# BigQuery & Cloud Data (Data Science & ML)

> BigQuery, groß angelegte SQL-Abfragen, Partitionierung, öffentliche Datensätze, Kosten, Optimierung

- 18 Interview-Fragen
- Mid-Level
- [Interview-Fragen: Data Science & ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen.md)

## 1. Was ist Google BigQuery?

**Antwort**

BigQuery ist ein serverloses, hoch skalierbares und kostengünstiges Data Warehouse von Google Cloud Platform. Dank seiner verteilten Architektur ermöglicht es die Ausführung analytischer SQL-Abfragen auf Petabytes von Daten in Sekunden. Im Gegensatz zu herkömmlichen Datenbanken trennt BigQuery Speicher und Rechenleistung, was eine nutzungsbasierte Abrechnung und nahezu unbegrenzte Skalierbarkeit ermöglicht.

## 2. Was ist der Hauptvorteil der serverlosen Architektur von BigQuery?

**Antwort**

Die serverlose Architektur von BigQuery bedeutet, dass keine Infrastruktur verwaltet werden muss: keine Server-Bereitstellung, keine Cluster-Konfiguration, keine Wartung. Google verwaltet Ressourcen automatisch basierend auf der Nachfrage. Dies ermöglicht es, sich auf Abfragen und Analysen zu konzentrieren, anstatt auf Systemadministration, während man von automatischer Skalierbarkeit profitiert.

## 3. Wie berechnet BigQuery Abfragen im On-Demand-Modus?

**Antwort**

Im On-Demand-Modus berechnet BigQuery basierend auf der Menge der von der Abfrage gescannten Daten, nicht nach Ausführungszeit oder zurückgegebenen Zeilen. Das erste Terabyte pro Monat ist kostenlos. Es ist daher entscheidend, Abfragen zu optimieren, indem nur notwendige Spalten ausgewählt und Partitionierung verwendet wird, um Kosten zu senken.

## 15 weitere Fragen verfügbar

- Was ist ein Dataset in BigQuery?
- Was ist Tabellenpartitionierung in BigQuery und was ist ihr Hauptvorteil?

Kostenlos registrieren: https://sharpskill.dev/de/login

## Weitere Data Science & ML-Interviewthemen

- [Python-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-basics.md): 25 Fragen, Junior
- [Python Objektorientierte Programmierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-oop.md): 20 Fragen, Junior
- [Python-Datenstrukturen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-data-structures.md): 20 Fragen, Junior
- [Git-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/git-fundamentals.md): 18 Fragen, Junior
- [SQL-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-basics.md): 20 Fragen, Junior
- [NumPy-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/numpy-fundamentals.md): 22 Fragen, Junior
- [Pandas-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-basics.md): 22 Fragen, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/de/technologies/data-science/interviewfragen/jupyter-colab.md): 16 Fragen, Junior
- [SQL Joins & fortgeschrittene Abfragen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-joins-advanced.md): 22 Fragen, Mid-Level
- [Fortgeschrittenes Pandas](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-advanced.md): 24 Fragen, Mid-Level
- [Visualisierung mit Matplotlib & Seaborn](https://sharpskill.dev/de/technologies/data-science/interviewfragen/matplotlib-seaborn.md): 20 Fragen, Mid-Level
- [Interaktive Visualisierungen mit Plotly](https://sharpskill.dev/de/technologies/data-science/interviewfragen/plotly-interactive.md): 18 Fragen, Mid-Level
- [Deskriptive Statistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-descriptive.md): 20 Fragen, Mid-Level
- [Inferenzstatistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-inferential.md): 24 Fragen, Mid-Level
- [Web Scraping](https://sharpskill.dev/de/technologies/data-science/interviewfragen/web-scraping.md): 18 Fragen, Mid-Level
- [Feature Engineering](https://sharpskill.dev/de/technologies/data-science/interviewfragen/feature-engineering.md): 22 Fragen, Mid-Level
- [Überwachtes ML: Regression](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-regression.md): 24 Fragen, Mid-Level
- [Überwachtes ML: Klassifikation](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-classification.md): 24 Fragen, Mid-Level
- [Entscheidungsbäume & Ensembles](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-trees-ensembles.md): 24 Fragen, Mid-Level
- [Unüberwachtes ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-unsupervised.md): 22 Fragen, Mid-Level
- [ML-Pipelines & Validierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-pipelines-validation.md): 22 Fragen, Mid-Level
- [Zeitreihen & Prognosen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/time-series-forecasting.md): 22 Fragen, Mid-Level
- [Grundlagen des Deep Learning](https://sharpskill.dev/de/technologies/data-science/interviewfragen/deep-learning-fundamentals.md): 24 Fragen, Senior
- [TensorFlow & Keras](https://sharpskill.dev/de/technologies/data-science/interviewfragen/tensorflow-keras.md): 22 Fragen, Senior
- [CNN und Bildklassifizierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/cnn-image-classification.md): 24 Fragen, Senior
- [RNN & Sequenzen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/rnn-sequences.md): 22 Fragen, Senior
- [Transformers & Attention](https://sharpskill.dev/de/technologies/data-science/interviewfragen/transformers-attention.md): 24 Fragen, Senior
- [NLP & Hugging Face](https://sharpskill.dev/de/technologies/data-science/interviewfragen/nlp-huggingface.md): 24 Fragen, Senior
- [GenAI & LangChain](https://sharpskill.dev/de/technologies/data-science/interviewfragen/genai-langchain.md): 24 Fragen, Senior
- [MLOps und Deployment](https://sharpskill.dev/de/technologies/data-science/interviewfragen/mlops-deployment.md): 24 Fragen, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/de/technologies/data-science/interviewfragen/bigquery-cloud