اپلیکیشن اندرویدی فلش‌کارت آموزشی طراحی و پیاده‌سازی انباره داده در محیط ابری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی انباره داده در محیط ابری

موضوع کلی: علوم و مهندسی داده

موضوع میانی: انباره داده و هوش تجاری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم و مهندسی داده
• 2. مبانی انباره داده
• 3. مولفه‌های کلیدی انباره داده
• 4. معماری‌های رایج انباره داده
• 5. انواع انباره داده
• 6. طراحی شماتیک انباره داده
• 7. مدل‌سازی ابعادی
• 8. جداول واقعیت
• 9. جداول ابعاد
• 10. انواع جداول ابعاد
• 11. روش‌های تدریجی بارگذاری داده
• 12. فرایند ETL (استخراج، تبدیل، بارگذاری)
• 13. استخراج داده از منابع مختلف
• 14. تبدیل داده‌ها
• 15. بارگذاری داده در انباره
• 16. ابزارهای ETL
• 17. مفاهیم هوش تجاری
• 18. نقش هوش تجاری در کسب‌وکار
• 19. گزارش‌دهی در هوش تجاری
• 20. داشبوردهای مدیریتی
• 21. تحلیل داده‌های اکتشافی
• 22. تحلیل OLAP
• 23. مکعب‌های OLAP
• 24. عملیات OLAP
• 25. مفاهیم Data Mining
• 26. کاربرد Data Mining در هوش تجاری
• 27. الگوریتم‌های خوشه‌بندی
• 28. الگوریتم‌های طبقه‌بندی
• 29. قوانین انجمنی
• 30. مقدمه‌ای بر پردازش ابری
• 31. مزایای پردازش ابری در انباره داده
• 32. انواع سرویس‌های ابری (IaaS, PaaS, SaaS)
• 33. معرفی پلتفرم‌های ابری رایج
• 34. انباره داده به عنوان سرویس (DWHaaS)
• 35. مفاهیم ذخیره‌سازی ابری
• 36. ذخیره‌سازی اشیاء (Object Storage)
• 37. ذخیره‌سازی بلوکی (Block Storage)
• 38. ذخیره‌سازی فایل (File Storage)
• 39. معرفی پایگاه‌های داده ابری
• 40. پایگاه‌های داده رابطه‌ای ابری
• 41. پایگاه‌های داده NoSQL ابری
• 42. انباره داده‌های ستونی (Columnar Databases)
• 43. مزایای پایگاه‌های داده ستونی
• 44. معرفی سرویس‌های انباره داده ابری
• 45. Amazon Redshift
• 46. Google BigQuery
• 47. Azure Synapse Analytics
• 48. انتخاب سرویس مناسب انباره داده ابری
• 49. طراحی پایگاه داده برای انباره داده
• 50. بهینه‌سازی شماتیک انباره داده
• 51. فهرست‌گذاری در پایگاه‌های داده ستونی
• 52. فشرده‌سازی داده در انباره داده
• 53. امنیت در انباره داده ابری
• 54. مدیریت دسترسی و احراز هویت
• 55. رمزنگاری داده‌ها
• 56. حفظ حریم خصوصی داده‌ها
• 57. مطابقت با مقررات (مانند GDPR)
• 58. پایش عملکرد انباره داده
• 59. شناسایی تنگناهای عملکردی
• 60. بهینه‌سازی کوئری‌ها
• 61. تنظیم پارامترهای پایگاه داده
• 62. مقدمه‌ای بر مهندسی داده
• 63. نقش مهندس داده در انباره داده
• 64. خطوط لوله داده (Data Pipelines)
• 65. ابزارهای ارکستراسیون خطوط لوله داده
• 66. Apache Airflow
• 67. Prefect
• 68. معرفی زبان‌های برنامه‌نویسی برای مهندسی داده
• 69. Python برای مهندسی داده
• 70. SQL برای مهندسی داده
• 71. Spark برای پردازش داده‌های بزرگ
• 72. معرفی Apache Spark
• 73. مبانی Spark SQL
• 74. پردازش دسته‌ای (Batch Processing)
• 75. پردازش جریانی (Stream Processing)
• 76. معماری Spark
• 77. کاربرد Spark در ETL
• 78. کاربرد Spark در هوش تجاری
• 79. امنیت در خطوط لوله داده
• 80. مانیتورینگ و لاگ‌برداری
• 81. مدیریت خطا و بازیابی
• 82. تست در مهندسی داده
• 83. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 84. چالش‌های داده‌های بزرگ
• 85. معماری‌های پردازش داده‌های بزرگ
• 86. Hadoop Ecosystem
• 87. مفهوم Data Lake
• 88. مقایسه Data Warehouse و Data Lake
• 89. طراحی Data Lake
• 90. مدیریت داده در Data Lake
• 91. امنیت در Data Lake
• 92. معرفی ابزارهای تحلیل داده‌های بزرگ
• 93. Apache Hive
• 94. Apache Flink
• 95. معرفی مفاهیم تحلیل پیشرفته
• 96. یادگیری ماشین در انباره داده
• 97. مقدمه‌ای بر یادگیری ماشین
• 98. کاربرد یادگیری ماشین در هوش تجاری
• 99. مدل‌سازی پیش‌بینی‌کننده
• 100. تحلیل آماری داده‌ها