دوره پیاده‌سازی Data Lake و Data Warehouse در Cloud همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی Data Lake و Data Warehouse در Cloud

موضوع کلی: برنامه نویسی

موضوع میانی: رایانش ابری (Cloud Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر دریاچه‌های داده و انباره‌های داده
• 2. معماری کلان دریاچه داده
• 3. انواع داده‌ها در دریاچه داده
• 4. ذخیره‌سازی در دریاچه داده (Object Storage)
• 5. مدیریت داده در دریاچه داده
• 6. کیفیت داده در دریاچه داده
• 7. امنیت داده در دریاچه داده
• 8. حاکمیت داده در دریاچه داده
• 9. معماری کلان انبار داده
• 10. مفاهیم مدل‌سازی در انبار داده (Star Schema)
• 11. مفاهیم مدل‌سازی در انبار داده (Snowflake Schema)
• 12. انواع جداول در انبار داده (Fact Tables)
• 13. انواع جداول در انبار داده (Dimension Tables)
• 14. چرخه عمر داده در انبار داده
• 15. ETL چیست؟
• 16. مراحل استخراج داده (Extraction)
• 17. مراحل تبدیل داده (Transformation)
• 18. مراحل بارگذاری داده (Loading)
• 19. مقدمه‌ای بر انباره‌های داده ابری
• 20. مزایای انباره داده ابری
• 21. معماری دریاچه انباره داده (Data Lakehouse)
• 22. ابزارهای مدیریت دریاچه داده
• 23. ابزارهای مدیریت انبار داده
• 24. ابزارهای ETL/ELT در ابر
• 25. معرفی سرویس‌های کلان داده ابری (AWS)
• 26. معرفی سرویس‌های کلان داده ابری (Azure)
• 27. معرفی سرویس‌های کلان داده ابری (GCP)
• 28. استقرار دریاچه داده در AWS (S3)
• 29. استقرار انبار داده در AWS (Redshift)
• 30. استقرار دریاچه داده در Azure (ADLS Gen2)
• 31. استقرار انبار داده در Azure (Synapse Analytics)
• 32. استقرار دریاچه داده در GCP (Cloud Storage)
• 33. استقرار انبار داده در GCP (BigQuery)
• 34. انتخاب پلتفرم ابری مناسب
• 35. ملاحظات امنیتی در دریاچه داده ابری
• 36. ملاحظات امنیتی در انبار داده ابری
• 37. مدیریت هزینه‌ها در دریاچه داده ابری
• 38. مدیریت هزینه‌ها در انبار داده ابری
• 39. مانیتورینگ و لاگینگ در دریاچه داده ابری
• 40. مانیتورینگ و لاگینگ در انبار داده ابری
• 41. استفاده از کانتینرها (Docker) در معماری داده
• 42. استفاده از ارکستراسیون (Kubernetes) در معماری داده
• 43. مقدمه‌ای بر پردازش داده‌های جریانی
• 44. معماری پردازش داده‌های جریانی
• 45. ابزارهای پردازش داده‌های جریانی (Kafka)
• 46. ابزارهای پردازش داده‌های جریانی (Kinesis)
• 47. ابزارهای پردازش داده‌های جریانی (Event Hubs)
• 48. پردازش داده‌های جریانی با Spark Streaming
• 49. پردازش داده‌های جریانی با Flink
• 50. ذخیره‌سازی داده‌های جریانی
• 51. تحلیل داده‌های جریانی
• 52. مباحث پیشرفته در دریاچه داده
• 53. مباحث پیشرفته در انبار داده
• 54. بهینه‌سازی عملکرد دریاچه داده
• 55. بهینه‌سازی عملکرد انبار داده
• 56. خودکارسازی فرآیندهای داده
• 57. مستندسازی معماری داده
• 58. مدیریت تغییرات در معماری داده
• 59. برنامه‌ریزی ظرفیت در معماری داده
• 60. معرفی ابزارهای BI (Business Intelligence)
• 61. اتصال ابزارهای BI به انبار داده
• 62. ساخت داشبوردهای مدیریتی
• 63. تحلیلگران داده و نقش آن‌ها
• 64. دانشمندان داده و نقش آن‌ها
• 65. مهندسان داده و نقش آن‌ها
• 66. اخلاق در علم داده
• 67. حریم خصوصی داده‌ها
• 68. قوانین و مقررات مربوط به داده‌ها در ایران
• 69. سازگاری با قوانین جمهوری اسلامی ایران
• 70. ملاحظات شرعی در مدیریت داده
• 71. قواعد فقهی در حوزه داده
• 72. اقتصاد داده و ارزش‌گذاری آن
• 73. مدل‌های کسب‌وکار مبتنی بر داده
• 74. نقش داده در تحول دیجیتال
• 75. مقاومت در برابر تغییر و مدیریت آن
• 76. آموزش کاربران نهایی
• 77. تست و اعتبارسنجی سیستم داده
• 78. نگهداری و پشتیبانی سیستم داده
• 79. بازنگری معماری داده
• 80. سنجه‌های موفقیت پروژه داده
• 81. مطالعات موردی (Case Studies)
• 82. پیاده‌سازی موفق دریاچه داده
• 83. پیاده‌سازی موفق انبار داده
• 84. چالش‌های رایج در پیاده‌سازی
• 85. راهکارهای غلبه بر چالش‌ها
• 86. نقشه راه پیاده‌سازی
• 87. جمع‌بندی و چشم‌انداز آینده
• 88. ارزیابی ریسک در پروژه‌های داده
• 89. مدیریت ذینفعان در پروژه‌های داده
• 90. استراتژی داده سازمان
• 91. داده‌کاوی در دریاچه داده
• 92. تحلیل پیش‌بینانه در انبار داده
• 93. هوش مصنوعی و یادگیری ماشین در معماری داده
• 94. کاربرد داده در بهبود فرآیندهای سازمانی
• 95. داده باز و اشتراک‌گذاری آن
• 96. پایداری در معماری داده
• 97. تکامل معماری داده
• 98. معیارهای انتخاب ابزار مناسب
• 99. آینده دریاچه‌های داده و انباره‌های داده
• 100. مدیریت داده‌های غیرساختاریافته