اپلیکیشن اندرویدی فلش‌کارت آموزشی مبانی تحلیل داده با سرویس‌های AWS

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل داده با سرویس‌های AWS

موضوع کلی: فناوری اطلاعات و تحلیل داده

موضوع میانی: تحلیل داده در محیط ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده
• 2. مفاهیم کلیدی تحلیل داده
• 3. کاربرد تحلیل داده در صنعت
• 4. اخلاق در تحلیل داده
• 5. مبانی ذخیره‌سازی داده
• 6. ساختار پایگاه‌های داده رابطه‌ای
• 7. مبانی پایگاه‌های داده NoSQL
• 8. مفهوم داده‌های حجیم (Big Data)
• 9. معماری‌های پردازش داده‌های حجیم
• 10. معرفی سرویس‌های ابری AWS
• 11. مبانی AWS و مفاهیم ابری
• 12. نحوهٔ کار با کنسول AWS
• 13. امنیت در AWS
• 14. مدیریت هویت و دسترسی در AWS (IAM)
• 15. مبانی شبکه در AWS
• 16. معرفی سرویس S3
• 17. ذخیره‌سازی اشیاء در S3
• 18. مدیریت هزینه‌ها در S3
• 19. مبانی پایگاه داده در AWS
• 20. معرفی سرویس RDS
• 21. مدیریت پایگاه داده‌های رابطه‌ای با RDS
• 22. انتخاب موتور پایگاه داده در RDS
• 23. پایداری و دسترسی‌پذیری در RDS
• 24. معرفی سرویس DynamoDB
• 25. ویژگی‌های DynamoDB
• 26. مدل‌سازی داده در DynamoDB
• 27. کاربردهای DynamoDB
• 28. مبانی پردازش داده در AWS
• 29. معرفی سرویس EC2
• 30. راه‌اندازی و مدیریت نمونه‌های EC2
• 31. مقیاس‌پذیری با EC2 Auto Scaling
• 32. نظارت بر عملکرد EC2
• 33. معرفی سرویس Lambda
• 34. توابع بدون سرور (Serverless)
• 35. کاربرد Lambda در پردازش داده
• 36. مبانی ETL در AWS
• 37. معرفی سرویس Glue
• 38. ساخت ETL Job با Glue
• 39. مدیریت کاتالوگ داده با Glue
• 40. معرفی سرویس EMR
• 41. پردازش داده‌های حجیم با EMR
• 42. پیکربندی کلاستر EMR
• 43. کاربرد Spark در EMR
• 44. معرفی سرویس Redshift
• 45. انبار داده (Data Warehouse) در Redshift
• 46. طراحی اسکیمای Redshift
• 47. بهینه‌سازی عملکرد Redshift
• 48. مبانی تجسم داده در AWS
• 49. معرفی سرویس QuickSight
• 50. ساخت داشبوردهای تعاملی با QuickSight
• 51. اتصال QuickSight به منابع داده
• 52. اشتراک‌گذاری گزارش‌ها در QuickSight
• 53. مبانی تحلیل داده‌های جریانی (Streaming)
• 54. معرفی سرویس Kinesis
• 55. پردازش داده‌های جریانی با Kinesis Data Streams
• 56. تحلیل داده‌های جریانی با Kinesis Data Analytics
• 57. ارسال داده به Kinesis Data Firehose
• 58. مبانی یادگیری ماشین در AWS
• 59. معرفی سرویس SageMaker
• 60. آماده‌سازی داده برای یادگیری ماشین
• 61. آموزش مدل با SageMaker
• 62. استقرار و پیش‌بینی با SageMaker
• 63. اصول مهندسی ویژگی (Feature Engineering)
• 64. انتخاب الگوریتم‌های یادگیری ماشین
• 65. ارزیابی مدل‌های یادگیری ماشین
• 66. مبانی داده‌کاوی
• 67. تکنیک‌های خوشه‌بندی
• 68. تکنیک‌های طبقه‌بندی
• 69. قوانین وابستگی (Association Rules)
• 70. مبانی تحلیل سری‌های زمانی
• 71. مدل‌سازی ARIMA
• 72. پیش‌بینی با مدل‌های سری زمانی
• 73. مبانی تحلیل شبکه
• 74. تحلیل گراف
• 75. شناسایی جوامع در شبکه‌ها
• 76. کاربرد تحلیل شبکه در کسب‌وکار
• 77. مبانی هوش تجاری (BI)
• 78. طراحی انبار داده برای BI
• 79. معماری‌های BI
• 80. تحلیلگران کسب‌وکار و BI
• 81. مباحث پیشرفته در تحلیل داده
• 82. تحلیل متن (Text Analytics)
• 83. پردازش زبان طبیعی (NLP)
• 84. تحلیل احساسات (Sentiment Analysis)
• 85. مبانی تحلیل مکانی (Spatial Analytics)
• 86. کاربرد داده‌های مکانی
• 87. جمع‌آوری و پاک‌سازی داده‌های مکانی
• 88. مبانی امنیت داده در AWS
• 89. رمزنگاری داده‌ها در AWS
• 90. مدیریت دسترسی به داده‌ها
• 91. پایش و ثبت رویدادهای امنیتی
• 92. استانداردهای حاکمیت داده
• 93. مدیریت کیفیت داده
• 94. مستندسازی داده‌ها
• 95. بازنگری در معماری‌های تحلیل داده
• 96. استفاده از ابزارهای اتوماسیون در تحلیل داده
• 97. مبانی DevSecOps در تحلیل داده
• 98. بهینه‌سازی هزینه‌های تحلیل داده در AWS
• 99. مدیریت چرخه‌ی عمر داده
• 100. طراحی استراتژی داده