دوره مهندسی داده برای داشبوردهای تصمیم‌گیری سریع همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده برای داشبوردهای تصمیم‌گیری سریع

موضوع کلی: توسعه سیستم‌های کسب‌وکار

موضوع میانی: مدیریت داشبورد (Dashboard Management)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و داشبوردهای تصمیم‌گیری
• 2. مفاهیم کلیدی در مهندسی داده
• 3. اهمیت داشبوردهای تصمیم‌گیری در کسب‌وکار
• 4. مراحل چرخه حیات داده
• 5. انواع ساختارهای داده
• 6. مخازن داده سنتی و مدرن
• 7. مفاهیم پایگاه داده رابطه‌ای
• 8. طراحی پایگاه داده رابطه‌ای
• 9. مقدمه‌ای بر پایگاه داده NoSQL
• 10. انواع پایگاه داده NoSQL
• 11. انتخاب پایگاه داده مناسب
• 12. مفاهیم انبار داده (Data Warehouse)
• 13. معماری انبار داده
• 14. طراحی انبار داده با رویکرد Kimball
• 15. طراحی انبار داده با رویکرد Inmon
• 16. مفاهیم دریاچه داده (Data Lake)
• 17. معماری دریاچه داده
• 18. تفاوت انبار داده و دریاچه داده
• 19. مقدمه‌ای بر ابزارهای ETL
• 20. فرآیند ETL: استخراج (Extract)
• 21. فرآیند ETL: تبدیل (Transform)
• 22. فرآیند ETL: بارگذاری (Load)
• 23. ابزارهای ETL رایج
• 24. مفاهیم جریان داده (Data Streaming)
• 25. معماری جریان داده
• 26. پلتفرم‌های پردازش جریان داده
• 27. مقدمه‌ای بر مهندسی داده در مقیاس بزرگ
• 28. پلتفرم‌های پردازش توزیع‌شده
• 29. Apache Hadoop و اکوسیستم آن
• 30. Apache Spark برای پردازش داده
• 31. Spark SQL برای پرس‌وجو از داده
• 32. Spark Streaming برای پردازش جریان داده
• 33. مفاهیم پردازش دسته‌ای (Batch Processing)
• 34. مفاهیم پردازش آنی (Real-time Processing)
• 35. معماری‌های داده مدرن
• 36. طراحی داده برای داشبوردهای تحلیلی
• 37. مدل‌سازی داده برای تصمیم‌گیری
• 38. مفاهیم کیفیت داده
• 39. روش‌های بهبود کیفیت داده
• 40. اعتبارسنجی داده‌ها
• 41. پاکسازی داده‌ها
• 42. حاکمیت داده (Data Governance)
• 43. امنیت داده‌ها در مهندسی داده
• 44. مدیریت کلان‌داده (Big Data Management)
• 45. مفاهیم داده‌کاوی (Data Mining)
• 46. الگوریتم‌های داده‌کاوی پرکاربرد
• 47. خوشه‌بندی داده‌ها
• 48. طبقه‌بندی داده‌ها
• 49. پیش‌بینی سری‌های زمانی
• 50. مقدمه‌ای بر یادگیری ماشین در مهندسی داده
• 51. آماده‌سازی داده برای یادگیری ماشین
• 52. مهندسی ویژگی (Feature Engineering)
• 53. ارزیابی مدل‌های یادگیری ماشین
• 54. مقدمه‌ای بر طراحی داشبورد
• 55. اصول طراحی بصری برای داشبورد
• 56. انتخاب نمودارهای مناسب برای نمایش داده
• 57. کاربرد انواع نمودارها در داشبورد
• 58. طراحی داشبوردهای تعاملی
• 59. مقدمه‌ای بر ابزارهای هوش تجاری (BI)
• 60. Tableau برای تجسم داده
• 61. Power BI برای تجسم داده
• 62. Qlik Sense برای تجسم داده
• 63. طراحی داشبوردهای مدیریتی
• 64. طراحی داشبوردهای عملیاتی
• 65. طراحی داشبوردهای استراتژیک
• 66. مراحل توسعه یک داشبورد
• 67. جمع‌آوری نیازمندی‌های داشبورد
• 68. طراحی مدل داده برای داشبورد
• 69. پیاده‌سازی ETL برای داشبورد
• 70. اتصال به منابع داده
• 71. تست و اعتبارسنجی داشبورد
• 72. استقرار و نگهداری داشبورد
• 73. بهینه‌سازی عملکرد داشبورد
• 74. مقدمه‌ای بر اتوماسیون فرآیندهای داده
• 75. ابزارهای اتوماسیون گردش کار داده
• 76. مدیریت متادیتا
• 77. مفاهیم DataOps
• 78. اصول Agile در مهندسی داده
• 79. تست خودکار در مهندسی داده
• 80. مقدمه‌ای بر معماری میکروسرویس و داده
• 81. مدیریت داده در معماری میکروسرویس
• 82. مفاهیم Data Mesh
• 83. پیاده‌سازی Data Mesh
• 84. ملاحظات اخلاقی در مهندسی داده
• 85. حریم خصوصی داده‌ها
• 86. مقررات حفاظت از داده‌ها
• 87. آینده مهندسی داده و داشبوردهای تصمیم‌گیری
• 88. کاربرد هوش مصنوعی در مهندسی داده
• 89. یادگیری عمیق در پردازش داده
• 90. مهندسی داده برای اینترنت اشیاء (IoT)
• 91. مهندسی داده برای تحلیل شبکه‌های اجتماعی
• 92. داده‌های مکانی و نقشه‌برداری
• 93. مقدمه‌ای بر اقتصاد داده
• 94. مدل‌های کسب‌وکار مبتنی بر داده
• 95. تحلیل داده‌های مالی اسلامی
• 96. مدیریت ریسک در سیستم‌های داده
• 97. استانداردهای صنعتی در مهندسی داده
• 98. گواهی‌نامه‌های معتبر در مهندسی داده
• 99. مسیر شغلی یک مهندس داده
• 100. مهارت‌های نرم برای مهندس داده