سپنتا کتاب اکسپرس
کتاب معماری نرم‌افزار: Build data application with data Lake approach

کتاب معماری نرم‌افزار: Build data application with data Lake approach

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب معماری نرم‌افزار: Build data application with data Lake approach

موضوع کلی: برنامه نویسی

موضوع میانی: معماری نرم‌افزار

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر معماری نرم‌افزار و نقش معمار
  • 2. معرفی اپلیکیشن‌های داده‌محور (Data-Driven Applications)
  • 3. چالش‌های داده‌های حجیم (Big Data) و نیاز به معماری‌های جدید
  • 4. مقایسه رویکردهای سنتی: پایگاه داده رابطه‌ای در مقابل انبار داده (Data Warehouse)
  • 5. معرفی مفهوم دریاچه داده (Data Lake)
  • 6. تفاوت‌های کلیدی بین دریاچه داده و انبار داده
  • 7. مزایا و معایب رویکرد دریاچه داده
  • 8. داده، فراداده (Metadata) و اهمیت آن در معماری داده
  • 9. مفهوم Schema-on-Read در مقابل Schema-on-Write
  • 10. بررسی چرخه‌ی حیات داده (Data Lifecycle)
  • 11. معماری لایه‌ای دریاچه داده: Raw, Cleansed, Curated
  • 12. منطقه خام (Raw/Bronze Zone): اصول و طراحی
  • 13. منطقه پاکسازی‌شده (Cleansed/Silver Zone): تبدیل و استانداردسازی
  • 14. منطقه آماده مصرف (Curated/Gold Zone): تجمیع و بهینه‌سازی برای تحلیل
  • 15. الگوهای دریافت داده (Data Ingestion): دسته‌ای (Batch)
  • 16. الگوهای دریافت داده (Data Ingestion): جریانی (Streaming)
  • 17. الگوهای دریافت داده: Change Data Capture (CDC)
  • 18. انتخاب فرمت فایل مناسب: Parquet, Avro, ORC
  • 19. فشرده‌سازی داده‌ها در دریاچه داده
  • 20. پارتیشن‌بندی داده‌ها (Data Partitioning) برای بهینه‌سازی کوئری
  • 21. مدیریت فراداده (Metadata Management) و کاتالوگ داده (Data Catalog)
  • 22. نقش کاتالوگ داده در کشف و استفاده از داده‌ها
  • 23. پردازش داده‌ها: مفهوم ETL در مقابل ELT
  • 24. اصول کیفیت داده (Data Quality) در دریاچه داده
  • 25. حاکمیت داده (Data Governance): مقدمه‌ای بر اصول اولیه
  • 26. امنیت داده در لایه‌های مختلف دریاچه داده
  • 27. مفاهیم اسید (ACID) و چالش‌های آن در دریاچه داده
  • 28. معرفی Lakehouse: ترکیب بهترین‌های Data Lake و Data Warehouse
  • 29. آشنایی با فرمت‌های جدولی: Delta Lake, Apache Iceberg, Apache Hudi
  • 30. نقش Delta Lake در افزودن قابلیت‌های تراکنشی به Data Lake
  • 31. مدیریت Schema Evolution در دریاچه داده
  • 32. انتخاب پلتفرم ابری: AWS vs Azure vs GCP
  • 33. ذخیره‌سازی شیء (Object Storage): معرفی Amazon S3
  • 34. ذخیره‌سازی شیء (Object Storage): معرفی Azure Data Lake Storage (ADLS) Gen2
  • 35. ذخیره‌سازی شیء (Object Storage): معرفی Google Cloud Storage
  • 36. ابزارهای دریافت داده دسته‌ای: Apache Sqoop, AWS DMS
  • 37. ابزارهای دریافت داده جریانی: Apache Kafka
  • 38. ابزارهای دریافت داده جریانی: Amazon Kinesis
  • 39. ابزارهای هماهنگ‌سازی و انتقال داده: Apache NiFi
  • 40. موتور پردازش داده توزیع‌شده: Apache Spark - معماری و مفاهیم اصلی
  • 41. کار با DataFrame‌ها در Apache Spark
  • 42. پردازش جریانی با Spark Structured Streaming
  • 43. موتور پردازش داده توزیع‌شده: Apache Flink
  • 44. ابزارهای ارکستراسیون (Orchestration): Apache Airflow
  • 45. طراحی DAG در Apache Airflow برای پایپ‌لاین‌های داده
  • 46. ابزارهای ارکستراسیون جایگزین: Prefect و Dagster
  • 47. موتورهای کوئری توزیع‌شده: Presto و Trino
  • 48. سرویس‌های کوئری Serverless: Amazon Athena
  • 49. سرویس‌های کوئری Serverless: Azure Synapse Serverless SQL
  • 50. سرویس‌های مدیریت‌شده Spark: AWS EMR, Databricks, Azure Synapse
