فلش‌کارت‌های آموزشی آماده‌سازی برای گواهینامه مهندس داده حرفه‌ای Google Cloud

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آماده‌سازی برای گواهینامه مهندس داده حرفه‌ای Google Cloud

موضوع کلی: فناوری اطلاعات و ارتباطات

موضوع میانی: مهندسی داده و زیرساخت ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده در ابر
• 2. اصول ذخیره‌سازی داده در Google Cloud
• 3. معماری داده‌های رابطه‌ای در Google Cloud
• 4. مدیریت پایگاه داده‌های رابطه‌ای (Cloud SQL)
• 5. بهینه‌سازی عملکرد Cloud SQL
• 6. امنیت پایگاه داده‌های رابطه‌ای
• 7. مقدمه‌ای بر داده‌های بدون ساختار
• 8. ذخیره‌سازی اشیاء (Cloud Storage)
• 9. مدیریت دسترسی در Cloud Storage
• 10. استفاده از Cloud Storage برای داده‌های حجیم
• 11. مقدمه‌ای بر داده‌های تحلیلی
• 12. انبار داده (BigQuery)
• 13. طراحی اسکیمای انبار داده
• 14. پرس‌وجو از BigQuery
• 15. بهینه‌سازی پرس‌وجوهای BigQuery
• 16. امنیت در BigQuery
• 17. مقدمه‌ای بر پردازش جریانی داده
• 18. استفاده از Pub/Sub برای دریافت داده
• 19. پردازش جریانی با Dataflow
• 20. مدیریت جریان‌های داده در زمان واقعی
• 21. مقدمه‌ای بر مهندسی داده‌های بزرگ
• 22. اکوسیستم Hadoop در Google Cloud
• 23. استفاده از Dataproc برای پردازش داده‌های بزرگ
• 24. مدیریت داده‌های بزرگ با Dataproc
• 25. مقدمه‌ای بر ETL و ELT
• 26. طراحی pipelines ETL/ELT
• 27. استفاده از Data Fusion برای ETL/ELT
• 28. اتوماسیون pipelines داده
• 29. مقدمه‌ای بر هوش تجاری و مصورسازی داده
• 30. استفاده از Looker Studio (Data Studio)
• 31. ساخت داشبوردهای تحلیلی
• 32. مصورسازی داده‌های پیچیده
• 33. مقدمه‌ای بر امنیت داده در ابر
• 34. رمزنگاری داده در Google Cloud
• 35. مدیریت هویت و دسترسی (IAM)
• 36. نظارت و ثبت وقایع امنیتی
• 37. مقدمه‌ای بر حاکمیت داده
• 38. سیاست‌های دسترسی به داده
• 39. ردیابی و ممیزی داده
• 40. مدیریت چرخه عمر داده
• 41. مقدمه‌ای بر معماری‌های داده مدرن
• 42. معماری داده دریاچه (Data Lake)
• 43. معماری داده انبار (Data Warehouse)
• 44. معماری دریاچه انبار (Data Lakehouse)
• 45. مقدمه‌ای بر یادگیری ماشین برای مهندسان داده
• 46. مفاهیم پایه یادگیری ماشین
• 47. آماده‌سازی داده برای مدل‌های ML
• 48. استفاده از Vertex AI برای ML
• 49. مقدمه‌ای بر DevOps برای مهندسی داده
• 50. اصول DevOps
• 51. ابزارهای CI/CD برای pipelines داده
• 52. نظارت و مدیریت زیرساخت داده
• 53. مقدمه‌ای بر مدیریت هزینه در Google Cloud
• 54. بهینه‌سازی مصرف منابع ابری
• 55. تخمین هزینه خدمات داده
• 56. استراتژی‌های کاهش هزینه
• 57. مقدمه‌ای بر استقرار و مقیاس‌پذیری
• 58. طراحی سیستم‌های مقیاس‌پذیر
• 59. مدیریت استقرار خودکار
• 60. نظارت بر عملکرد سیستم
• 61. مقدمه‌ای بر معماری میکروسرویس‌ها
• 62. اصول طراحی میکروسرویس
• 63. مدیریت ارتباطات بین سرویس‌ها
• 64. مقدمه‌ای بر شبکه‌سازی در Google Cloud
• 65. مفاهیم پایه شبکه‌سازی ابری
• 66. تنظیمات شبکه برای خدمات داده
• 67. امنیت شبکه
• 68. مقدمه‌ای بر ذخیره‌سازی توزیع‌شده
• 69. مفاهیم ذخیره‌سازی توزیع‌شده
• 70. استفاده از سیستم‌های فایل توزیع‌شده
• 71. مدیریت خطا در سیستم‌های توزیع‌شده
• 72. مقدمه‌ای بر پردازش دسته‌ای داده
• 73. کاربرد پردازش دسته‌ای
• 74. تنظیمات پردازش دسته‌ای
• 75. بهینه‌سازی پردازش دسته‌ای
• 76. مقدمه‌ای بر مدیریت داده‌های حساس
• 77. طبقه بندی داده‌های حساس
• 78. کنترل دسترسی به داده‌های حساس
• 79. محرمانگی داده‌ها
• 80. مقدمه‌ای بر قوانین و مقررات داده
• 81. حفاظت از داده‌ها
• 82. انطباق با مقررات
• 83. مدیریت ریسک داده
• 84. مقدمه‌ای بر ابزارهای توسعه مهندس داده
• 85. IDEهای محبوب
• 86. ابزارهای خط فرمان
• 87. استفاده از Git برای کنترل نسخه
• 88. مقدمه‌ای بر مصورسازی پیشرفته داده
• 89. نمودارهای تعاملی
• 90. ابزارهای مصورسازی حرفه‌ای
• 91. طراحی گزارش‌های مؤثر
• 92. مقدمه‌ای بر معماری‌های رویداد محور
• 93. الگوهای معماری رویداد محور
• 94. استفاده از Eventarc
• 95. مدیریت جریان‌های رویداد
• 96. مقدمه‌ای بر داده‌های مکانی-زمانی
• 97. ذخیره‌سازی و پردازش داده‌های مکانی
• 98. پرس‌وجو از داده‌های مکانی
• 99. مصورسازی داده‌های مکانی
• 100. مقدمه‌ای بر مدیریت کلان داده