اپلیکیشن اندرویدی فلش‌کارت آموزشی اصول مهندسی داده برای ساخت زیرساخت‌های داده‌ای امن و کارآمد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره اصول مهندسی داده برای ساخت زیرساخت‌های داده‌ای امن و کارآمد

موضوع کلی: مهندسی داده

موضوع میانی: مبانی مهندسی داده

📋 سرفصل‌های دوره

• 1. مبانی مهندسی داده در ایران
• 2. معرفی مهندسی داده و کاربردهای آن
• 3. اهمیت زیرساخت‌های داده‌ای امن
• 4. اصول طراحی پایگاه‌های داده رابطه‌ای
• 5. مدل‌سازی داده‌های رابطه‌ای
• 6. معماری‌های پایگاه داده
• 7. بهینه‌سازی پرس‌وجو در پایگاه‌های داده
• 8. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 9. انواع پایگاه‌های داده NoSQL
• 10. کاربرد پایگاه‌های داده NoSQL
• 11. مفاهیم داده‌های جریانی (Streaming Data)
• 12. معماری داده‌های جریانی
• 13. ابزارهای پردازش داده‌های جریانی
• 14. مقدمه‌ای بر انبار داده (Data Warehousing)
• 15. طراحی انبار داده
• 16. انواع انبار داده
• 17. مدل‌سازی ابعادی (Dimensional Modeling)
• 18. مقدمه‌ای بر دریاچه داده (Data Lake)
• 19. معماری دریاچه داده
• 20. مزایا و معایب دریاچه داده
• 21. رمزنگاری داده‌ها
• 22. مدیریت دسترسی به داده‌ها
• 23. قوانین و مقررات حفاظت از داده‌ها در ایران
• 24. استانداردهای کیفیت داده
• 25. روش‌های پاکسازی داده
• 26. اعتبارسنجی داده‌ها
• 27. مقدمه‌ای بر مهندسی داده کلان (Big Data Engineering)
• 28. چارچوب‌های پردازش داده کلان (مانند Spark)
• 29. مفاهیم پردازش دسته‌ای (Batch Processing)
• 30. مفاهیم پردازش بلادرنگ (Real-time Processing)
• 31. معماری‌های داده مدرن
• 32. الگوهای طراحی مهندسی داده
• 33. مقدمه‌ای بر ETL و ELT
• 34. ابزارهای ETL/ELT
• 35. طراحی پایپ‌لاین‌های داده
• 36. نظارت بر پایپ‌لاین‌های داده
• 37. مدیریت فراداده (Metadata Management)
• 38. کاتالوگ داده (Data Catalog)
• 39. حاکمیت داده (Data Governance)
• 40. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 41. ابزارهای هوش تجاری
• 42. ساخت داشبوردهای مدیریتی
• 43. تحلیل اکتشافی داده (Exploratory Data Analysis)
• 44. مقدمه‌ای بر یادگیری ماشین برای مهندسی داده
• 45. مهندسی ویژگی (Feature Engineering)
• 46. ارزیابی مدل‌های یادگیری ماشین
• 47. استقرار مدل‌های یادگیری ماشین
• 48. مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 49. مدل‌سازی داده‌های مکانی
• 50. پردازش داده‌های مکانی
• 51. مقدمه‌ای بر داده‌های گراف (Graph Data)
• 52. مدل‌سازی داده‌های گراف
• 53. پردازش داده‌های گراف
• 54. امنیت در پردازش داده‌های کلان
• 55. ملاحظات اخلاقی در مهندسی داده
• 56. حریم خصوصی داده‌ها
• 57. قوانین مربوط به داده در ایران
• 58. مدیریت چرخه عمر داده
• 59. مفاهیم DataOps
• 60. اصول CI/CD در مهندسی داده
• 61. تست در مهندسی داده
• 62. معماری‌های داده توزیع‌شده
• 63. ذخیره‌سازی داده‌های توزیع‌شده
• 64. پردازش داده‌های توزیع‌شده
• 65. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 66. الگوریتم‌های داده‌کاوی
• 67. کاربرد داده‌کاوی در کسب‌وکار
• 68. مقدمه‌ای بر تحلیل آماری داده‌ها
• 69. روش‌های نمونه‌گیری
• 70. آزمون فرض آماری
• 71. مقدمه‌ای بر زبان‌های برنامه‌نویسی برای مهندسی داده (Python, SQL)
• 72. ساختارهای داده در Python
• 73. کار با کتابخانه‌های داده در Python (Pandas, NumPy)
• 74. اصول SQL پیشرفته
• 75. بهینه‌سازی عملکرد SQL
• 76. مقدمه‌ای بر ابزارهای اورکستراسیون (مانند Apache Airflow)
• 77. طراحی گردش کار با Airflow
• 78. نظارت و مدیریت گردش کار
• 79. مقدمه‌ای بر مفهوم Data Mesh
• 80. اصول Data Mesh
• 81. پیاده‌سازی Data Mesh
• 82. چالش‌های Data Mesh
• 83. مقدمه‌ای بر داده‌های سری زمانی (Time Series Data)
• 84. مدل‌سازی داده‌های سری زمانی
• 85. تحلیل داده‌های سری زمانی
• 86. مقدمه‌ای بر داده‌های متنی (Text Data)
• 87. پردازش زبان طبیعی (NLP)
• 88. تحلیل احساسات
• 89. مقدمه‌ای بر داده‌های تصویری (Image Data)
• 90. پردازش تصویر
• 91. بینایی ماشین
• 92. مقدمه‌ای بر مهندسی داده در فضای ابری (Cloud Data Engineering)
• 93. خدمات ابری برای داده
• 94. معماری‌های داده در ابر
• 95. مقدمه‌ای بر امنیت سایبری در مهندسی داده
• 96. روش‌های پیشگیری از حملات سایبری
• 97. پاسخ به حوادث امنیتی
• 98. اهمیت مستندسازی در مهندسی داده
• 99. اصول مستندسازی فنی
• 100. ابزارهای مستندسازی