دوره آشنایی با BigQuery: پایگاه داده تحلیلی ابری گوگل برای متخصصان Snowflake همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با BigQuery: پایگاه داده تحلیلی ابری گوگل برای متخصصان Snowflake

موضوع کلی: فناوری اطلاعات و مدیریت داده

موضوع میانی: پایگاه‌های داده ابری و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایگاه‌های داده تحلیلی ابری
• 2. معرفی Google Cloud Platform
• 3. مبانی Google BigQuery
• 4. مقایسه BigQuery و Snowflake
• 5. معماری BigQuery: ستون‌ها و ذخیره‌سازی
• 6. اجرای کوئری در BigQuery
• 7. انواع کوئری‌ها در BigQuery
• 8. بهینه‌سازی عملکرد کوئری
• 9. کار با داده‌های حجیم در BigQuery
• 10. ساختار داده‌ای BigQuery: جداول و پارتیشن‌ها
• 11. انواع داده در BigQuery
• 12. بارگذاری داده در BigQuery
• 13. استفاده از بارگذاری دسته‌ای (Batch Loading)
• 14. بارگذاری داده‌های جریانی (Streaming Loading)
• 15. تبدیل داده‌ها در BigQuery
• 16. توابع داخلی BigQuery
• 17. توابع پیشرفته BigQuery
• 18. کار با داده‌های مکانی (Geospatial Data)
• 19. مبانی تحلیل داده
• 20. مفهوم Business Intelligence
• 21. ابزارهای BI و ارتباط با BigQuery
• 22. مقدمه‌ای بر Data Warehousing
• 23. اصول Data Lake
• 24. تفاوت Data Warehouse و Data Lake
• 25. معماری Data Warehouse مدرن
• 26. طراحی شمای ستاره‌ای (Star Schema)
• 27. طراحی شمای دانه‌برفی (Snowflake Schema)
• 28. مدل‌سازی داده برای BigQuery
• 29. مفاهیم ETL (Extract, Transform, Load)
• 30. مفاهیم ELT (Extract, Load, Transform)
• 31. پیاده‌سازی ETL/ELT در BigQuery
• 32. استفاده از Dataflow برای ETL/ELT
• 33. استفاده از Dataproc برای ETL/ELT
• 34. تجزیه و تحلیل داده‌های سری زمانی
• 35. تجزیه و تحلیل داده‌های ساختاریافته
• 36. تجزیه و تحلیل داده‌های نیمه‌ساختاریافته
• 37. تجزیه و تحلیل داده‌های بدون ساختار
• 38. مقدمه‌ای بر یادگیری ماشین
• 39. کاربرد یادگیری ماشین در تحلیل داده
• 40. BigQuery ML: آموزش مدل‌های یادگیری ماشین
• 41. آموزش مدل‌های رگرسیون در BigQuery ML
• 42. آموزش مدل‌های طبقه‌بندی در BigQuery ML
• 43. آموزش مدل‌های خوشه‌بندی در BigQuery ML
• 44. پیش‌بینی با استفاده از BigQuery ML
• 45. ارزیابی مدل‌های یادگیری ماشین
• 46. مقدمه‌ای بر تجسم داده (Data Visualization)
• 47. ابزارهای تجسم داده
• 48. Google Data Studio (Looker Studio)
• 49. اتصال BigQuery به Looker Studio
• 50. ساخت داشبوردهای تعاملی
• 51. مبانی گزارش‌گیری
• 52. طراحی گزارش‌های تحلیلی
• 53. مفاهیم امنیت در BigQuery
• 54. مدیریت دسترسی در BigQuery
• 55. رمزنگاری داده‌ها در BigQuery
• 56. حفظ حریم خصوصی داده‌ها
• 57. پیروی از مقررات حفاظت از داده‌ها
• 58. کار با داده‌های مالی در BigQuery
• 59. تحلیل داده‌های فروش
• 60. تحلیل داده‌های مشتریان
• 61. بهینه‌سازی هزینه‌ها در BigQuery
• 62. مدیریت هزینه‌های Google Cloud
• 63. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 64. کاربرد هوش تجاری در سازمان‌ها
• 65. نقش BigQuery در هوش تجاری
• 66. پیاده‌سازی راهکارهای هوش تجاری
• 67. تحلیل داده‌های بازاریابی
• 68. تحلیل داده‌های شبکه‌های اجتماعی
• 69. استفاده از BigQuery برای پیش‌بینی روندها
• 70. مبانی تحلیل داده‌های علمی
• 71. کاربرد BigQuery در پژوهش‌های علمی
• 72. مدیریت داده‌های علمی در BigQuery
• 73. تکنیک‌های پاکسازی داده
• 74. اعتبارسنجی داده‌ها
• 75. مدیریت کیفیت داده
• 76. مقدمه‌ای بر پردازش توزیع‌شده
• 77. مفاهیم محاسبات ابری
• 78. امنیت در محیط‌های ابری
• 79. مدیریت ریسک در محیط‌های ابری
• 80. مبانی داده‌کاوی (Data Mining)
• 81. الگوریتم‌های داده‌کاوی
• 82. کاربرد داده‌کاوی در BigQuery
• 83. مفاهیم Big Data
• 84. چالش‌های Big Data
• 85. راهکارهای Big Data با BigQuery
• 86. مقدمه‌ای بر معماری میکروسرویس
• 87. نقش پایگاه داده در معماری میکروسرویس
• 88. کاربرد BigQuery در میکروسرویس‌ها
• 89. مبانی DevOps
• 90. نقش BigQuery در DevOps
• 91. اتوماسیون در BigQuery
• 92. مقدمه‌ای بر Data Governance
• 93. اصول Data Governance
• 94. پیاده‌سازی Data Governance با BigQuery
• 95. مفاهیم Data Mesh
• 96. تفاوت Data Mesh و Data Warehouse
• 97. کاربرد BigQuery در Data Mesh
• 98. ملاحظات حقوقی و اخلاقی در تحلیل داده
• 99. مسئولیت‌پذیری در استفاده از داده
• 100. اخلاق در هوش مصنوعی