BigQuery & Cloud Data
BigQuery, requêtes SQL à grande échelle, partitionnement, datasets publics, coûts, optimisation
1Qu'est-ce que Google BigQuery ?
Qu'est-ce que Google BigQuery ?
Réponse
BigQuery est un entrepôt de données (data warehouse) serverless, hautement scalable et économique proposé par Google Cloud Platform. Il permet d'exécuter des requêtes SQL analytiques sur des pétaoctets de données en quelques secondes grâce à son architecture distribuée. Contrairement aux bases de données traditionnelles, BigQuery sépare le stockage du calcul, ce qui permet une facturation à l'usage et une scalabilité quasi illimitée.
2Quel est le principal avantage de l'architecture serverless de BigQuery ?
Quel est le principal avantage de l'architecture serverless de BigQuery ?
Réponse
L'architecture serverless de BigQuery signifie qu'il n'y a pas d'infrastructure à gérer : pas de provisionnement de serveurs, pas de configuration de clusters, pas de maintenance. Google gère automatiquement les ressources en fonction de la charge. Cela permet de se concentrer sur les requêtes et l'analyse plutôt que sur l'administration système, tout en bénéficiant d'une scalabilité automatique.
3Comment BigQuery facture-t-il les requêtes en mode on-demand ?
Comment BigQuery facture-t-il les requêtes en mode on-demand ?
Réponse
En mode on-demand, BigQuery facture en fonction de la quantité de données scannées par la requête, pas du temps d'exécution ni du nombre de lignes retournées. Le premier téraoctet scanné par mois est gratuit. Il est donc crucial d'optimiser les requêtes en sélectionnant uniquement les colonnes nécessaires et en utilisant le partitionnement pour réduire les coûts.
Qu'est-ce qu'un dataset dans BigQuery ?
Qu'est-ce que le partitionnement de table dans BigQuery et quel est son principal avantage ?
+15 questions d'entretien
Autres sujets d'entretien Data Science & ML
Les bases de Python
Programmation Orientée Objet Python
Structures de données Python
Fondamentaux Git
Les bases de SQL
Fondamentaux NumPy
Les bases de Pandas
Jupyter & Google Colab
SQL Joins & Requêtes avancées
Pandas avancé
Visualisation avec Matplotlib & Seaborn
Visualisations interactives avec Plotly
Statistiques descriptives
Statistiques inférentielles
Web Scraping
Feature Engineering
ML Supervisé : Régression
ML Supervisé : Classification
Arbres de décision & Ensembles
ML Non supervisé
Pipelines ML & Validation
Séries temporelles & Prévisions
Fondamentaux Deep Learning
TensorFlow & Keras
CNN & Classification d'images
RNN & Séquences
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps & Déploiement
Maîtrise Data Science & ML pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement