Ce cours présente les principes et la pratique des systèmes d'extraction-transformation-chargement (ETL), l'épine dorsale des opérations modernes basées sur les données. Les apprenants commencent par explorer les fondamentaux des bases de données, y compris les schémas, les tables et les structures sources, puis examinent comment les pipelines ETL déplacent, nettoient et façonnent les données pour une utilisation fiable à travers les flux de travail d'analyse et d'IA. En s'appuyant sur cette base, le cours offre une expérience pratique de l'utilisation d'Apache NiFi pour construire des flux ETL visuels de bout en bout, guidant les apprenants à travers des tâches essentielles telles que l'extraction de données brutes à partir de sources multiples, l'application de transformations significatives, l'enrichissement des enregistrements, la normalisation des formats et le chargement de résultats propres dans les systèmes de destination. Chaque module développe une aisance pratique : de la compréhension des concepts ETL de base, à la conception de pipelines d'extraction-transformation-chargement, en passant par l'application de l'automatisation, de l'optimisation et des améliorations soutenues par l'IA.

Ce cours est conçu pour les débutants qui s'intéressent à l'ingénierie des données et à la gestion des bases de données. Que vous soyez un nouvel analyste de données, un ingénieur de données en herbe ou toute personne cherchant à comprendre le rôle de l'ETL dans les flux de données modernes, ce cours vous fournira les connaissances et les compétences nécessaires pour construire des systèmes ETL efficaces. Aucune expérience préalable de l'ETL, de la programmation ou des concepts avancés de la science des données n'est requise. Une compréhension de base des bases de données, des fichiers CSV et des concepts généraux de données sera utile mais n'est pas obligatoire. À la fin du cours, les apprenants pourront concevoir et optimiser un flux de travail ETL complet et comprendre comment les équipes modernes intègrent ces pipelines dans les plateformes analytiques, les tableaux de bord opérationnels et les pipelines de fonctions d'apprentissage automatique.