فلش‌کارت‌های آموزشی پردازش داده‌های ETL در Google Cloud با Dataflow و BigQuery

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش داده‌های ETL در Google Cloud با Dataflow و BigQuery

موضوع کلی: مدیریت و پردازش داده‌ها در ابر

موضوع میانی: پردازش داده‌های حجیم با استفاده از ابزارهای ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدیریت داده‌ها در عصر ابری
• 2. اصول اولیه پردازش داده‌های حجیم
• 3. معماری ابری برای پردازش داده‌ها
• 4. آشنایی با Google Cloud Platform (GCP)
• 5. مفاهیم کلیدی ETL (Extract, Transform, Load)
• 6. اهمیت ETL در فرآیندهای داده‌ای
• 7. مراحل استخراج داده‌ها
• 8. روش‌های مختلف استخراج داده
• 9. انواع منابع داده در GCP
• 10. مقدمه‌ای بر Apache Beam و Dataflow
• 11. تفاوت Dataflow با سایر ابزارهای پردازش
• 12. نصب و پیکربندی اولیه Dataflow
• 13. ایجاد یک Pipeline ساده در Dataflow
• 14. مفهوم Transform در Dataflow
• 15. عملیات Transform رایج در Dataflow
• 16. کار با PCollections در Dataflow
• 17. مقدمه‌ای بر BigQuery
• 18. معماری BigQuery و ذخیره‌سازی داده‌ها
• 19. ایجاد Dataset و Table در BigQuery
• 20. بارگذاری داده‌ها در BigQuery
• 21. استعلام‌گیری داده‌ها در BigQuery
• 22. بهینه‌سازی کوئری‌ها در BigQuery
• 23. مفاهیم پیشرفته ETL با Dataflow
• 24. پردازش استریمینگ داده‌ها با Dataflow
• 25. محدودیت‌های پردازش استریمینگ
• 26. مدیریت خطا در Dataflow Pipelines
• 27. تست و دیباگ کردن Dataflow Jobs
• 28. استفاده از Dataflow Templates
• 29. ساخت Custom Templates برای Dataflow
• 30. امنیت در Dataflow و BigQuery
• 31. مدیریت دسترسی‌ها در GCP
• 32. انطباق با مقررات حفظ حریم خصوصی داده‌ها
• 33. مقدمه‌ای بر Data Governance در GCP
• 34. اصول Data Quality در فرآیندهای ETL
• 35. پیاده‌سازی Data Quality با Dataflow
• 36. آشنایی با Dataproc برای پردازش Hadoop
• 37. کاربرد Dataproc در کنار Dataflow
• 38. مقدمه‌ای بر Cloud Storage
• 39. انتقال داده بین Cloud Storage و BigQuery
• 40. استفاده از Cloud Functions برای پردازش داده
• 41. اتوماسیون فرآیندهای ETL با Cloud Scheduler
• 42. مقدمه‌ای بر Data Catalog در GCP
• 43. مدیریت Metadata با Data Catalog
• 44. سناریوهای پردازش داده‌های حجیم
• 45. پردازش لاگ‌ها و رویدادها با Dataflow
• 46. تحلیل داده‌های مشتریان با BigQuery
• 47. مهاجرت داده‌ها به GCP
• 48. بهینه‌سازی هزینه‌های پردازش داده در GCP
• 49. مانیتورینگ عملکرد Dataflow Jobs
• 50. استفاده از Cloud Monitoring برای Dataflow
• 51. مفاهیم پیشرفته Transform در Dataflow
• 52. کار با توابع پنجره‌ای (Windowing) در Dataflow
• 53. مدیریت حالت (State Management) در Dataflow
• 54. پردازش داده‌های جغرافیایی (Geospatial)
• 55. کاربرد BigQuery GIS
• 56. مقدمه‌ای بر یادگیری ماشین با داده‌های پردازش شده
• 57. اتصال Dataflow به Vertex AI
• 58. استفاده از Dataflow برای پیش‌پردازش داده‌های ML
• 59. مفاهیم Data Lineage
• 60. پیاده‌سازی Data Lineage در GCP
• 61. اصول Data Observability
• 62. کاربرد Dataflow در Data Observability
• 63. مدیریت داده‌های سری زمانی (Time Series)
• 64. پردازش داده‌های IoT با Dataflow
• 65. مقدمه‌ای بر Data Masking و Anonymization
• 66. پیاده‌سازی Data Masking در BigQuery
• 67. حکمرانی داده‌ها در محیط‌های سازمانی
• 68. استانداردهای صنعتی در ETL
• 69. ملاحظات حقوقی و انطباق در پردازش داده‌ها
• 70. امنیت داده‌ها در GCP بر اساس قوانین ایران
• 71. اصول حفاظت از داده‌های شخصی در GCP
• 72. مدیریت ریسک در پردازش داده‌های ابری
• 73. نقش Data Engineer در چرخه عمر داده
• 74. مهارت‌های لازم برای Data Engineer
• 75. آینده پردازش داده‌های ابری
• 76. روندهای نوظهور در ETL
• 77. استفاده از Dataflow برای تحلیل داده‌های مالی
• 78. پردازش داده‌های سلامت با رعایت حریم خصوصی
• 79. کاربرد Dataflow در صنعت خرده‌فروشی
• 80. تحلیل داده‌های حمل و نقل با BigQuery
• 81. مقدمه‌ای بر Data Mesh
• 82. تفاوت Data Mesh با معماری‌های سنتی
• 83. پیاده‌سازی Data Mesh با ابزارهای GCP
• 84. اصول Data Product
• 85. مدیریت Data Product در GCP
• 86. چالش‌های پیاده‌سازی Data Mesh
• 87. نقش Data Governance در Data Mesh
• 88. ملاحظات امنیتی در معماری Data Mesh
• 89. مدیریت داده‌های غیرساختاریافته
• 90. پردازش متن با Dataflow
• 91. استفاده از BigQuery ML برای تحلیل متن
• 92. مقدمه‌ای بر Data Virtualization
• 93. کاربرد Data Virtualization با BigQuery
• 94. بهینه‌سازی عملکرد BigQuery برای بارهای کاری سنگین
• 95. استفاده از BigQuery BI Engine
• 96. مقدمه‌ای بر Data Mesh Orchestration
• 97. ابزارهای Orchestration در GCP
• 98. بهترین شیوه‌ها در طراحی Data Pipeline
• 99. مدیریت چرخه عمر Data Pipeline
• 100. جمع‌بندی و نگاه به آینده پردازش داده در ایران