|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/dbt-analytics-engineering-certification-exam-questions/
课程评论：没有评论
Coursera 上的 "DBT Analytics Engineering Certification Exam Questions" 课程旨在评估学习者在分析工程领域的关键技能，尤其是在使用 dbt（data build tool）方面的能力。 **核心能力评估包括：** * **构建、测试和维护模型：** 使数据易于他人访问。 * **应用工程原理到分析基础设施：** 利用 dbt 实现数据分析的工程化。 **考试涵盖的主要内容：** * **开发 dbt 模型：** * 识别和验证原始对象依赖关系。 * 理解核心 dbt materializations。 * 构思模块化设计，遵循 DRY（Don't Repeat Yourself）原则。 * 将业务逻辑转化为高性能的 SQL 查询。 * 掌握 `run`、`test`、`docs`、`seed` 等命令的使用。 * 创建逻辑清晰的模型流程和 DAG（Directed Acyclic Graph）。 * 定义 `dbt_project.yml` 中的配置。 * 配置 dbt 中的 sources。 * 使用 dbt packages。 * 在开发生命周期中使用 git 功能。 * 创建 Python Models。 * 使用 `grants` 配置为用户提供模型访问权限。 * **dbt 模型治理：** * 添加 contracts 以确保模型结构的稳定性。 * 创建模型的不同版本并弃用旧版本。 * 配置模型访问权限。 * **调试数据建模错误：** * 理解日志中的错误信息。 * 通过编译后的代码进行故障排除。 * 故障排除 `troubleshooting.yml` 编译错误。 * 区分 dbt core 或数据平台错误响应。 * 开发、实施和测试修复方案，然后合并。 * **管理数据管道：** * 对 DAG 中的故障点进行故障排除和管理。 * 使用 `dbt clone`。 * 故障排除集成工具的错误。 * **实施 dbt 测试：** * 在各种模型和 sources 上使用通用、单一、自定义和自定义通用测试。 * 测试 dbt 模型和 sources 的假设。 * 在工作流程中实施各种测试步骤。 * **创建和维护 dbt 文档：** * 更新 dbt docs。 * 在 `.yml` 文件中使用 macros 添加 sources、tables 和 columns 的描述。 * 使用 macros 展示 DAG 上的模型和数据 lineage。 * **实施和维护外部依赖：** * 实施 dbt exposures。 * 实施 source freshness。 * **利用 dbt state：** * 理解 state 的概念。 * 使用 `dbt retry`。 * 结合 state 和 result selectors。 该课程全面涵盖了从模型开发到治理、调试、管道管理、文档和外部依赖的分析工程实践，旨在帮助学习者为 dbt 分析工程认证考试做好准备。
The Analytics Engineering Certification Exam evaluates your ability to:build, test, and maintain models to make data accessible to othersuse dbt to apply engineering principles to analytics infrastructureWhat's covered in the exam?Developing dbt models:Identifying and verifying any raw object dependenciesUnderstanding core dbt materializationsConceptualizing modularity and how to incorporate DRY principlesConverting business logic into performant SQL queriesUsing commands such as run, test, docs and seedCreating a logical flow of models and building clean DAGsDefining configurations in dbt_project.ymlConfiguring sources in dbtUsing dbt PackagesUtilizing git functionality within the development lifecycleCreating Python ModelsProviding access to users to models with the "grants" configUnderstanding dbt models governance:Adding contracts to models to ensure the shape of modelsCreating different versions of our models and deprecating the old onesConfiguring Model AccessDebugging data modeling errors:Understanding logged error messagesTroubleshooting using compiled codeTroubleshooting.yml compilation errorsDistinguishing between dbt core or data platform error responsesDeveloping and implementing a fix and testing it prior to mergingManaging data pipelines:Troubleshooting and managing failure points in the DAGUsing dbt cloneTroubleshooting errors from integrated toolsImplementing dbt tests:Using generic, singular, custom, and custom generic tests on a wide variety of models and sourcesTesting assumptions for dbt models and sourcesImplementing various testing steps in the workflowCreating and Maintaining dbt documentation:Updating dbt docsImplementing source, table, and column descriptions in yml filesUsing macros to show model and data lineage on the DAGImplementing and Maintaining External Dependencies:Implementing dbt exposuresImplementing source freshnessLeveraging the dbt state:Understanding stateUsing dbt retryCombining state and result selectors
