دوره مدل‌سازی داده در AWS: از DynamoDB تا Redshift همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مدل‌سازی داده در AWS: از DynamoDB تا Redshift

موضوع کلی: برنامه نویسی

موضوع میانی: طراحی و مدل‌سازی داده

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی مدل‌سازی داده و اهمیت آن
• 2. مفاهیم پایه‌ای پایگاه داده‌ها
• 3. معرفی AWS و خدمات مرتبط با داده
• 4. آشنایی با DynamoDB: پایگاه داده NoSQL
• 5. انتخاب مناسب نوع پایگاه داده: RDBMS vs. NoSQL
• 6. طراحی داده در DynamoDB: کلیدها و خصوصیات
• 7. مدل‌سازی تک‌جدولی (Single-Table Design) در DynamoDB
• 8. انواع داده‌ها و تبدیل آن‌ها در DynamoDB
• 9. شاخص‌گذاری در DynamoDB: Global Secondary Index (GSI)
• 10. شاخص‌گذاری در DynamoDB: Local Secondary Index (LSI)
• 11. بهینه‌سازی Queryها و Scanها در DynamoDB
• 12. مدیریت ظرفیت در DynamoDB: Provisioned و On-Demand
• 13. آشنایی با DynamoDB Accelerator (DAX)
• 14. امنیت در DynamoDB: IAM و رمزنگاری
• 15. مبانی تراکنش‌ها در DynamoDB
• 16. استفاده از DynamoDB Streams برای پردازش داده‌ها
• 17. یکپارچه‌سازی DynamoDB با Lambda
• 18. مانیتورینگ و لاگ‌گیری در DynamoDB
• 19. معرفی Redshift: Data Warehouse
• 20. ساختار داده‌ای Redshift: Nodes و Clusters
• 21. انواع داده‌ها در Redshift
• 22. طراحی جدول در Redshift: Dist Style و Sort Style
• 23. بهینه‌سازی Queryها در Redshift: Compression و Statistics
• 24. شاخص‌گذاری در Redshift
• 25. مدیریت داده‌ها در Redshift: Loading و Unloading
• 26. معرفی ETL و ابزارهای مرتبط در AWS
• 27. استفاده از AWS Glue برای ETL
• 28. مدل‌سازی داده‌های ستاره‌ای و خوشه برفکی
• 29. فرایند Data Modeling در Redshift
• 30. مدیریت ظرفیت و مقیاس‌پذیری در Redshift
• 31. امنیت در Redshift: IAM، رمزنگاری و VPC
• 32. آشنایی با Redshift Spectrum
• 33. Querying داده‌های خارجی با Redshift Spectrum
• 34. یکپارچه‌سازی Redshift با S3
• 35. یکپارچه‌سازی Redshift با Glue Data Catalog
• 36. مانیتورینگ و لاگ‌گیری در Redshift
• 37. مقایسه DynamoDB و Redshift
• 38. انتخاب راهکار مناسب برای نیازهای کسب‌وکار
• 39. بررسی موارد استفاده (Use Cases) DynamoDB
• 40. بررسی موارد استفاده (Use Cases) Redshift
• 41. آشنایی با Amazon Athena
• 42. Querying داده‌ها با Athena از S3
• 43. یکپارچه‌سازی Athena با Glue Data Catalog
• 44. معرفی Lake Formation
• 45. ساخت Lake Formation در AWS
• 46. امنیت داده‌ها در Lake Formation
• 47. معرفی Amazon EMR
• 48. پردازش داده‌های بزرگ با EMR
• 49. یکپارچه‌سازی EMR با Redshift
• 50. معرفی Amazon QuickSight
• 51. ایجاد داشبورد و گزارش در QuickSight
• 52. اتصال QuickSight به منابع داده مختلف
• 53. امنیت در QuickSight
• 54. معرفی Amazon Kinesis
• 55. جریان داده‌ها با Kinesis
• 56. یکپارچه‌سازی Kinesis با DynamoDB
• 57. یکپارچه‌سازی Kinesis با Redshift
• 58. فراهم‌آوری داده‌ها از منابع مختلف
• 59. نرمال‌سازی داده‌ها
• 60. مدل‌سازی داده‌های تاریخی
• 61. مدل‌سازی داده‌های زمانی
• 62. مدیریت خطا و استثنائات در پردازش داده
• 63. بهینه‌سازی عملکرد کوئری‌ها در DynamoDB
• 64. بهینه‌سازی عملکرد کوئری‌ها در Redshift
• 65. مدیریت تغییرات schema
• 66. پیاده‌سازی تراکنش‌های پیچیده
• 67. استراتژی‌های پشتیبان‌گیری و بازیابی داده
• 68. اتوماسیون عملیات پایگاه داده
• 69. نظارت و هشداردهی پیشرفته
• 70. مدیریت هزینه و بهینه‌سازی منابع
• 71. مدل‌سازی داده برای اینترنت اشیا (IoT)
• 72. مدل‌سازی داده برای تحلیل رفتار مشتری
• 73. مدل‌سازی داده برای سیستم‌های توصیه گر
• 74. امنیت داده و رعایت حریم خصوصی (GDPR, CCPA)
• 75. مدیریت دسترسی و کنترل‌های امنیتی
• 76. مفهوم Data Governance
• 77. نقش‌های مختلف در تیم‌های داده (Data Engineer, Data Scientist, ...)
• 78. معرفی ابزارهای مانیتورینگ و لاگ‌گیری پیشرفته
• 79. بهترین روش‌های پیاده‌سازی CI/CD برای پایگاه داده
• 80. مدیریت پیکربندی و نسخه‌بندی کد
• 81. مقایسه ابزارهای ETL مختلف در AWS
• 82. استفاده از Serverless در مدل‌سازی داده
• 83. آشنایی با معماری Event-Driven
• 84. پیاده‌سازی معماری Event-Driven با DynamoDB و Kinesis
• 85. استفاده از Machine Learning برای بهبود مدل‌سازی داده
• 86. مدل‌سازی داده برای پردازش زبان طبیعی (NLP)
• 87. مدل‌سازی داده برای پردازش تصویر
• 88. طراحی داده برای مقیاس‌پذیری افقی
• 89. طراحی داده برای دسترسی بالا
• 90. پیاده‌سازی Disaster Recovery
• 91. یکپارچه‌سازی با سرویس‌های دیگر AWS (S3, ECS, ...)
• 92. بهینه‌سازی هزینه و عملکرد در محیط‌های Multi-AZ
• 93. بررسی نمونه‌های واقعی (Case Studies)
• 94. آینده مدل‌سازی داده در AWS
• 95. آموزش عیب‌یابی و رفع مشکلات رایج
• 96. گواهینامه‌های AWS مرتبط با داده
• 97. منابع یادگیری تکمیلی و جامعه‌های تخصصی
• 98. آشنایی با بهترین شیوه‌ها (Best Practices) در مدل‌سازی داده
• 99. مروری بر مفاهیم کلیدی و نکات مهم
• 100. آماده‌سازی برای مصاحبه‌های شغلی