فلش‌کارت‌های آموزشی آمادگی برای آزمون DP-203: مهندسی داده در Microsoft Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آمادگی برای آزمون DP-203: مهندسی داده در Microsoft Azure

موضوع کلی: مهندسی داده در پلتفرم ابری مایکروسافت

موضوع میانی: طراحی و پیاده‌سازی راه‌حل‌های مهندسی داده در Azure

📋 سرفصل‌های دوره

• 1. مبانی مهندسی داده در Azure
• 2. معماری داده در Azure
• 3. مخازن داده در Azure
• 4. Azure Data Lake Storage Gen2
• 5. Azure Blob Storage
• 6. Azure SQL Database
• 7. Azure Cosmos DB
• 8. Azure Synapse Analytics
• 9. Azure Databricks
• 10. Azure HDInsight
• 11. انتقال داده در Azure
• 12. Azure Data Factory
• 13. Azure Data Share
• 14. Azure Purview
• 15. امنیت داده در Azure
• 16. مدیریت دسترسی و احراز هویت
• 17. رمزنگاری داده
• 18. نظارت و ثبت وقایع
• 19. طراحی پایگاه داده رابطه‌ای در Azure
• 20. طراحی پایگاه داده NoSQL در Azure
• 21. طراحی انبار داده در Azure
• 22. طراحی دریاچه داده در Azure
• 23. پیاده‌سازی لوله‌های داده با Azure Data Factory
• 24. تنظیم و پیکربندی Azure Data Factory
• 25. مدیریت جریان‌های داده در Azure Data Factory
• 26. نظارت بر اجراهای Azure Data Factory
• 27. پیاده‌سازی پردازش داده با Azure Databricks
• 28. مبانی Apache Spark در Azure Databricks
• 29. استفاده از Notebooks در Azure Databricks
• 30. مدیریت کلاستر در Azure Databricks
• 31. پیاده‌سازی پردازش داده با Azure Synapse Analytics
• 32. کار با SQL Pool در Azure Synapse Analytics
• 33. کار با Spark Pool در Azure Synapse Analytics
• 34. ادغام خدمات در Azure Synapse Analytics
• 35. مدیریت امنیت در Azure Synapse Analytics
• 36. مدیریت داده‌های جریانی در Azure
• 37. Azure Stream Analytics
• 38. Azure Event Hubs
• 39. Azure IoT Hub
• 40. طراحی راه‌حل‌های داده بلادرنگ
• 41. پیاده‌سازی راه‌حل‌های داده بلادرنگ
• 42. بهینه‌سازی عملکرد راه‌حل‌های داده
• 43. بهینه‌سازی مخازن داده
• 44. بهینه‌سازی لوله‌های داده
• 45. بهینه‌سازی پردازش داده
• 46. نظارت و نگهداری راه‌حل‌های داده
• 47. نظارت بر عملکرد
• 48. مدیریت هزینه‌ها
• 49. به‌روزرسانی و تکامل راه‌حل‌های داده
• 50. حاکمیت داده در Azure
• 51. مدیریت کیفیت داده
• 52. مدیریت کلان داده (Metadata)
• 53. مدیریت چرخه عمر داده
• 54. استفاده از Azure Purview برای حاکمیت داده
• 55. طراحی و پیاده‌سازی راه‌حل‌های هوش تجاری در Azure
• 56. Azure Analysis Services
• 57. Power BI Integration
• 58. گزارش‌دهی و داشبوردهای پیشرفته
• 59. تحلیل داده‌های پیشرفته
• 60. یادگیری ماشین در Azure برای مهندسی داده
• 61. Azure Machine Learning integration
• 62. آماده‌سازی داده برای مدل‌های یادگیری ماشین
• 63. ارزیابی و استقرار مدل‌ها
• 64. مباحث پیشرفته در Azure Data Engineering
• 65. مدیریت داده‌های حجیم (Big Data)
• 66. معماری‌های مقیاس‌پذیر داده
• 67. استفاده از ابزارهای متن‌باز در Azure
• 68. امنیت پیشرفته داده در Azure
• 69. مدیریت ریسک داده
• 70. انطباق با مقررات داده
• 71. برنامه‌ریزی برای بازیابی فاجعه
• 72. طراحی مجدد و مهاجرت سیستم‌های داده
• 73. استراتژی‌های مهاجرت داده
• 74. برنامه‌ریزی پیاده‌سازی
• 75. مدیریت تغییر
• 76. بهبود مستمر در مهندسی داده
• 77. آینده مهندسی داده در Azure
• 78. روندهای جدید در Azure Data Engineering
• 79. یادگیری مداوم و توسعه مهارت‌ها
• 80. پروژه‌های عملی در Azure Data Engineering
• 81. مطالعات موردی موفق
• 82. چالش‌ها و راه‌حل‌ها در پروژه‌های واقعی
• 83. آمادگی برای آزمون DP-203
• 84. مرور مفاهیم کلیدی
• 85. تمرین سوالات شبیه‌سازی شده
• 86. استراتژی‌های موفقیت در آزمون
• 87. ارزیابی نهایی دانش
• 88. مبانی طراحی سیستم‌های توزیع شده
• 89. مفاهیم پردازش دسته‌ای (Batch Processing)
• 90. مفاهیم پردازش جریانی (Stream Processing)
• 91. انواع مخازن داده و کاربردها
• 92. اصول طراحی پایگاه داده برای حجم بالا
• 93. اصول طراحی انبار داده و دریاچه داده
• 94. تکنیک‌های ETL و ELT
• 95. ابزارهای Orchestration و Workflow Management
• 96. مدیریت داده‌های مکانی و زمانی
• 97. امنیت در محیط‌های ابری
• 98. مدیریت دسترسی مبتنی بر نقش (RBAC)
• 99. رمزنگاری در حالت سکون و در حال انتقال
• 100. نظارت و ثبت وقایع امنیتی