اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی داده‌های ابری: طراحی، پیاده‌سازی و مدیریت سیستم‌های داده در محیط ابری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده‌های ابری: طراحی، پیاده‌سازی و مدیریت سیستم‌های داده در محیط ابری

موضوع کلی: مهندسی و توسعه نرم‌افزار

موضوع میانی: مهندسی داده و سیستم‌های اطلاعاتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و سیستم‌های اطلاعاتی
• 2. اصول طراحی سیستم‌های داده
• 3. مبانی پایگاه‌های داده رابطه‌ای
• 4. مبانی پایگاه‌های داده NoSQL
• 5. معماری‌های داده مدرن
• 6. مقدمه‌ای بر رایانش ابری
• 7. سرویس‌های ذخیره‌سازی ابری
• 8. سرویس‌های پردازش ابری
• 9. مبانی مهندسی داده در محیط ابری
• 10. مراحل پایپ‌لاین داده
• 11. جمع‌آوری داده از منابع مختلف
• 12. انتقال داده‌ها در محیط ابری
• 13. ذخیره‌سازی داده‌های ساختاریافته در ابر
• 14. ذخیره‌سازی داده‌های نیمه‌ساختاریافته در ابر
• 15. ذخیره‌سازی داده‌های بدون ساختار در ابر
• 16. دریاچه‌های داده (Data Lakes)
• 17. انبارهای داده (Data Warehouses)
• 18. انواع معماری‌های انبار داده
• 19. طراحی اسکیمای انبار داده
• 20. مدل‌سازی ابعادی (Dimensional Modeling)
• 21. نرمال‌سازی و دنرمال‌سازی در پایگاه‌های داده
• 22. کیفیت داده (Data Quality)
• 23. پاکسازی داده (Data Cleansing)
• 24. تبدیل داده (Data Transformation)
• 25. بارگذاری داده (Data Loading)
• 26. ETL در مقابل ELT
• 27. ابزارهای ETL/ELT ابری
• 28. مقدمه‌ای بر پردازش دسته‌ای (Batch Processing)
• 29. پردازش دسته‌ای با Apache Spark
• 30. مقدمه‌ای بر پردازش جریانی (Stream Processing)
• 31. پردازش جریانی با Apache Kafka
• 32. پردازش جریانی با Apache Flink
• 33. موتورهای پردازش داده ابری
• 34. مدیریت داده‌های بزرگ (Big Data Management)
• 35. امنیت داده در محیط ابری
• 36. حریم خصوصی داده (Data Privacy)
• 37. استانداردهای حاکمیت داده (Data Governance)
• 38. مدیریت کلان‌داده (Metadata Management)
• 39. کاتالوگ داده (Data Catalog)
• 40. مدیریت چرخه حیات داده (Data Lifecycle Management)
• 41. تجسم داده (Data Visualization)
• 42. ابزارهای تجسم داده در ابر
• 43. داشبوردهای مدیریتی
• 44. تحلیل اکتشافی داده (Exploratory Data Analysis)
• 45. یادگیری ماشین و مهندسی داده
• 46. مهندسی ویژگی (Feature Engineering)
• 47. آماده‌سازی داده برای مدل‌های یادگیری ماشین
• 48. پایپ‌لاین‌های ML در ابر
• 49. مدیریت مدل‌های ML
• 50. مقدمه‌ای بر معماری میکروسرویس‌ها
• 51. سیستم‌های توزیع‌شده
• 52. مفاهیم هماهنگی در سیستم‌های توزیع‌شده
• 53. موازنه بار (Load Balancing)
• 54. تاب‌آوری (Resiliency) و تحمل خطا (Fault Tolerance)
• 55. قابلیت مقیاس‌پذیری (Scalability)
• 56. مدیریت پیکربندی (Configuration Management)
• 57. اتوماسیون زیرساخت (Infrastructure Automation)
• 58. زیرساخت به عنوان کد (Infrastructure as Code - IaC)
• 59. ابزارهای IaC (Terraform, Ansible)
• 60. کانتینرسازی (Containerization) با Docker
• 61. ارکستراسیون کانتینرها با Kubernetes
• 62. شبکه‌سازی در محیط ابری
• 63. امنیت شبکه در ابر
• 64. مدیریت هویت و دسترسی (IAM)
• 65. رمزنگاری داده در ابر
• 66. ملاحظات قانونی و انطباق در مهندسی داده
• 67. حاکمیت داده در سازمان
• 68. نقش مهندس داده در تیم چابک (Agile)
• 69. متدولوژی‌های توسعه نرم‌افزار و داده
• 70. ارزیابی و انتخاب فناوری‌های داده
• 71. طراحی سیستم‌های داده مقیاس‌پذیر
• 72. بهینه‌سازی عملکرد پایپ‌لاین‌های داده
• 73. عیب‌یابی سیستم‌های داده ابری
• 74. مدیریت هزینه‌های زیرساخت ابری
• 75. پایش و ثبت وقایع (Monitoring & Logging)
• 76. استراتژی‌های بازیابی از فاجعه (Disaster Recovery)
• 77. مقدمه‌ای بر داده‌های مکانی-زمانی (Spatio-temporal Data)
• 78. مدیریت داده‌های سری زمانی (Time Series Data)
• 79. کاربرد هوش مصنوعی در مهندسی داده
• 80. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 81. مهندسی داده برای تحلیل بلادرنگ
• 82. پایپ‌لاین‌های داده برای اینترنت اشیا (IoT)
• 83. معماری‌های داده رویداد-محور (Event-Driven Architectures)
• 84. بررسی موردی: پیاده‌سازی یک سیستم داده ابری
• 85. چالش‌های انتقال سیستم‌های داده سنتی به ابر
• 86. آینده مهندسی داده
• 87. نقش مهندس داده در کسب‌وکار
• 88. اصول اخلاقی در مهندسی داده
• 89. مقدمه‌ای بر معماری‌های داده مدرن (Data Mesh)
• 90. مفاهیم داده به عنوان محصول (Data as a Product)
• 91. خودمختاری دامنه داده (Data Domain Autonomy)
• 92. پلتفرم داده به عنوان زیرساخت (Data Platform as Infrastructure)
• 93. امنیت و انطباق در معماری Data Mesh
• 94. حاکمیت داده در Data Mesh
• 95. نقش مهندس داده در سازمان‌های مبتنی بر داده
• 96. ارتباط مهندسی داده با علم داده و تحلیل داده
• 97. اصول طراحی API برای دسترسی به داده
• 98. مدیریت خطاهای داده و بازگشت به عقب (Rollback)
• 99. آزمون‌پذیری سیستم‌های داده
• 100. پایپ‌لاین‌های CI/CD برای سیستم‌های داده