دوره مهندس حرفه‌ای داده در Google Cloud: آمادگی آزمون و پیاده‌سازی پروژه‌ها همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندس حرفه‌ای داده در Google Cloud: آمادگی آزمون و پیاده‌سازی پروژه‌ها

موضوع کلی: مهندسی داده و پردازش ابری

موضوع میانی: آمادگی برای آزمون‌های تخصصی ابری

📋 سرفصل‌های دوره

• 1. آشنایی با مهندسی داده و پردازش ابری
• 2. مبانی پردازش داده در مقیاس بزرگ
• 3. معماری‌های پردازش داده مدرن
• 4. مفاهیم کلیدی Google Cloud Platform
• 5. آشنایی با سرویس‌های اصلی Google Cloud
• 6. خدمات ذخیره‌سازی داده در Google Cloud
• 7. Google Cloud Storage: مفاهیم و کاربردها
• 8. مدیریت داده‌های ساختاریافته در Cloud SQL
• 9. مدیریت داده‌های بدون ساختار و نیمه‌ساختاریافته
• 10. Google Cloud Bigtable: پایگاه داده NoSQL
• 11. Google Cloud Datastore: پایگاه داده NoSQL
• 12. پردازش دسته‌ای داده با Apache Beam
• 13. Apache Beam: اجرای پردازش روی Google Cloud Dataflow
• 14. Google Cloud Dataflow: پردازش جریانی و دسته‌ای
• 15. پردازش جریانی داده با Apache Kafka
• 16. Google Cloud Pub/Sub: پیام‌رسانی در زمان واقعی
• 17. معماری‌های داده برای پردازش جریانی
• 18. طراحی پایگاه داده برای برنامه‌های ابری
• 19. بهینه‌سازی پرس‌وجوها در BigQuery
• 20. Google Cloud BigQuery: انبار داده ابری
• 21. مصرف و تحلیل داده در BigQuery
• 22. امنیت داده در Google Cloud
• 23. مدیریت دسترسی و احراز هویت IAM
• 24. رمزگذاری داده‌ها در Google Cloud
• 25. حریم خصوصی داده‌ها در Google Cloud
• 26. مبانی مهندسی داده در Google Cloud
• 27. استفاده از Data Catalog برای مدیریت فراداده
• 28. Data Catalog: کشف و مدیریت داده‌ها
• 29. طراحی راه‌حل‌های داده مقیاس‌پذیر
• 30. پیاده‌سازی خطوط لوله داده (Data Pipelines)
• 31. ابزارهای ارکستراسیون خطوط لوله داده
• 32. Google Cloud Composer: ارکستراسیون با Apache Airflow
• 33. مدیریت و مانیتورینگ خطوط لوله داده
• 34. استفاده از Cloud Functions برای پردازش رویداد محور
• 35. Cloud Functions: توابع بدون سرور
• 36. Google Cloud Workflows: هماهنگ‌سازی سرویس‌ها
• 37. مبانی یادگیری ماشین در Google Cloud
• 38. Google Cloud AI Platform: مفاهیم اولیه
• 39. استفاده از BigQuery ML برای مدل‌سازی
• 40. Google Cloud Vertex AI: پلتفرم جامع یادگیری ماشین
• 41. آموزش مدل‌های یادگیری ماشین در Vertex AI
• 42. استقرار مدل‌های یادگیری ماشین
• 43. مبانی مهندسی ویژگی (Feature Engineering)
• 44. پردازش داده برای یادگیری ماشین
• 45. استفاده از Dataproc برای پردازش داده‌های بزرگ
• 46. Google Cloud Dataproc: Hadoop و Spark در Google Cloud
• 47. مدیریت خوشه‌ها در Dataproc
• 48. مبانی طراحی انبار داده (Data Warehousing)
• 49. طراحی طرح‌واره انبار داده
• 50. مدل‌سازی ابعادی (Dimensional Modeling)
• 51. مبانی Data Lake و Data Lakehouse
• 52. تفاوت‌های Data Lake و Data Warehouse
• 53. مخازن داده مدرن در Google Cloud
• 54. معماری‌های داده برای تحلیل کسب‌وکار
• 55. توسعه داشبوردهای مدیریتی
• 56. Google Data Studio: ابزار بصری‌سازی داده
• 57. طراحی گزارش‌های تحلیلی
• 58. کار با داده‌های جغرافیایی (Geospatial Data)
• 59. Google Earth Engine: تحلیل داده‌های مکانی
• 60. مبانی امنیت سایبری در Google Cloud
• 61. روش‌های امن‌سازی برنامه‌های ابری
• 62. مدیریت ریسک و انطباق در Google Cloud
• 63. آمادگی برای آزمون Google Cloud Professional Data Engineer
• 64. استراتژی‌های مطالعه و برنامه‌ریزی
• 65. مرور مفاهیم کلیدی مهندسی داده
• 66. مطالعه موارد (Use Cases) واقعی
• 67. تمرین سوالات آزمون
• 68. مباحث پیشرفته در مهندسی داده ابری
• 69. بهینه‌سازی هزینه‌ها در Google Cloud
• 70. انتخاب سرویس‌های مناسب برای هر سناریو
• 71. عیب‌یابی و رفع مشکلات رایج
• 72. روش‌های مانیتورینگ و هشداردهی
• 73. استفاده از Logging و Monitoring در Google Cloud
• 74. مدیریت چرخه عمر داده
• 75. استراتژی‌های پشتیبان‌گیری و بازیابی (Backup & Recovery)
• 76. انتقال داده به Google Cloud
• 77. مهاجرت داده‌ها از سیستم‌های قدیمی
• 78. معماری‌های داده برای اینترنت اشیاء (IoT)
• 79. پردازش داده‌های IoT در Google Cloud
• 80. مبانی هوش تجاری (Business Intelligence)
• 81. پیاده‌سازی راه‌حل‌های BI در Google Cloud
• 82. ارتباط با ذینفعان و جمع‌آوری نیازمندی‌ها
• 83. مستندسازی فنی و معماری سیستم‌های داده
• 84. اصول طراحی سیستم‌های داده قابل اعتماد
• 85. مدیریت تغییرات در محیط‌های ابری
• 86. فرهنگ مهندسی داده در سازمان
• 87. یادگیری مداوم و به‌روزرسانی دانش
• 88. تکنیک‌های مصاحبه مهندسی داده
• 89. توسعه مهارت‌های نرم در مهندسی داده
• 90. بررسی نمونه سوالات آزمون جامع
• 91. مرور نهایی مباحث کلیدی
• 92. آشنایی با گواهینامه‌های Google Cloud
• 93. مسیر شغلی مهندس حرفه‌ای داده
• 94. برنامه‌ریزی برای گواهینامه‌های آتی
• 95. کاربردها و فرصت‌های شغلی مهندسی داده
• 96. تکنیک‌های حل مسئله در پروژه‌های داده
• 97. مبانی مدیریت پروژه در پروژه‌های ابری
• 98. اخلاق حرفه‌ای در مهندسی داده
• 99. آینده مهندسی داده و پردازش ابری
• 100. فناوری‌های نوظهور در حوزه داده