройка сети и прочие шалости
• Хранение данных в Kubernetes

Тема 8. Spark Streaming:

• Structured Streaming
• Rate Streaming
• File Streaming
• Kafka Streaming
• Stateful Streaming
• Окна: дубликаты и watermark'и, агрегаты
• Join: static и stream

Тема 9. Мониторинг Linux-инфраструктуры:

• Зачем дата-инженерам траблшутинг
• Диагностируем проблемы из консоли
• Как руками анализировать состояние CPU, RAM, дисковой и сетевой подсистемы
• Системные вызовы и низкий уровень анализа
• Обзор существующих комплексных решений для мониторинга и работа с ними

Тема 10. Форматы хранения данных:

• Txt
• SequenceFile
• Avro
• Protobuf
• ORC
• Parquet

Тема 11. CI/CD:

• Что такое DevOps и MLOps?
• Пара слов о методологиях разработки программного обеспечения
• Управление зависимостями Python-проекта
• Репозитории для всего сразу и одновременно
• Аргументы и конфиги
• Работа с пакетами для Python
• Как выглядит CI/CD на GitlabCI и Jenkins
• Пара слов об управлении конфигурацией через Ansible

Тема 12. Redis:

• Какие бывают различия между NoSQL и SQL
• Как использовать redis как горячее хранилище
• Как использовать redis для ускорения расчётов
• Когда стоит и когда не стоит использовать redis
• Демо

Тема 13. Введение в базы данных. Хранилища и методологии:

• Реляционная модель и PostgeSQL
• Structured Query Language
• ACID и транзакции
• Моделирование данных
• Индексы и оптимизации
• Greenplum

Тема 14. Параллелизм в Python:

• Как устроены потоки в операционных системах
• Зачем в питоне GIL и как он работает
• В чем разница между параллельностью, асинхронностью и конкурентностью
• Пара слов о микросервисах на Python
• Асинхронная работа со внешними хранилищами

Тема 15. Flink:

• Scala: основы и базовый синтаксис
• Apache Flink: описание и сравнение со Spark Streaming
• Flink API: источники и приемники, операторы, event time vs processing time
• Практические примеры
• Внутреннее устройство Flink

Тема 16. NiFi:

• Что такое NiFi
• Controller Services
• Список доступных процессоров
• Flow File Details
• Объединение в Process Group
• Статусы процессоров
• Список всех шаблонов
• Процессор SplitJson
• Convert JSONToSQL
• PutSQL
• One registry
• Registry & Git
• Variables & Parameter Contexts
• Кластерный режим – архитектура
• MiNiFi

Тема 17. dbt:

• Что такое dbt и какие задачи решает
• Основные термины, особенности и фичи инструмента
• Как запустить dbt с любой БД
• Демо (посмотрим, как всё просто работает)
• Документирование и тестирование данных из коробки
• Как запустить dbt в продуктиве
• Новые возможности с Python-моделями

Тема 18. Small Data:

• Снова о том, что такое Big Data
• Причины популярности инструментов анализа данных
• На какие старые подходы стоит обратить внимание
• Почему Developer Experience снова оказывается важен
• Какие технологии посмотреть и что попробовать для хранилищ небольших данных

Тема 19. Карта развития дата-инженера:

• Куда развиваться
• Направления и задачи

Авторы:

Игорь Мосягин

• Ментор программы
• Data Consultant, shrimpsizemoose AB

Дмитрий Андреев

• Координатор
• Ведущий инженер по работе с инфраструктурой данных, Райффайзенбанк

Максим Тарасов

• Координатор
• Lead R&D Engineer, White Wave Media

Спойлер: Далее
Николай Марков

• Data Platform Lead, Altenar

Сергей Гришаев

• Senior Data Engineer, Wildberries

Егор Матешук

• Технический директор, ГПМ Дата

Александр Зайцев

• CTO, Altinity

Валерия Дымбицкая

• Разработчик, Upgini

Екатерина Островская

• Руководитель направления развития бизнес хранилища данных, Райффайзенбанк

Андрей Кучеров

• TechLead DE, Beeline

Андрей Серебрянский

• Lead Developer, Яндекс

Старт весной 2027 года.

Показать больше