通过学习基本语法、数据类型、表达式、变量和 String 操作，培养对 Python 编程的基础理解。

使用数据结构、条件和分支、Loop、函数、异常处理、对象和类应用 Python 编程逻辑。

熟练使用 Pandas 和 Numpy 等 Python 库，并使用 Jupyter Notebook 开发代码。

通过使用请求处理 REST API 和使用 BeautifulSoup 执行网络刮擦，访问和提取基于网络的数据。

展示使用 Python 处理和操作数据的技能

使用 Python 实施网络抓取并使用 API 提取数据

扮演数据工程师的角色，在实际项目中提取、转换和加载数据

使用 Jupyter 笔记本和集成开发环境完成项目

描述数据、数据库、关系数据库和云数据库。

描述信息和数据模型、关系数据库和关系模型概念（包括模式和表格）。

解释实体关系图，并为特定用例设计关系数据库。

掌握常用数据库管理系统的工作知识，包括 MySQL、PostgreSQL 和 IBM DB2

使用 SQL 和 Python 分析数据库中的数据。

创建关系数据库，并使用 DDL 命令处理多个表。

使用 DML 命令构建基本至中级 SQL 查询。

利用视图、事务、存储过程和连接等高级 SQL 技术，编写功能更强大的查询。

描述 Linux 体系结构和常见的 Linux 发行版，在 Linux 系统上更新和安装软件。

在 Bash shell 中执行常见的信息、文件、内容、导航、压缩和网络命令。

使用 Linux 命令、环境变量、管道和过滤器开发 shell 脚本。

使用 crontab 在 Linux 中安排 cron 作业，并解释 cron 语法。

创建、查询和配置数据库，访问和构建表格等系统对象。

执行基本的数据库管理，包括备份和恢复数据库以及管理用户角色和权限。

监控和优化数据库性能的重要方面。

排除连接、登录和配置等数据库问题，并自动执行报告、通知和警报等功能。

描述并对比提取、转换、加载（ETL）流程和提取、加载、转换（ELT）流程。

解释批处理与并发执行模式。

通过 bash 和 Python 函数实现 ETL 工作流程。

描述数据管道组件、流程、工具和技术。

在短短 6 周内掌握可直接就业的数据仓库技能，并获得实践经验和 IBM 证书的支持。

设计和填充数据仓库，使用 CUBE、ROLLUP 和物化视图建模和查询数据。

识别流行的数据分析和商业智能工具及供应商，并使用 IBM Cognos Analytics 创建数据可视化。

如何设计数据并将其 Load 到数据 Warehouse 中、编写聚合查询、创建 Materialized 查询表以及创建分析仪表板。

探索分析和商业智能（BI）工具的用途

了解 IBM Cognos Analytics 和 Google Looker Studio 的功能

利用 IBM Cognos Analytics 展示您分析 DB2 数据的能力

使用 IBM Cognos Analytics 和 Google Looker Studio 创建和共享交互式 Dashboard

区分 NoSQL 存储库的四大类别。

描述比较流行的大数据处理工具的特点、功能、优势、局限性和应用。

使用 MongoDB 任务执行常见任务，包括创建、读取、更新和删除（CRUD）操作。

在 Cassandra 中执行键空间、表和 CRUD 操作。

解释大数据的影响，包括使用案例、工具和处理方法。

介绍 Apache Hadoop 架构、生态系统、实践和用户相关应用，包括 Hive、HDFS、HBase、Spark 和 MapReduce。

应用 Spark 编程基础，包括数据帧、数据集和 Spark SQL 的并行编程基础。

使用 Spark 的 RDD 和数据集，使用 Catalyst 和 Tungsten 优化 Spark SQL，以及使用 Spark 的开发和运行环境选项。

描述 ML，解释其在数据工程中的作用，总结生成式人工智能，讨论 Spark 的用途，分析 ML 管道和模型持久性。

评估 ML 模型，区分回归、分类和聚类模型，比较数据工程管道和 ML 管道。

使用 Spark SQL 构建数据分析流程，并使用 SparkML 执行回归、分类和聚类。

演示连接 Spark 集群、构建 ML 管道、执行特征提取和转换以及模型持久性。

熟练掌握初级数据工程职位所需的技能。

设计和实施数据工程生命周期中的各种概念和组件，如数据存储库。

展示有关关系数据库、NoSQL 数据存储、大数据引擎、数据仓库和数据管道的工作知识。

应用 Linux shell 脚本、SQL 和 Python 编程语言技能解决数据工程问题。

在各行业的数据工程流程中利用各种 AI 生成工具和技术

使用生成式 AI 工具实施数据生成、Augmentation 和匿名化等各种数据工程流程

在数据仓库模式设计和基础架构设置的实践实验室和项目中练习 AI 生成技能

评估实际案例研究，展示生成式 AI 在 ETL 和数据存储库中的成功应用

描述数据工程师的角色、一些职业选择以及该领域的潜在机会。

解释如何为求职打下基础，包括研究招聘信息、撰写简历和制作作品集。

总结求职者在典型的求职面试周期中可能遇到的情况、不同类型的面试以及如何准备面试。

解释如何进行有效的面试，包括回答问题的技巧和如何进行专业的个人陈述。