Data Engineering

Linux และ Shell: คำสั่งพื้นฐาน, bash scripting, สิทธิ์, cron job

Git และ GitHub: การแตกสาขา, merge, rebase, pull request, workflow CI/CD

Python ขั้นสูง: OOP, decorator, generator, context manager, typing, async/await

CI/CD: linting (Ruff, Pylint), การจัดแพ็กเกจ (Poetry), test, GitHub Actions, pipeline

Docker: Dockerfile, image, container, volume, network, multi-stage build

Docker Compose: บริการหลาย container, การพึ่งพา, healthcheck, การจัดการในเครื่อง

FastAPI: route, โมเดล Pydantic, dependency, middleware, การ deploy

SQL ขั้นสูง: window function, CTE, คิวรีวิเคราะห์, การเพิ่มประสิทธิภาพ, index

BigQuery: สถาปัตยกรรม serverless, การแบ่งพาร์ทิชัน, คลัสเตอร์, ต้นทุน, UDF, คิวรีแบบ federated

PostgreSQL: การตั้งค่า, การจำลอง, index (B-tree, GIN, GiST), VACUUM, EXPLAIN ANALYZE

การสร้างโมเดลข้อมูล: star schema, ตาราง fact/dimension, normalization, SCD, data vault

ELT vs ETL vs ETLT: รูปแบบ, การแลกเปลี่ยน, ทางเลือกสถาปัตยกรรม

Fivetran และ Airbyte: connector, โหมดการซิงค์, CDC, การพัฒนา schema

dbt: model, source, ref, test, snapshot, model เพิ่มทีละส่วน, Jinja macro

Apache Airflow: DAG, operator, sensor, XCom, connection, pool, การพึ่งพางาน

PySpark: RDD vs DataFrame, การแปลง, action, การแบ่งพาร์ทิชัน, ตัวแปร broadcast

Streaming: Pub/Sub (topic, subscription), Apache Beam (PCollection, transform, windowing), Dataflow

Kubernetes: pod, deployment, service, ingress, ConfigMap, Secret, Helm, การปรับขนาด

Terraform: provider, resource, state, module, plan/apply, infrastructure as code

IAM และความปลอดภัย: หลักสิทธิ์น้อยที่สุด, service account, บทบาท GCP

ฐานข้อมูล NoSQL: GraphDB (Neo4j), Document DB (MongoDB, Firestore), Wide Column (Cassandra, Bigtable)

สถาปัตยกรรมข้อมูล: Data Lake vs Data Warehouse vs Data Lakehouse, Data Mesh, Data Contract

การติดตามและความสามารถในการสังเกต: logging, เมตริก, การแจ้งเตือน, SLA/SLO/SLI, การตรวจสอบคุณภาพข้อมูล