اپلیکیشن اندرویدی فلش‌کارت آموزشی کاوش و تحلیل داده‌ها در Azure Synapse Analytics

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاوش و تحلیل داده‌ها در Azure Synapse Analytics

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: مدیریت و تحلیل داده‌های کلان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌ها در Azure Synapse
• 2. آشنایی با Azure Synapse Analytics
• 3. معماری Azure Synapse Analytics
• 4. مخازن داده در Azure Synapse
• 5. مدیریت داده‌ها در Azure Synapse
• 6. مفاهیم مدل‌سازی داده
• 7. طراحی مدل‌های داده‌ای بهینه
• 8. مدل‌سازی ستونی (Columnar Modeling)
• 9. مدل‌سازی ردیفی (Row-based Modeling)
• 10. بهینه‌سازی مدل‌های داده
• 11. مفهوم زبان SQL
• 12. پرس‌وجو (Query) در SQL
• 13. توابع SQL
• 14. دستورات DDL در SQL
• 15. دستورات DML در SQL
• 16. بهینه‌سازی پرس‌وجوها در SQL
• 17. آشنایی با T-SQL
• 18. توابع پنجره‌ای (Window Functions)
• 19. رویه‌ها (Stored Procedures)
• 20. تریگرها (Triggers)
• 21. نماها (Views)
• 22. مفاهیم داده‌های کلان (Big Data)
• 23. معماری داده‌های کلان
• 24. ذخیره‌سازی داده‌های کلان
• 25. پردازش داده‌های کلان
• 26. ابزارهای اکوسیستم داده‌های کلان
• 27. Azure Data Lake Storage Gen2
• 28. مفاهیم Spark
• 29. Apache Spark در Azure Synapse
• 30. Spark SQL
• 31. Spark DataFrames
• 32. Spark Streaming
• 33. پردازش دسته‌ای (Batch Processing)
• 34. پردازش آنی (Real-time Processing)
• 35. ادغام داده‌ها (Data Integration)
• 36. پایپ‌لاین‌های داده (Data Pipelines)
• 37. Azure Data Factory در Azure Synapse
• 38. فعالیت‌های کپی داده (Copy Activity)
• 39. فعالیت‌های تبدیل داده (Transform Activity)
• 40. فعالیت‌های کنترلی (Control Flow Activity)
• 41. زمان‌بندی پایپ‌لاین‌ها
• 42. نظارت بر پایپ‌لاین‌ها
• 43. امنیت داده‌ها در Azure Synapse
• 44. مدیریت دسترسی‌ها
• 45. رمزنگاری داده‌ها
• 46. حریم خصوصی داده‌ها
• 47. قوانین انطباق داده‌ها
• 48. مفاهیم هوش مصنوعی
• 49. یادگیری ماشین (Machine Learning)
• 50. یادگیری عمیق (Deep Learning)
• 51. کاربرد هوش مصنوعی در تحلیل داده
• 52. Azure Machine Learning
• 53. یکپارچه‌سازی هوش مصنوعی با Azure Synapse
• 54. تحلیل اکتشافی داده (EDA)
• 55. پیش‌پردازش داده‌ها (Data Preprocessing)
• 56. پاک‌سازی داده‌ها (Data Cleaning)
• 57. مهندسی ویژگی (Feature Engineering)
• 58. انتخاب ویژگی (Feature Selection)
• 59. مدل‌های طبقه‌بندی (Classification Models)
• 60. مدل‌های رگرسیون (Regression Models)
• 61. مدل‌های خوشه‌بندی (Clustering Models)
• 62. ارزیابی مدل‌ها (Model Evaluation)
• 63. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 64. استقرار مدل‌ها (Model Deployment)
• 65. نظارت بر مدل‌ها (Model Monitoring)
• 66. تجسم داده‌ها (Data Visualization)
• 67. ابزارهای تجسم داده
• 68. Microsoft Power BI
• 69. یکپارچه‌سازی Power BI با Azure Synapse
• 70. ایجاد داشبوردهای تعاملی
• 71. گزارش‌گیری تحلیلی
• 72. تحلیل سری‌های زمانی (Time Series Analysis)
• 73. تحلیل متن (Text Analytics)
• 74. پردازش زبان طبیعی (NLP)
• 75. بینایی ماشین (Computer Vision)
• 76. تحلیل داده‌های شبکه‌های اجتماعی
• 77. تحلیل داده‌های IoT
• 78. مفاهیم داده‌های مکانی (Spatial Data)
• 79. تحلیل داده‌های مکانی در Azure Synapse
• 80. ملاحظات اخلاقی در تحلیل داده
• 81. مسئولیت‌پذیری در هوش مصنوعی
• 82. امنیت سایبری در اکوسیستم داده
• 83. مدیریت ریسک در پروژه‌های داده
• 84. راهکارهای نوین در تحلیل داده
• 85. آینده تحلیل داده‌ها
• 86. یادگیری تقویتی (Reinforcement Learning)
• 87. شبکه‌های عصبی کانولوشنال (CNN)
• 88. شبکه‌های عصبی بازگشتی (RNN)
• 89. مدل‌های زبانی بزرگ (LLMs)
• 90. کاربرد LLMs در تحلیل داده
• 91. ملاحظات امنیتی در استفاده از LLMs
• 92. تکنیک‌های پیشرفته مدل‌سازی
• 93. یادگیری چندوظیفه‌ای (Multi-task Learning)
• 94. یادگیری انتقالی (Transfer Learning)
• 95. یادگیری فدرال (Federated Learning)
• 96. حفظ حریم خصوصی در یادگیری فدرال
• 97. معماری‌های مدرن داده
• 98. Data Mesh
• 99. Data Fabric
• 100. یکپارچه‌سازی داده‌های ناهمگن