کتاب صوتی ساخت و مدیریت خطوط لوله داده در Google Cloud

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و مدیریت خطوط لوله داده در Google Cloud

موضوع کلی: مهندسی داده و زیرساخت ابری

موضوع میانی: مهندسی داده در پلتفرم Google Cloud

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده در ابر
• 2. اصول پایگاه‌های داده رابطه‌ای
• 3. مفاهیم پایگاه‌های داده NoSQL
• 4. معماری‌های داده مدرن
• 5. مقدمه‌ای بر Google Cloud Platform
• 6. معرفی سرویس‌های ذخیره‌سازی داده در GCP
• 7. Cloud Storage: ذخیره‌سازی اشیاء
• 8. Cloud SQL: پایگاه داده رابطه‌ای مدیریت شده
• 9. Cloud Spanner: پایگاه داده رابطه‌ای مقیاس‌پذیر جهانی
• 10. Bigtable: پایگاه داده NoSQL مقیاس‌پذیر
• 11. Firestore: پایگاه داده سندی مقیاس‌پذیر
• 12. معرفی ابزارهای پردازش داده در GCP
• 13. Dataflow: پردازش جریان و دسته‌ای
• 14. Dataproc: پردازش کلان داده با Apache Spark و Hadoop
• 15. BigQuery: انبار داده تحلیلی serverless
• 16. معرفی ابزارهای انتقال و ETL در GCP
• 17. Cloud Data Fusion: ابزار ETL بصری
• 18. Cloud Dataprep: آماده‌سازی و پاکسازی داده
• 19. Cloud Storage Transfer Service: انتقال داده به GCP
• 20. Transfer Appliance: انتقال داده آفلاین
• 21. Database Migration Service: مهاجرت پایگاه داده
• 22. معرفی ابزارهای ارکستراسیون در GCP
• 23. Cloud Composer: ارکستراسیون با Apache Airflow
• 24. Workflows: اتوماسیون گردش کار
• 25. معرفی ابزارهای یادگیری ماشین در GCP
• 26. Vertex AI: پلتفرم یکپارچه یادگیری ماشین
• 27. AI Platform: آموزش و استقرار مدل‌های ML
• 28. معرفی ابزارهای تحلیل داده در GCP
• 29. Looker: هوش تجاری و داشبوردهای مدیریتی
• 30. Data Studio: ابزار بصری‌سازی داده رایگان
• 31. معرفی امنیت و حاکمیت داده در GCP
• 32. Identity and Access Management (IAM)
• 33. Security Command Center
• 34. Data Loss Prevention (DLP)
• 35. حفظ حریم خصوصی داده‌ها
• 36. مقررات حفاظت از داده‌ها
• 37. اصول طراحی خط لوله داده
• 38. مراحل ساخت خط لوله داده
• 39. جمع‌آوری داده‌ها
• 40. ذخیره‌سازی داده‌ها
• 41. پاکسازی و تبدیل داده‌ها (ETL/ELT)
• 42. اعتبارسنجی داده‌ها
• 43. بصری‌سازی و گزارش‌دهی داده‌ها
• 44. نظارت و مدیریت خط لوله داده
• 45. خط لوله‌های داده برای تحلیل بلادرنگ
• 46. خط لوله‌های داده برای پردازش دسته‌ای
• 47. خط لوله‌های داده برای یادگیری ماشین
• 48. طراحی خط لوله‌های داده مقیاس‌پذیر
• 49. طراحی خط لوله‌های داده قابل اعتماد
• 50. طراحی خط لوله‌های داده امن
• 51. بهینه‌سازی عملکرد خط لوله داده
• 52. مدیریت هزینه‌های خط لوله داده
• 53. مثال عملی: خط لوله داده برای تحلیل فروش
• 54. مثال عملی: خط لوله داده برای پیش‌بینی تقاضا
• 55. مثال عملی: خط لوله داده برای پردازش لاگ‌ها
• 56. مقدمه‌ای بر معماری‌های داده مدرن
• 57. Data Lakehouse
• 58. Data Mesh
• 59. اصول DataOps
• 60. اجرای DataOps در GCP
• 61. نمونه‌های موفق پیاده‌سازی مهندسی داده
• 62. بهترین شیوه‌ها در مهندسی داده
• 63. آینده مهندسی داده و ابر
• 64. مباحث پیشرفته در مهندسی داده
• 65. مهندسی داده برای اینترنت اشیاء (IoT)
• 66. مهندسی داده برای داده‌های مکانی
• 67. مهندسی داده برای داده‌های گراف
• 68. معرفی ابزارهای مانیتورینگ و لاگینگ در GCP
• 69. Cloud Logging
• 70. Cloud Monitoring
• 71. Cloud Trace
• 72. مدیریت متادیتای داده
• 73. کاتالوگ داده
• 74. حاکمیت داده و انطباق
• 75. مدیریت چرخه عمر داده
• 76. استراتژی‌های پشتیبان‌گیری و بازیابی داده
• 77. طراحی برای دسترس‌پذیری بالا (High Availability)
• 78. طراحی برای تحمل خطا (Fault Tolerance)
• 79. تست و اعتبارسنجی خطوط لوله داده
• 80. مستندسازی خطوط لوله داده
• 81. امنیت در انتقال داده‌ها
• 82. امنیت در ذخیره‌سازی داده‌ها
• 83. امنیت در پردازش داده‌ها
• 84. مدیریت دسترسی به داده‌ها
• 85. مقررات و استانداردهای داده در ایران
• 86. چارچوب‌های قانونی حفاظت از داده
• 87. ملاحظات شرعی در تحلیل داده
• 88. اصول اخلاقی در مهندسی داده
• 89. مسئولیت‌پذیری در مهندسی داده
• 90. نوآوری در مهندسی داده
• 91. نقش مهندس داده در سازمان
• 92. توسعه حرفه‌ای در مهندسی داده
• 93. آینده شغلی مهندس داده
• 94. جمع‌بندی و گام‌های بعدی
• 95. نگاهی به ابزارهای نوظهور
• 96. مقایسه رویکردهای مختلف در مهندسی داده
• 97. کاربرد مهندسی داده در صنایع مختلف
• 98. تأثیر مهندسی داده بر تصمیم‌گیری کسب‌وکار
• 99. ارزیابی ریسک در پروژه‌های مهندسی داده
• 100. مدیریت تغییر در پیاده‌سازی خطوط لوله داده