فلش‌کارت‌های آموزشی تحلیل داده‌های جریانی اینترنت اشیاء با استفاده از سرویس‌های ابری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های جریانی اینترنت اشیاء با استفاده از سرویس‌های ابری

موضوع کلی: فناوری اطلاعات و ارتباطات

موضوع میانی: پردازش داده‌های کلان و اینترنت اشیاء

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اینترنت اشیاء و پردازش جریانی داده
• 2. مبانی اینترنت اشیاء و معماری سیستم‌ها
• 3. نقش مراکز داده ابری در اینترنت اشیاء
• 4. آشنایی با Azure IoT Hub
• 5. ثبت و مدیریت دستگاه‌ها در Azure IoT Hub
• 6. ارسال داده از دستگاه‌ها به Azure IoT Hub
• 7. مفاهیم اولیه پردازش جریانی داده
• 8. معرفی Azure Stream Analytics
• 9. موتور پردازش جریانی Azure Stream Analytics
• 10. ساختار کوئری‌های Azure Stream Analytics
• 11. زبان کوئری Stream Analytics (SAQL)
• 12. توابع پنجره‌بندی در SAQL
• 13. پنجره‌های زمانی شناور (Tumbling Windows)
• 14. پنجره‌های زمانی جهنده (Hopping Windows)
• 15. پنجره‌های زمانی شناور با دوره تناوب (Sliding Windows)
• 16. پنجره‌های مبتنی بر رویداد (Event-Ordered Windows)
• 17. توابع تجمیعی در SAQL
• 18. SUM, AVG, MIN, MAX, COUNT
• 19. توابع آماری در SAQL
• 20. StandardDeviation, Variance
• 21. توابع رشته‌ای در SAQL
• 22. COUNT_ARRAY, GET_ARRAY_ELEMENT
• 23. توابع تاریخی و آماری در SAQL
• 24. Lag, Lead
• 25. توابع مبتنی بر زمان در SAQL
• 26. DateDiff, DateAdd
• 27. مدیریت داده‌های ورودی از IoT Hub
• 28. تنظیمات ورودی در Azure Stream Analytics
• 29. انواع داده‌های پشتیبانی شده در ورودی
• 30. پردازش داده‌های JSON در SAQL
• 31. پردازش داده‌های CSV در SAQL
• 32. پردازش داده‌های Avro در SAQL
• 33. انواع خروجی‌های Azure Stream Analytics
• 34. ذخیره‌سازی داده‌ها در Azure Blob Storage
• 35. تحلیل و مصورسازی داده‌ها با Azure Power BI
• 36. ارسال داده به Azure SQL Database
• 37. ارسال داده به Azure Data Lake Store
• 38. ارسال داده به Azure Cosmos DB
• 39. ارسال داده به Event Hubs
• 40. استفاده از توابع سفارشی (UDFs) در SAQL
• 41. توابع سفارشی با JavaScript
• 42. توابع سفارشی با C#
• 43. تلفیق با Azure Functions
• 44. معماری پردازش داده‌های کلان در اینترنت اشیاء
• 45. پلتفرم‌های پردازش داده‌های کلان
• 46. Apache Kafka و نقش آن
• 47. Apache Spark و پردازش جریانی
• 48. پردازش داده‌های Real-time با Spark Streaming
• 49. پردازش داده‌های Batch با Spark
• 50. معرفی Azure Databricks
• 51. تحلیل داده‌های اینترنت اشیاء با Azure Databricks
• 52. یادگیری ماشین بر روی داده‌های جریانی
• 53. مدل‌های پیش‌بینی در اینترنت اشیاء
• 54. تشخیص ناهنجاری در داده‌های جریانی
• 55. کاربردها در صنعت هوشمند
• 56. کاربردها در شهر هوشمند
• 57. کاربردها در سلامت هوشمند
• 58. امنیت داده‌ها در اینترنت اشیاء
• 59. حفظ حریم خصوصی داده‌ها
• 60. مدیریت و پایش دستگاه‌ها
• 61. بهینه‌سازی پردازش داده‌ها
• 62. مقیاس‌پذیری در سیستم‌های اینترنت اشیاء
• 63. ملاحظات مربوط به هزینه‌ها
• 64. انتخاب سرویس‌های ابری مناسب
• 65. معماری‌های پیشرفته برای اینترنت اشیاء
• 66. تکنیک‌های فشرده‌سازی داده‌ها
• 67. فشرده‌سازی در مبدأ و مقصد
• 68. استانداردهای داده در اینترنت اشیاء
• 69. توسعه برنامه‌های کاربردی اینترنت اشیاء
• 70. تست و اعتبارسنجی سیستم‌های اینترنت اشیاء
• 71. دیباگ کردن کوئری‌های Stream Analytics
• 72. مانیتورینگ عملکرد سیستم
• 73. مدیریت خطاها در پردازش جریانی
• 74. به‌روزرسانی مدل‌های پردازش داده
• 75. آینده پردازش داده‌های اینترنت اشیاء
• 76. پردازش لبه (Edge Computing)
• 77. اینترنت اشیاء و بلاکچین
• 78. هوش مصنوعی و اینترنت اشیاء
• 79. ملاحظات حقوقی و قانونی در پردازش داده
• 80. قوانین حفاظت از داده‌ها
• 81. استانداردهای اسلامی در پردازش داده
• 82. چارچوب‌های اخلاقی در فناوری اطلاعات
• 83. مسئولیت‌پذیری در سیستم‌های خودکار
• 84. مدیریت کیفیت داده‌ها
• 85. روش‌های پاکسازی داده‌ها
• 86. اهمیت داده‌های تمیز در تحلیل
• 87. تکنیک‌های نمونه‌برداری داده‌ها
• 88. تحلیل خوشه‌ای (Clustering)
• 89. تحلیل طبقه‌بندی (Classification)
• 90. تحلیل رگرسیون (Regression)
• 91. تحلیل سری‌های زمانی (Time Series Analysis)
• 92. استفاده از ابزارهای متن‌باز
• 93. پایگاه‌های داده NoSQL برای اینترنت اشیاء
• 94. معماری‌های میکروسرویس در اینترنت اشیاء
• 95. نقش API Gateway
• 96. مدیریت هویت و دسترسی
• 97. امنیت ارتباطات در اینترنت اشیاء
• 98. رمزنگاری داده‌ها
• 99. مدیریت گواهینامه‌ها
• 100. پروتکل‌های ارتباطی امن