دوره مهندسی داده با Google BigQuery در Google Cloud همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده با Google BigQuery در Google Cloud

موضوع کلی: مهندسی داده و تحلیل داده

موضوع میانی: مهندسی داده با استفاده از پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده
• 2. اصول مهندسی داده
• 3. نقش مهندس داده
• 4. مفاهیم پایگاه داده رابطه‌ای
• 5. مفاهیم پایگاه داده NoSQL
• 6. مقدمه‌ای بر Google Cloud
• 7. معرفی Google BigQuery
• 8. معماری Google BigQuery
• 9. ذخیره‌سازی داده در BigQuery
• 10. انواع داده در BigQuery
• 11. بارگذاری داده در BigQuery
• 12. انتقال داده به BigQuery
• 13. استفاده از Cloud Storage
• 14. انتقال داده از Cloud Storage
• 15. استفاده از Data Transfer Service
• 16. انتقال داده از پایگاه‌های داده رابطه‌ای
• 17. استفاده از Cloud Data Fusion
• 18. طراحی اسکیمای پایگاه داده
• 19. نرمال‌سازی و عدم نرمال‌سازی
• 20. بهینه‌سازی طراحی اسکیمای BigQuery
• 21. مقدمه‌ای بر تحلیل داده
• 22. مراحل تحلیل داده
• 23. پاکسازی داده
• 24. تبدیل داده
• 25. تجمیع داده
• 26. مصورسازی داده
• 27. مقدمه‌ای بر SQL
• 28. دستورات اساسی SQL
• 29. توابع پنجره‌ای در SQL
• 30. بهینه‌سازی کوئری‌های SQL
• 31. مقدمه‌ای بر ابزارهای ETL/ELT
• 32. استفاده از Dataflow
• 33. پردازش دسته‌ای با Dataflow
• 34. پردازش جریانی با Dataflow
• 35. مقدمه‌ای بر هوش تجاری
• 36. ابزارهای هوش تجاری
• 37. مصورسازی داده با Looker Studio
• 38. ایجاد داشبوردهای مدیریتی
• 39. امنیت داده در Google Cloud
• 40. مدیریت دسترسی در BigQuery
• 41. رمزنگاری داده در BigQuery
• 42. حریم خصوصی داده
• 43. ملاحظات اخلاقی در مهندسی داده
• 44. مقدمه‌ای بر داده‌های بزرگ (Big Data)
• 45. چالش‌های داده‌های بزرگ
• 46. معماری‌های داده‌های بزرگ
• 47. انبار داده (Data Warehouse)
• 48. دریاچه داده (Data Lake)
• 49. مقایسه انبار داده و دریاچه داده
• 50. مقدمه‌ای بر مهندسی داده مدرن
• 51. پلتفرم‌های مهندسی داده
• 52. معماری‌های داده مدرن
• 53. مهندسی داده مبتنی بر ابر
• 54. مزایای مهندسی داده مبتنی بر ابر
• 55. معرفی Google Cloud Platform (GCP)
• 56. سرویس‌های کلیدی GCP برای مهندسی داده
• 57. Google Compute Engine
• 58. Google Kubernetes Engine
• 59. Google Cloud Storage
• 60. Google BigQuery
• 61. Google Cloud Data Fusion
• 62. Google Cloud Dataflow
• 63. Google Cloud Dataproc
• 64. Google Cloud Pub/Sub
• 65. Google Cloud Composer
• 66. مقدمه‌ای بر مدل‌سازی داده
• 67. مدل‌سازی ابعادی (Dimensional Modeling)
• 68. مدل‌سازی ستاره‌ای (Star Schema)
• 69. مدل‌سازی برف‌ریزه‌ای (Snowflake Schema)
• 70. مراحل پیاده‌سازی مدل ابعادی
• 71. چالش‌های مدل‌سازی داده
• 72. مقدمه‌ای بر داده‌های جریانی (Streaming Data)
• 73. معماری‌های پردازش داده جریانی
• 74. استفاده از Pub/Sub برای داده‌های جریانی
• 75. پردازش داده جریانی با Dataflow
• 76. کاربرد داده‌های جریانی در کسب‌وکار
• 77. مقدمه‌ای بر داده‌های مکانی (Geospatial Data)
• 78. ذخیره‌سازی داده‌های مکانی در BigQuery
• 79. تحلیل داده‌های مکانی با BigQuery
• 80. مصورسازی داده‌های مکانی
• 81. کاربرد داده‌های مکانی در تحلیل
• 82. مقدمه‌ای بر داده‌های متنی (Text Data)
• 83. پردازش زبان طبیعی (NLP)
• 84. تحلیل احساسات (Sentiment Analysis)
• 85. استفاده از NLP در BigQuery
• 86. کاربرد داده‌های متنی در تحلیل
• 87. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 88. نقش مهندسی داده در یادگیری ماشین
• 89. آماده‌سازی داده برای یادگیری ماشین
• 90. ادغام BigQuery با Vertex AI
• 91. مقدمه‌ای بر Data Governance
• 92. اصول Data Governance
• 93. پیاده‌سازی Data Governance در GCP
• 94. مدیریت کیفیت داده
• 95. مدیریت متادیتا (Metadata Management)
• 96. مقدمه‌ای بر امنیت داده در BigQuery
• 97. کنترل دسترسی مبتنی بر نقش (RBAC)
• 98. رمزنگاری در حالت استراحت و در حال انتقال
• 99. ردیابی دسترسی به داده‌ها
• 100. ملاحظات حقوقی و انطباق داده‌ها