รวมบทความเกี่ยวกับวิศวกรรมข้อมูล (Data Engineering) ครอบคลุมถึงเรื่องการจัดการข้อมูลขนาดใหญ่ (Big Data) ด้วยเครื่องมือต่าง ๆ อาทิ Hadoop, MapReduce Spark, Hive, และบริการ Cloud ชื่อดังต่าง ๆ ไม่ว่าจะเป็น Amazon Web Services (AWS), Google Cloud Platform (GCP), และ Azure
หัวข้อ Data Engineer นี้ครอบคลุมถึงการวางแผนและพัฒนาระบบ ETL (Extract-Transform-Load), Data Ingestion, Data Integration ไปจนถึงการสร้าง End-to-End Data Pipeline ที่สามารถรับส่งข้อมูลได้ตั้งแต่ต้นจนจบ
วันนี้จะมาสรุป Conceptให้ฟังกัน เป็นการสร้าง Data Pipeline สำหรับระบบ Data Science แบบ End-to-End ก็คือ ตั้งแต่เริ่มเก็บข้อมูล ไปจนถึงนำข้อมูลไปทำ Analytics
สายงาน Machine Learning Engineer เหมาะกับคนที่จบด้าน Software Engineer มา หรือใครเป็น Software Engineer อยู่ แล้วสนใจศึกษาด้าน Machine Learning เพิ่มขึ้นก็เหมาะครับ ที่สำคัญคือทักษะการเขียนโปรแกรม, Algorithms & Data Structure ต้องได้
สำหรับใครอยากเข้าสู่โลกของ Big Data ห้ามพลาดสไลด์อันนี้เลยครับ คุณดรีมจาก True Analytics แจกสไลด์จากงาน Data Council Meetup ที่เพิ่งผ่านมานี้เอง
วันนี้แอดได้ดูวีดิโอสัมภาษณ์คนทำงานที่ Facebook ในสายงาน Data Science เค้าอธิบายไว้ดีมากครับ เลยเอามาเล่าสู่กันฟัง
งาน ETL เป็นงานที่สำคัญอย่างมากในบริษัททุกแห่ง เลยอยากเอามาบอกต่อกันเผื่อใครสนใจหันมาทำงานสายนี้ครับ เงินดี งานท่วมแน่นอน
Google Cloud Platform หรือเรียกย่อ ๆ ว่า GCP เกิดมาตั้งแต่ปี 2008 โน่นเลยครับ โดยตอนแรกออกมาแค่ App Engine (เดี๋ยวเราจะมาแนะนำกันต่อไปว่า App Engine คืออะไร) แล้วก็ค่อย ๆ ปล่อยบริการใหม่ออกมาเรื่อย ๆ จนตอนนี้มีประมาณ 30+ บริการแล้ว
Data Scientist ต่างกับ Data Engineer อย่างไร และทำไม Data Engineer ถึงมีความจำเป็นในองค์กรมากกว่า
บทความนี้จะเล่าให้ฟังว่า Cloud Computing คืออะไร และทำไมถึงเหมาะกับงานด้าน Data Science และ Machine Learning แบบเรามาก
© Copyright 2018 - Present: DATATH. All rights reserverd.
เราใช้คุกกี้เพื่อพัฒนาประสิทธิภาพ และประสบการณ์ที่ดีในการใช้เว็บไซต์ของคุณ คุณสามารถศึกษารายละเอียดได้ที่ นโยบายความเป็นส่วนตัว และสามารถจัดการความเป็นส่วนตัวเองได้ของคุณได้เองโดยคลิกที่ ตั้งค่า