فلش‌کارت‌های آموزشی اصول معماری داده برای سیستم‌های هوش مصنوعی مقیاس‌پذیر

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب اصول معماری داده برای سیستم‌های هوش مصنوعی مقیاس‌پذیر

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه و مفاهیم پایه معماری داده برای هوش مصنوعی
• 2. اهمیت معماری داده در سیستم‌های هوش مصنوعی مقیاس‌پذیر
• 3. چرخه حیات داده در سیستم‌های هوش مصنوعی
• 4. انواع داده در سیستم‌های هوش مصنوعی (ساختاریافته، نیمه‌ساختاریافته، بدون ساختار)
• 5. منابع داده برای هوش مصنوعی (حسگرها، پایگاه‌های داده، وب، فایل‌ها)
• 6. مخازن داده (Data Repositories) و انبار داده (Data Warehousing)
• 7. دریاچه‌های داده (Data Lakes) و مزایای آن
• 8. ترکیب دریاچه داده و انبار داده (Lakehouse)
• 9. مفاهیم کلیدی مقیاس‌پذیری در معماری داده
• 10. الگوهای معماری داده برای هوش مصنوعی
• 11. معماری داده میکروسرویس
• 12. معماری داده رویداد محور (Event-Driven Architecture)
• 13. معماری داده مبتنی بر جریان (Stream-Driven Architecture)
• 14. معماری داده منطقه‌ای (Domain-Driven Architecture)
• 15. معماری داده لایه‌ای (Layered Architecture)
• 16. اصول طراحی داده برای هوش مصنوعی
• 17. مدل‌سازی داده (Data Modeling)
• 18. مدل‌سازی مفهومی، منطقی و فیزیکی داده
• 19. طراحی اسکیمای داده (Schema Design)
• 20. یکپارچه‌سازی داده (Data Integration)
• 21. استخراج، تبدیل، بارگذاری (ETL)
• 22. استخراج، بارگذاری، تبدیل (ELT)
• 23. تکنیک‌های ادغام داده (Data Merging)
• 24. پاکسازی داده (Data Cleansing)
• 25. اعتبارسنجی داده (Data Validation)
• 26. تحول داده (Data Transformation)
• 27. مهندسی ویژگی (Feature Engineering)
• 28. ایجاد ویژگی‌های جدید
• 29. انتخاب ویژگی (Feature Selection)
• 30. کاهش ابعاد (Dimensionality Reduction)
• 31. مدیریت کیفیت داده (Data Quality Management)
• 32. استانداردسازی داده (Data Standardization)
• 33. تطابق داده (Data Harmonization)
• 34. قوانین کیفیت داده (Data Quality Rules)
• 35. پایش کیفیت داده (Data Quality Monitoring)
• 36. حاکمیت داده (Data Governance)
• 37. تعریف سیاست‌ها و رویه‌های داده
• 38. نقش‌ها و مسئولیت‌ها در حاکمیت داده
• 39. مدیریت فراداده (Metadata Management)
• 40. کاتالوگ داده (Data Catalog)
• 41. مدیریت چرخه حیات داده (Data Lifecycle Management)
• 42. ذخیره‌سازی داده (Data Storage)
• 43. پایگاه‌های داده رابطه‌ای (Relational Databases)
• 44. پایگاه‌های داده NoSQL (NoSQL Databases)
• 45. پایگاه‌های داده گراف (Graph Databases)
• 46. پایگاه‌های داده ستونی (Columnar Databases)
• 47. ذخیره‌سازی ابری (Cloud Storage)
• 48. ذخیره‌سازی اشیاء (Object Storage)
• 49. ذخیره‌سازی فایل (File Storage)
• 50. سیستم‌های فایل توزیع شده (Distributed File Systems)
• 51. مدیریت داده‌های بزرگ (Big Data Management)
• 52. اکوسیستم Hadoop
• 53. Apache Spark
• 54. Apache Kafka
• 55. Apache Flink
• 56. ابزارهای مدیریت داده در مقیاس بزرگ
• 57. پایگاه‌های داده توزیع شده (Distributed Databases)
• 58. پردازش داده (Data Processing)
• 59. پردازش دسته‌ای (Batch Processing)
• 60. پردازش جریانی (Stream Processing)
• 61. پردازش بلادرنگ (Real-time Processing)
• 62. پردازش نزدیک به داده (Near-Data Processing)
• 63. محاسبات توزیع شده (Distributed Computing)
• 64. معماری‌های پردازش موازی (Parallel Processing Architectures)
• 65. پلتفرم‌های پردازش داده (Data Processing Platforms)
• 66. امنیت داده (Data Security)
• 67. رمزنگاری داده (Data Encryption)
• 68. کنترل دسترسی (Access Control)
• 69. مدیریت هویت و دسترسی (Identity and Access Management - IAM)
• 70. حفاظت از حریم خصوصی داده (Data Privacy Protection)
• 71. مقررات حفاظت از داده (مانند GDPR، CCPA)
• 72. ناشناس‌سازی داده (Data Anonymization)
• 73. شبه‌ناشناس‌سازی داده (Data Pseudonymization)
• 74. مدیریت ریسک داده (Data Risk Management)
• 75. موازنه بین دسترسی و امنیت داده
• 76. ملاحظات مقیاس‌پذیری در ذخیره‌سازی
• 77. موازنه بین مقیاس‌پذیری و هزینه ذخیره‌سازی
• 78. استراتژی‌های بازیابی فاجعه (Disaster Recovery)
• 79. پشتیبان‌گیری از داده (Data Backup)
• 80. بازیابی داده (Data Recovery)
• 81. موازنه بین سرعت و هزینه پردازش
• 82. بهینه‌سازی عملکرد پردازش داده
• 83. انتخاب ابزار مناسب پردازش برای وظایف مختلف
• 84. مدیریت داده‌های متغیر (Handling Evolving Data)
• 85. انعطاف‌پذیری اسکیمای داده
• 86. تکامل اسکیمای داده (Schema Evolution)
• 87. مدیریت نسخه‌های داده (Data Versioning)
• 88. معماری داده برای یادگیری ماشین (ML)
• 89. معماری داده برای یادگیری عمیق (DL)
• 90. معماری داده برای پردازش زبان طبیعی (NLP)
• 91. معماری داده برای بینایی ماشین (Computer Vision)
• 92. معماری داده برای سیستم‌های توصیه‌گر (Recommender Systems)
• 93. معماری داده برای داده‌های سری زمانی (Time Series Data)
• 94. معماری داده برای داده‌های مکانی (Spatial Data)
• 95. معماری داده برای داده‌های گراف (Graph Data)
• 96. معماری داده برای داده‌های صوتی و تصویری
• 97. مدیریت داده‌های برچسب‌گذاری شده (Labeled Data Management)
• 98. آموزش مدل‌های مقیاس‌پذیر
• 99. استقرار مدل‌ها (Model Deployment)
• 100. نظارت بر مدل (Model Monitoring)