دوره طراحی و بهینه‌سازی پایگاه‌های داده برای مهندسی داده حرفه‌ای همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و بهینه‌سازی پایگاه‌های داده برای مهندسی داده حرفه‌ای

موضوع کلی: مهندسی داده و هوش تجاری

موضوع میانی: طراحی و پیاده‌سازی زیرساخت‌های داده

📋 سرفصل‌های دوره

• 1. مبانی پایگاه‌های داده رابطه‌ای
• 2. ساختار پایگاه داده و نرمال‌سازی
• 3. طراحی شمای پایگاه داده
• 4. مفاهیم کلیدی SQL
• 5. دستورات DDL برای ساختار داده
• 6. دستورات DML برای دستکاری داده
• 7. بهینه‌سازی پرس‌وجوهای SQL
• 8. شاخص‌گذاری در پایگاه داده
• 9. انواع شاخص‌ها و کاربردها
• 10. مدیریت تراکنش‌ها و ACID
• 11. قفل‌گذاری و کنترل همزمانی
• 12. اصول طراحی پایگاه داده NoSQL
• 13. انواع پایگاه داده‌های NoSQL
• 14. مدل‌های داده در NoSQL (کلید-مقدار)
• 15. مدل‌های داده در NoSQL (مستند)
• 16. مدل‌های داده در NoSQL (ستون‌گسترده)
• 17. مدل‌های داده در NoSQL (گراف)
• 18. مقایسه پایگاه داده‌های رابطه‌ای و NoSQL
• 19. مهاجرت از پایگاه داده‌های رابطه‌ای به NoSQL
• 20. مبانی انبار داده (Data Warehouse)
• 21. معماری انبار داده
• 22. طراحی ابعاد (Dimensions)
• 23. طراحی فکت‌ها (Facts)
• 24. مدل‌سازی ستاره‌ای (Star Schema)
• 25. مدل‌سازی دانه‌برفی (Snowflake Schema)
• 26. مراحل ETL (Extract, Transform, Load)
• 27. ابزارهای ETL
• 28. کیفیت داده در انبار داده
• 29. مبانی هوش تجاری (Business Intelligence)
• 30. نقش هوش تجاری در سازمان
• 31. ابزارهای هوش تجاری
• 32. داشبوردهای مدیریتی
• 33. گزارش‌گیری تعاملی
• 34. تحلیل داده‌های مکانی (Spatial Data Analysis)
• 35. مقدمه‌ای بر بیگ دیتا (Big Data)
• 36. معماری هادوپ (Hadoop Architecture)
• 37. HDFS (Hadoop Distributed File System)
• 38. MapReduce Programming Model
• 39. Spark برای پردازش بیگ دیتا
• 40. Spark SQL
• 41. Spark Streaming
• 42. معرفی مفاهیم Data Lake
• 43. طراحی Data Lake
• 44. امنیت در Data Lake
• 45. حاکمیت داده (Data Governance)
• 46. مدیریت ابرداده (Metadata Management)
• 47. پایگاه داده‌های ستونی برای تحلیل
• 48. پایگاه داده‌های ستونی در عمل
• 49. پایگاه داده‌های گراف برای تحلیل روابط
• 50. گراف‌های دانش و کاربردها
• 51. امنیت پایگاه داده
• 52. رمزنگاری داده‌ها
• 53. مدیریت دسترسی و مجوزها
• 54. پایش و ممیزی پایگاه داده
• 55. پشتیبان‌گیری و بازیابی پایگاه داده
• 56. طراحی پایگاه داده برای مقیاس‌پذیری
• 57. پایگاه داده‌های توزیع‌شده
• 58. مفاهیم Replication و Sharding
• 59. استراتژی‌های Partitioning
• 60. طراحی پایگاه داده برای عملکرد بالا
• 61. بهینه‌سازی سخت‌افزار و نرم‌افزار
• 62. تنظیمات سیستم عامل برای پایگاه داده
• 63. تنظیمات شبکه برای پایگاه داده
• 64. مقدمه‌ای بر یادگیری ماشین در مهندسی داده
• 65. کاربرد یادگیری ماشین در بهینه‌سازی داده
• 66. پیش‌پردازش داده برای مدل‌های ML
• 67. مهندسی ویژگی (Feature Engineering)
• 68. ارزیابی مدل‌های یادگیری ماشین
• 69. مقدمه‌ای بر مهندسی داده مهندسی
• 70. نقش مهندس داده در چرخه عمر داده
• 71. ابزارها و فناوری‌های مهندسی داده
• 72. اتوماسیون فرآیندهای داده
• 73. پایپ‌لاین‌های داده (Data Pipelines)
• 74. نظارت و هشدار در پایپ‌لاین‌ها
• 75. مدیریت خطا در پایپ‌لاین‌های داده
• 76. استفاده از Docker در مهندسی داده
• 77. استفاده از Kubernetes در مهندسی داده
• 78. معماری میکروسرویس و داده
• 79. اصول طراحی API برای دسترسی به داده
• 80. استانداردهای داده در سازمان
• 81. مدیریت چرخه عمر داده
• 82. ملاحظات قانونی و حریم خصوصی داده
• 83. قوانین حفاظت از داده در ایران
• 84. پیاده‌سازی قوانین در پایگاه داده
• 85. اخلاق در مهندسی داده
• 86. مسئولیت اجتماعی مهندس داده
• 87. آینده مهندسی داده و هوش تجاری
• 88. روندهای نوظهور در مدیریت داده
• 89. هوش مصنوعی مولد و مهندسی داده
• 90. یادگیری تقویتی و بهینه‌سازی داده
• 91. مباحث پیشرفته در پایگاه داده‌های NoSQL
• 92. پایگاه داده‌های چندمدلی (Multi-model Databases)
• 93. مدیریت داده‌های جریانی (Streaming Data Management)
• 94. معماری‌های مدرن انبار داده
• 95. Data Mesh Architecture
• 96. Data Fabric Architecture
• 97. انتخاب ابزار مناسب برای هر سناریو
• 98. مطالعات موردی در مهندسی داده
• 99. پروژه‌های عملی طراحی پایگاه داده
• 100. ارزیابی و انتخاب بهترین روش‌ها