Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Kaynak uygulamadaki sessiz bir şema değişikliği, saatler sonra yönetim raporlarını ve makine öğrenmesi modellerini bozar. Bu program, veri kalitesini sonradan yapılan bir temizlik işi olmaktan çıkarıp pipeline'ın girişine ve ekipler arası sözleşmelere taşımayı hedefler.

Veri kalitesi boyutları, dbt testleri, SodaCL ve Great Expectations ile otomatik doğrulama, circuit breaker (write-audit-publish) deseni ve YAML tabanlı data contract tanımları uygulamalı olarak işlenir. Kurum içi bir veri akışı için örnek data contract ve kalite kontrol listesi hazırlanır.

Kimler Katılmalı?

  • Veri hattı ve ambarı geliştiren veri mühendisleri ve analytics engineer'lar
  • Kaynak sistem şemalarını yöneten backend geliştiricileri
  • Veri yönetişimi ve veri ürünü sahipleri (Data Product Owner)
  • Ön koşul: SQL ve temel veri hattı deneyimi

Kazanımlar

  • Tamlık, doğruluk, tutarlılık ve tazelik boyutlarında ölçülebilir kalite kuralları tanımlar
  • dbt tests, Soda veya Great Expectations ile otomatik kalite kapıları kurar
  • Write-Audit-Publish deseniyle bozuk verinin aşağı akışa sızmasını engeller
  • Veri üreticisi ve tüketicisi arasında makinece okunabilir data contract yazar
  • CI/CD aşamasında şema kırılmalarını yakalayan doğrulama adımları ekler

Konular

Veri Kalitesi Boyutları ve Hata Modları
  • Şema kayması, null patlaması, duplikasyon ve gecikme
  • Veri kalitesi metrikleri ve SLI/SLO tanımı
Pipeline İçi Doğrulama: dbt, Soda ve Great Expectations
  • dbt generic ve singular test'ler
  • SodaCL ve Great Expectations ile kural yazımı
  • Write-Audit-Publish (circuit breaker) deseni
Data Contract Kavramı ve Standartları
  • OpenDataContractStandard (ODCS) ve YAML sözleşme yapısı
  • Şema, semantik, kalite kuralları ve SLA maddeleri
  • Versiyonlama ve geriye dönük uyumluluk
CI/CD ve Orkestrasyon Entegrasyonu
  • Pull request aşamasında şema ve sözleşme kontrolü
  • Airflow ve veri kataloğu entegrasyonu
Kurumsal Uygulama Atölyesi
  • Kritik bir veri varlığı için data contract yazımı
  • Olay müdahale ve sahiplik matrisi

Bu Kategorideki Diğer Eğitimler

  • Observability

    Veri hatları ve dağıtık sistemler için observability: OpenTelemetry, Prometheus, Grafana ve OpenLineage ile metrik, log, trace ve veri soykütüğü (lineage) toplama, anomali tespiti ve kök neden analizi.

    Büyük Veri (Big Data) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Big Data (Büyük Veri) Big Data (Büyük Veri)

    İlişkisel ve NoSQL veritabanlarından Data Lakehouse mimarilerine, Apache Spark, Kafka, Airflow ve Terraform (IaC) ile uçtan uca bulut tabanlı veri mühendisliği eğitimi.

    Büyük Veri (Big Data) Kurumsal, Bireysel
    Canlı Kurs
    11 modül
    İncele
  • Apache Spark Apache Spark

    Apache Spark mimarisi, RDD ve DataFrame API'leri, Spark SQL, Structured Streaming, MLlib, GraphX ve dağıtık küme performans optimizasyonu üzerine kapsamlı büyük veri işleme eğitimi.

    Büyük Veri (Big Data) Kurumsal, Bireysel
    Canlı Kurs
    10 modül
    İncele
  • Streaming Analytics

    Kafka, Apache Flink ve Spark Structured Streaming ile gerçek zamanlı veri analitiği: windowing, event time, watermark, stateful işleme ve anlık dashboard'lar. Veri mühendisleri ve analitik ekipleri için.

    Büyük Veri (Big Data) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Hadoop, Hive ve HBase

    HDFS, YARN, Hive ve HBase ile Hadoop ekosistemi: dağıtık depolama, HiveQL ile SQL analitiği, partition ve ORC/Parquet optimizasyonu, HBase ile düşük gecikmeli erişim ve modern lakehouse'a geçiş seçenekleri.

    Büyük Veri (Big Data) Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Veri Mühendisliği Temelleri

    Veri mühendisliğine giriş: ETL/ELT, veri modelleme, data warehouse ve lakehouse, batch ve streaming, orkestrasyon ve veri kalitesi. Örnek bir uçtan uca veri hattı tasarlanarak modern veri platformunun yapı taşları öğrenilir.

    Büyük Veri (Big Data) Kurumsal
    Canlı Kurs
    5 modül
    İncele

Bizimle iletişime geçin