اپلیکیشن اندرویدی فلش‌کارت آموزشی طراحی و پیاده‌سازی راهکارهای تحلیل داده‌های جریانی در بستر ابر (AWS)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی راهکارهای تحلیل داده‌های جریانی در بستر ابر (AWS)

موضوع کلی: فناوری اطلاعات و علوم کامپیوتر

موضوع میانی: پردازش و تحلیل داده‌های جریانی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های جریانی
• 2. مفاهیم کلیدی در پردازش داده‌های جریانی
• 3. معماری راهکارهای تحلیل داده‌های جریانی
• 4. مبانی AWS برای پردازش داده‌های جریانی
• 5. آشنایی با سرویس‌های AWS برای داده‌های جریانی
• 6. انتخاب سرویس مناسب برای پردازش جریانی
• 7. مراحل طراحی یک راهکار تحلیل داده‌های جریانی
• 8. ملاحظات امنیتی در پردازش داده‌های جریانی
• 9. مدیریت هزینه‌ها در راهکارهای جریانی AWS
• 10. پایش و مانیتورینگ راهکارهای جریانی
• 11. مقدمه‌ای بر AWS Kinesis Data Streams
• 12. کاربرد Kinesis Data Streams
• 13. ایجاد یک Kinesis Data Stream
• 14. ارسال داده به Kinesis Data Streams
• 15. مصرف داده از Kinesis Data Streams
• 16. پردازش داده‌های جریانی با Kinesis Data Analytics
• 17. مبانی Kinesis Data Analytics
• 18. ایجاد یک برنامه Kinesis Data Analytics
• 19. نوشتن کوئری‌های SQL برای تحلیل جریانی
• 20. استفاده از توابع پنجره‌ای در Kinesis Data Analytics
• 21. اتصال Kinesis Data Analytics به منابع داده
• 22. اتصال Kinesis Data Analytics به مقاصد داده
• 23. کاربرد Kinesis Data Firehose
• 24. ارسال داده‌های جریانی به مقاصد مختلف
• 25. پیکربندی Kinesis Data Firehose
• 26. فشرده‌سازی داده‌ها در Kinesis Data Firehose
• 27. تبدیل داده‌ها در Kinesis Data Firehose
• 28. انتقال داده‌های جریانی به Amazon S3
• 29. انتقال داده‌های جریانی به Amazon Redshift
• 30. انتقال داده‌های جریانی به Amazon Elasticsearch Service
• 31. مقدمه‌ای بر AWS Lambda برای پردازش جریانی
• 32. استفاده از Lambda با Kinesis Data Streams
• 33. استفاده از Lambda با Kinesis Data Firehose
• 34. معماری‌های مبتنی بر رویداد (Event-driven architectures)
• 35. پردازش داده‌های جریانی با Apache Kafka (در صورت امکان و چارچوب)
• 36. مبانی Kafka
• 37. نصب و پیکربندی Kafka
• 38. تولیدکننده و مصرف‌کننده Kafka
• 39. موضوعات و صف‌ها در Kafka
• 40. یکپارچه‌سازی Kafka با AWS
• 41. مقدمه‌ای بر AWS Managed Streaming for Kafka (MSK)
• 42. ایجاد یک کلاستر MSK
• 43. پیکربندی MSK
• 44. امنیت در MSK
• 45. پردازش داده‌های جریانی با Apache Flink (در صورت امکان و چارچوب)
• 46. مبانی Apache Flink
• 47. کار با DataStream API در Flink
• 48. کار با Table API در Flink
• 49. مدیریت حالت (State management) در Flink
• 50. تحلیل داده‌های جریانی در زمان واقعی (Real-time)
• 51. استفاده از Kinesis Data Analytics for Apache Flink
• 52. ایجاد یک برنامه Flink در Kinesis Data Analytics
• 53. بهینه‌سازی عملکرد پردازش جریانی
• 54. مقیاس‌پذیری راهکارهای داده‌های جریانی
• 55. مدیریت و استقرار راهکارهای جریانی
• 56. مفاهیم DevOps برای راهکارهای جریانی
• 57. استفاده از AWS CloudFormation برای استقرار
• 58. استفاده از AWS CodePipeline برای CI/CD
• 59. مبانی تحلیل داده‌های کلان (Big Data Analytics)
• 60. مفاهیم Data Lake
• 61. طراحی یک Data Lake در AWS
• 62. استفاده از Amazon S3 به عنوان Data Lake
• 63. مدیریت فراداده (Metadata management) در Data Lake
• 64. مبانی انبار داده (Data Warehousing)
• 65. استفاده از Amazon Redshift
• 66. طراحی مدل داده برای Redshift
• 67. بهینه‌سازی کوئری در Redshift
• 68. مقدمه‌ای بر خدمات هوش تجاری (BI)
• 69. استفاده از Amazon QuickSight
• 70. اتصال QuickSight به منابع داده
• 71. ایجاد داشبوردهای تحلیلی
• 72. تجسم داده‌های جریانی
• 73. تحلیل احساسات (Sentiment Analysis) بر روی داده‌های جریانی
• 74. تشخیص ناهنجاری (Anomaly Detection) در داده‌های جریانی
• 75. پیش‌بینی (Forecasting) بر روی داده‌های جریانی
• 76. کاربرد داده‌های جریانی در اینترنت اشیاء (IoT)
• 77. جمع‌آوری داده‌های IoT با AWS IoT Core
• 78. پردازش داده‌های IoT با Kinesis
• 79. تحلیل داده‌های IoT با Kinesis Data Analytics
• 80. امنیت داده‌ها در راهکارهای جریانی
• 81. مدیریت دسترسی با AWS IAM
• 82. رمزنگاری داده‌ها در حالت سکون و در حال انتقال
• 83. ملاحظات قانونی و حریم خصوصی در داده‌های جریانی
• 84. تطابق با مقررات حفاظت از داده‌ها
• 85. مدیریت چرخه عمر داده‌ها
• 86. بازیابی فاجعه (Disaster Recovery) برای راهکارهای جریانی
• 87. طراحی معماری‌های مقاوم در برابر خطا
• 88. آزمایش راهکارهای داده‌های جریانی
• 89. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 90. استفاده از Amazon SageMaker برای یادگیری ماشین
• 91. آموزش مدل‌های یادگیری ماشین بر روی داده‌های جریانی
• 92. استقرار مدل‌های یادگیری ماشین برای پیش‌بینی آنی
• 93. کاربرد یادگیری ماشین در تحلیل داده‌های جریانی
• 94. مقدمه‌ای بر مدیریت داده‌های کلان
• 95. اصول حاکمیت داده (Data Governance)
• 96. اهمیت کیفیت داده‌ها
• 97. روش‌های پاکسازی و اعتبارسنجی داده‌ها
• 98. مقدمه‌ای بر مفاهیم پیشرفته تحلیل داده‌های جریانی
• 99. پردازش گراف (Graph Processing) در داده‌های جریانی (در صورت امکان)
• 100. پردازش زبان طبیعی (NLP) بر روی داده‌های جریانی