دوره آمادگی جامع آزمون DP-700: مهندسی داده در Microsoft Fabric همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آمادگی جامع آزمون DP-700: مهندسی داده در Microsoft Fabric

موضوع کلی: مهندسی داده و تحلیل در پلتفرم‌های ابری

موضوع میانی: پیاده‌سازی و مدیریت راه‌حل‌های مهندسی داده با Microsoft Fabric

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده در پلتفرم‌های ابری
• 2. آشنایی با Microsoft Fabric و معماری آن
• 3. اجزای کلیدی Microsoft Fabric
• 4. نقش مهندس داده در اکوسیستم Fabric
• 5. مفاهیم پایه‌ی انبار داده و دریاچه داده
• 6. معماری Lakehouse در Microsoft Fabric
• 7. کار با Data Warehousing در Fabric
• 8. مخازن داده در Fabric: Data Lake و Data Warehouse
• 9. انواع داده‌ها و فرمت‌های ذخیره‌سازی
• 10. طراحی اسکیمای داده در Fabric
• 11. مفاهیم ETL و ELT در مهندسی داده
• 12. استفاده از Data Pipelines در Fabric
• 13. طراحی و پیاده‌سازی جریان‌های داده (Data Flows)
• 14. تبدیلات داده در Data Flows
• 15. انتقال داده با استفاده از Data Factory
• 16. مدیریت و زمان‌بندی Data Pipelines
• 17. مقدمه‌ای بر مهندسی داده در زمان واقعی (Real-time)
• 18. کار با Kusto Query Language (KQL)
• 19. تحلیل داده با KQL
• 20. مقدمه‌ای بر هوش تجاری (BI) در Fabric
• 21. کار با Power BI در Fabric
• 22. طراحی گزارش‌ها و داشبوردهای BI
• 23. مدل‌سازی داده برای Power BI
• 24. استفاده از Synapse Data Explorer
• 25. تحلیل سری‌های زمانی با KQL
• 26. مقدمه‌ای بر مهندسی یادگیری ماشین (ML) در Fabric
• 27. آموزش مدل‌های ML در Fabric
• 28. استقرار مدل‌های ML در Fabric
• 29. استفاده از Notebooks برای علم داده
• 30. کار با Spark در Fabric
• 31. برنامه‌نویسی با PySpark
• 32. بهینه‌سازی عملکرد Spark Jobs
• 33. مدیریت منابع در Fabric
• 34. امنیت داده در Fabric
• 35. کنترل دسترسی و احراز هویت
• 36. حفاظت از داده‌ها و انطباق با مقررات
• 37. مدیریت چرخه عمر داده
• 38. پایش و نگهداری زیرساخت داده
• 39. عیب‌یابی و رفع اشکال در Fabric
• 40. بهینه‌سازی هزینه‌ها در Fabric
• 41. مقدمه‌ای بر معماری‌های داده مدرن
• 42. مقایسه Fabric با سایر پلتفرم‌های ابری
• 43. کار با Git برای مدیریت کد
• 44. مفاهیم DevOps در مهندسی داده
• 45. خودکارسازی فرآیندهای مهندسی داده
• 46. استفاده از Azure Data Lake Storage Gen2
• 47. یکپارچه‌سازی Fabric با Azure Services
• 48. مفاهیم Data Governance
• 49. استانداردهای کیفیت داده
• 50. مدیریت متادیتا
• 51. استفاده از ابزارهای کاتالوگ داده
• 52. پروژه‌های عملی مهندسی داده در Fabric
• 53. سناریوهای رایج مهندسی داده
• 54. طراحی راه‌حل برای تحلیل داده‌های حجیم
• 55. پیاده‌سازی انبار داده برای گزارش‌دهی
• 56. ساخت جریان داده برای پردازش دسته‌ای
• 57. تحلیل داده‌های تراکنشی
• 58. تحلیل داده‌های لاگ
• 59. استفاده از Fabric برای اینترنت اشیا (IoT)
• 60. مقدمه‌ای بر داده‌های مکانی
• 61. تحلیل داده‌های مکانی در Fabric
• 62. مفاهیم داده‌های گراف
• 63. تحلیل داده‌های گراف در Fabric
• 64. امنیت داده در سطح ستون و ردیف
• 65. مدیریت نسخه‌بندی داده
• 66. مفاهیم Data Lineage
• 67. پیاده‌سازی Data Lineage در Fabric
• 68. کار با APIهای Fabric
• 69. خودکارسازی وظایف مدیریتی
• 70. مقدمه‌ای بر مهندسی داده برای هوش مصنوعی
• 71. آماده‌سازی داده برای مدل‌های هوش مصنوعی
• 72. استفاده از Fabric برای پردازش زبان طبیعی (NLP)
• 73. تحلیل احساسات با استفاده از Fabric
• 74. کار با مدل‌های تشخیص تصویر در Fabric
• 75. مفاهیم داده‌های ساختاریافته و بدون ساختار
• 76. استفاده از Dataflows Gen2
• 77. مدیریت و مانیتورینگ Dataflows
• 78. بهینه‌سازی Dataflows برای عملکرد
• 79. مفاهیم Data Virtualization
• 80. استفاده از Semantic Models در Power BI
• 81. کار با DirectQuery و Import Mode
• 82. طراحی مدل‌های داده بهینه برای Power BI
• 83. مقدمه‌ای بر مفاهیم Cloud-Native Data Engineering
• 84. معماری Microservices و داده
• 85. مدیریت داده در محیط‌های چند ابری
• 86. استراتژی‌های مهاجرت داده به Fabric
• 87. برنامه‌ریزی برای پیاده‌سازی Fabric
• 88. ارزیابی نیازهای کسب‌وکار
• 89. طراحی معماری داده سازگار با Fabric
• 90. انتخاب ابزارها و تکنولوژی‌های مناسب
• 91. اجرای موفقیت‌آمیز پروژه‌های مهندسی داده
• 92. آینده مهندسی داده در پلتفرم‌های ابری