  • 51. معرفی Databricks و پلتفرم Lakehouse آن
  • 52. ابزارهای کاتالوگ داده: AWS Glue Data Catalog
  • 53. ابزارهای کاتالوگ داده متن‌باز: Amundsen و DataHub
  • 54. ابزارهای هوش تجاری (BI) سازگار با Data Lake: Tableau, Power BI
  • 55. اتصال ابزارهای BI به موتورهای کوئری مانند Trino
  • 56. زیرساخت به عنوان کد (IaC) برای معماری داده: Terraform
  • 57. کانتینرسازی (Containerization) با Docker برای اپلیکیشن‌های داده
  • 58. ارکستراسیون کانتینرها با Kubernetes در اکوسیستم داده
  • 59. مدیریت وابستگی‌ها و محیط‌های پایتون برای پروژه‌های داده
  • 60. آشنایی با فرمت Apache Arrow و اهمیت آن در بهینه‌سازی انتقال داده
  • 61. گام اول: تعریف نیازمندی‌های کسب‌وکار و موارد استفاده (Use Cases)
  • 62. طراحی معماری مرجع (Reference Architecture) برای یک Data Lake
  • 63. انتخاب تکنولوژی‌ها (Tech Stack) بر اساس نیازمندی‌ها
  • 64. طراحی ساختار پوشه‌ها و پارتیشن‌بندی در Object Storage
  • 65. پیاده‌سازی پایپ‌لاین دریافت داده دسته‌ای از پایگاه‌داده‌های رابطه‌ای
  • 66. پیاده‌سازی پایپ‌لاین دریافت داده جریانی از لاگ‌های اپلیکیشن
  • 67. پیاده‌سازی فرآیندهای پاکسازی و اعتبارسنجی داده (Cleansing & Validation)
  • 68. استراتژی‌های مدیریت داده‌های ناقص و ناسازگار (Bad Records)
  • 69. طراحی و پیاده‌سازی تبدیل‌های داده از لایه Silver به Gold
  • 70. ساخت جداول تجمیعی (Aggregate Tables) و بهینه‌سازی برای داشبوردها
  • 71. پیاده‌سازی امنیت: مدیریت دسترسی با IAM (Identity and Access Management)
  • 72. رمزنگاری داده‌ها در حالت سکون (At Rest) و در حال انتقال (In Transit)
  • 73. پیاده‌سازی کاتالوگ داده و ثبت فراداده‌های فنی و کسب‌وکار
  • 74. خودکارسازی فرآیندهای کشف شمای داده (Schema Discovery)
  • 75. تست پایپ‌لاین‌های داده: تست واحد، تست یکپارچه‌سازی و تست کیفیت داده
  • 76. پیاده‌سازی Data Quality Checks با ابزارهایی مانند Great Expectations
  • 77. استراتژی‌های مدیریت هزینه در پلتفرم‌های ابری
  • 78. بهینه‌سازی هزینه‌های ذخیره‌سازی (Storage Cost Optimization)
  • 79. بهینه‌سازی هزینه‌های پردازش (Compute Cost Optimization)
  • 80. مستندسازی معماری و پایپ‌لاین‌های داده
  • 81. اتصال ابزارهای BI و داشبورد به لایه Gold
  • 82. ساخت یک API سرویس‌دهی داده (Data Serving API) بر روی Data Lake
  • 83. معماری برای کاربردهای یادگیری ماشین (Machine Learning)
  • 84. مهندسی ویژگی (Feature Engineering) در مقیاس بزرگ با Spark
  • 85. ساخت و مدیریت یک Feature Store بر روی Data Lake
  • 86. آموزش مدل‌های ML با داده‌های موجود در Data Lake
  • 87. استقرار (Deployment) و سرویس‌دهی مدل‌های ML
  • 88. پیاده‌سازی یک اپلیکیشن تحلیلی Real-time
  • 89. مفهوم Data as a Product و ارائه داده به تیم‌های دیگر
  • 90. ایجاد Sandbox برای تحلیلگران و دانشمندان داده
  • 91. پیاده‌سازی کامل حاکمیت داده: نقش‌ها، سیاست‌ها و فرآیندها
  • 92. ردیابی تبار داده (Data Lineage) از منبع تا مصرف
  • 93. مشاهده‌پذیری داده (Data Observability): نظارت بر سلامت پایپ‌لاین‌ها
  • 94. مدیریت چرخه عمر داده (Data Lifecycle Management) و بایگانی
  • 95. پیاده‌سازی CI/CD برای پایپ‌لاین‌های داده (DataOps)
  • 96. معماری Data Mesh: اصول و تفاوت آن با Data Lake متمرکز
  • 97. بررسی یک مطالعه موردی (Case Study): ساخت Data Lake برای یک شرکت تجارت الکترونیک
  • 98. بررسی یک مطالعه موردی (Case Study): مهاجرت از انبار داده سنتی به Lakehouse
  • 99. روندهای آینده در معماری داده: Real-time Analytics و AI/ML
  • 100. جمع‌بندی دوره و نقشه راه برای تبدیل شدن به یک معمار داده

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.