اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی انباره داده IBM: طراحی، پیاده‌سازی و مدیریت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی انباره داده IBM: طراحی، پیاده‌سازی و مدیریت

موضوع کلی: مهندسی داده و هوش تجاری

موضوع میانی: طراحی و پیاده‌سازی انباره داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و هوش تجاری
• 2. مبانی انباره داده
• 3. معماری‌های انباره داده
• 4. نورم‌سازی پایگاه داده رابطه‌ای
• 5. مدل‌سازی داده برای انباره داده
• 6. طراحی ابعاد (Dimensional Modeling)
• 7. فکت تیبل‌ها و دایمنشن تیبل‌ها
• 8. انواع فکت تیبل‌ها
• 9. انواع دایمنشن تیبل‌ها
• 10. طراحی اسکیمای ستاره‌ای (Star Schema)
• 11. طراحی اسکیمای برف‌دانه‌ای (Snowflake Schema)
• 12. مقایسه اسکیمای ستاره‌ای و برف‌دانه‌ای
• 13. طراحی انباره داده سه‌لایه
• 14. لایه عملیاتی (ODS)
• 15. لایه انباره داده
• 16. لایه Data Mart
• 17. فرایند ETL (Extract, Transform, Load)
• 18. استخراج داده (Extraction)
• 19. تبدیل داده (Transformation)
• 20. بارگذاری داده (Loading)
• 21. ابزارهای ETL
• 22. مفاهیم داده‌کاوی
• 23. الگوریتم‌های دسته‌بندی
• 24. الگوریتم‌های خوشه‌بندی
• 25. قوانین وابستگی (Association Rules)
• 26. پیش‌بینی سری‌های زمانی
• 27. تحلیل رگرسیون
• 28. تحلیل تصادفی جنگل (Random Forest)
• 29. شبکه‌های عصبی مصنوعی
• 30. یادگیری عمیق (Deep Learning)
• 31. مبانی هوش تجاری (BI)
• 32. کاربردهای هوش تجاری
• 33. داشبوردهای مدیریتی
• 34. گزارش‌گیری تعاملی
• 35. شاخص‌های کلیدی عملکرد (KPIs)
• 36. تحلیل OLAP (Online Analytical Processing)
• 37. مکعب‌های OLAP
• 38. مفاهیم OLTP (Online Transaction Processing)
• 39. مقایسه OLAP و OLTP
• 40. پلتفرم‌های هوش تجاری
• 41. ابزارهای BI متن‌باز
• 42. طراحی و پیاده‌سازی Data Mart
• 43. انواع Data Mart
• 44. مفاهیم Data Warehouse Appliance
• 45. انباره داده ابری (Cloud Data Warehouse)
• 46. امنیت در انباره داده
• 47. مدیریت کیفیت داده (Data Quality Management)
• 48. پاکسازی داده (Data Cleansing)
• 49. استانداردسازی داده (Data Standardization)
• 50. اعتبارسنجی داده (Data Validation)
• 51. مدیریت کلان داده (Big Data Management)
• 52. مبانی Hadoop
• 53. اکوسیستم Hadoop
• 54. HDFS (Hadoop Distributed File System)
• 55. MapReduce
• 56. Spark
• 57. انواع پایگاه داده NoSQL
• 58. پایگاه داده‌های کلید-مقدار
• 59. پایگاه داده‌های سندی
• 60. پایگاه داده‌های ستونی
• 61. پایگاه داده‌های گراف
• 62. کاربرد NoSQL در هوش تجاری
• 63. مبانی داده‌های جریانی (Streaming Data)
• 64. پردازش داده‌های جریانی
• 65. ابزارهای پردازش جریانی
• 66. Kafka
• 67. Flink
• 68. Spark Streaming
• 69. امنیت در داده‌های جریانی
• 70. مبانی علم داده (Data Science)
• 71. چرخه حیات علم داده
• 72. تحلیل اکتشافی داده (EDA)
• 73. مصورسازی داده (Data Visualization)
• 74. کتابخانه‌های مصورسازی داده
• 75. Matplotlib
• 76. Seaborn
• 77. Plotly
• 78. Tableau
• 79. Power BI
• 80. QlikView
• 81. مبانی یادگیری ماشین (Machine Learning)
• 82. یادگیری با نظارت (Supervised Learning)
• 83. یادگیری بدون نظارت (Unsupervised Learning)
• 84. یادگیری تقویتی (Reinforcement Learning)
• 85. مهندسی ویژگی (Feature Engineering)
• 86. انتخاب ویژگی (Feature Selection)
• 87. ارزیابی مدل‌های یادگیری ماشین
• 88. متریک‌های ارزیابی مدل
• 89. اعتبارسنجی متقابل (Cross-Validation)
• 90. مدیریت چرخه عمر مدل (MLOps)
• 91. اصول حاکمیت داده (Data Governance)
• 92. مدیریت فراداده (Metadata Management)
• 93. داده‌نامه (Data Catalog)
• 94. مدیریت واژه‌نامه تجاری (Business Glossary)
• 95. خط مشی‌های داده (Data Policies)
• 96. مدیریت ریسک داده (Data Risk Management)
• 97. مبانی انطباق داده (Data Compliance)
• 98. قوانین حفاظت از داده‌ها
• 99. حریم خصوصی داده‌ها
• 100. استانداردهای داده در ایران