Tietotekniikan pilviinfrastruktuuri
( 25 Moduulit )

moduuli #1
Introduction to Cloud Computing
Overview of cloud computing, edut ja keskeiset käsitteet

moduuli #2
Cloud Providers Overview
Suurten pilvipalveluntarjoajien (AWS, Azure, GCP, IBM Cloud) vertailu

moduuli #3
Cloud Security Fundamentals
Tietoturvakysymykset, parhaat käytännöt ja vaatimustenmukaisuus pilvessä

moduuli #4
Data Science in the Cloud
Pilvipohjaisen datatieteen edut, yleiset käyttötapaukset

moduuli #5
Pilvitallennusvaihtoehdot
Yleiskatsaus pilvitallennuspalveluista (S3, Blob Storage, Cloud Storage)

moduuli #6
Datan käsittely ja käsittely
Suurten tietojoukkojen käsittely ja käsittely pilvessä (Kinesis, Event Hubs, Cloud Pub/Sub)

moduuli #7
Pilvipohjainen tietovarasto
Pilvipohjaiset tietovarastoratkaisut (Redshift, BigQuery, Synapse)

moduuli #8
Pilvipohjainen koneoppiminen
Yleiskatsaus pilvipohjaisiin koneoppimispalveluihin (SageMaker, Azure Machine Learning) , AutoML)

moduuli #9
Säilöinti tietotieteitä varten
Säilöjen (Docker) käyttäminen toistettavissa datatieteen työnkulkuissa

moduuli #10
Pilvipohjainen säilön orkestrointi
Säilöjen järjestäminen pilvessä (Kubernetes, ECS, ACI)

moduuli #11
Palvelimeton tietojenkäsittely tietotieteessä
Palvelimeton tietojenkäsittelykonseptit ja -sovellukset tietotieteessä

moduuli #12
Pilvipohjainen tietojen visualisointi
Pilvipohjaiset tietojen visualisointityökalut ja -palvelut (Tableau, Power BI, D3. js)

moduuli #13
Big Data Analytics in the Cloud
Isodatan käsittely ja analysointi pilvessä (Hadoop, Spark, HBase)

moduuli #14
Pilvipohjainen luonnollisen kielen käsittely
Pilvipohjaiset NLP-palvelut ja sovellukset (NLTK, spaCy, Stanford CoreNLP)

moduuli #15
Pilvipohjainen Computer Vision
Pilvipohjaiset tietokonenäköpalvelut ja -sovellukset (OpenCV, TensorFlow, PyTorch)

moduuli #16
Cloud Cost Optimization Strategies
Tekniikat pilvikustannusten optimoimiseksi datatieteen työkuormituksissa

moduuli #17
Cloud Architecture for Data Science
Skaalautuvien ja tehokkaiden pilviarkkitehtuurien suunnittelu datatieteen työkuormituksiin

moduuli #18
Pilvipohjainen yhteistyö ja versionhallinta
Yhteistyö ja versio ohjaustyökalut datatiederyhmille pilvessä (GitHub, GitLab, Bitbucket)

moduuli #19
Pilvipohjainen seuranta ja kirjaus
Pilvipohjaisten datatieteen työkuormien seuranta- ja lokityökalut

moduuli #20
Pilvipohjainen varmuuskopiointi ja palautus
Varmuuskopiointi- ja palautusstrategiat pilvipohjaisille datatieteen työkuormille

moduuli #21
Cloud Security for Data Science
Datatieteen parhaat käytännöt pilvessä

moduuli #22
Cloud Compliance and Governance
Pilvipohjaisten tietotieteiden työkuormien noudattamista ja hallintaa koskevat näkökohdat

moduuli #23
Datatieteen työkuormien siirtäminen pilveen
Strategiat paikan päällä olevien datatieteen työkuormien siirtämiseksi pilveen

moduuli #24
Pilvipohjaisen datan rakentaminen Tiedetiimi
Pilvipohjaisen datatieteiden tiimin rakentamiseen liittyvät organisaationäkökohdat

moduuli #25
Kurssin yhteenveto ja johtopäätökset
Suunnittelemme Cloud Infrastructure for Data Science -uran seuraavia vaiheita

Oletko valmis oppimaan, jakamaan ja kilpailemaan?