دوره تحلیل داده با استفاده از سرویس‌های Google Cloud همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده با استفاده از سرویس‌های Google Cloud

موضوع کلی: تحلیل داده در رایانش ابری

موضوع میانی: ابزارهای تحلیل داده در Google Cloud Platform

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده در رایانش ابری
• 2. مبانی رایانش ابری برای تحلیل داده
• 3. معرفی Google Cloud Platform
• 4. خدمات کلیدی Google Cloud برای تحلیل داده
• 5. ذخیره‌سازی داده در Google Cloud: Cloud Storage
• 6. مدیریت داده‌های ساختاریافته: Cloud SQL
• 7. مدیریت داده‌های بدون ساختار: Bigtable
• 8. مقدمه‌ای بر انباره داده: BigQuery
• 9. طراحی و پیاده‌سازی انباره داده با BigQuery
• 10. بارگذاری داده در BigQuery
• 11. کوئری زدن داده‌ها در BigQuery
• 12. بهینه‌سازی عملکرد BigQuery
• 13. امنیت داده در Google Cloud
• 14. مدیریت دسترسی با IAM
• 15. رمزنگاری داده‌ها در Google Cloud
• 16. مقدمه‌ای بر پردازش جریان داده
• 17. Apache Beam و Dataflow
• 18. پردازش داده‌های جریانی با Dataflow
• 19. ذخیره‌سازی داده‌های جریانی
• 20. معرفی پردازش دسته‌ای داده
• 21. Apache Spark در Google Cloud
• 22. پردازش دسته‌ای با Dataproc
• 23. ساخت خطوط لوله داده (Data Pipelines)
• 24. ابزارهای ارکستراسیون خطوط لوله: Cloud Composer
• 25. پیاده‌سازی خطوط لوله داده با Cloud Composer
• 26. معرفی یادگیری ماشین
• 27. مقدمه‌ای بر یادگیری ماشین در Google Cloud
• 28. خدمات یادگیری ماشین: AI Platform
• 29. آموزش مدل‌های یادگیری ماشین
• 30. استقرار مدل‌های یادگیری ماشین
• 31. پیش‌بینی با مدل‌های یادگیری ماشین
• 32. پردازش زبان طبیعی (NLP) با Google Cloud
• 33. تشخیص تصویر با Google Cloud
• 34. تحلیل احساسات با Google Cloud
• 35. کشف دانش از داده‌های متنی
• 36. معرفی ابزارهای بصری‌سازی داده
• 37. Looker Studio (Data Studio)
• 38. اتصال Looker Studio به BigQuery
• 39. ساخت داشبوردهای تعاملی
• 40. بصری‌سازی داده‌های مکانی
• 41. تحلیل داده‌های سری زمانی
• 42. مقدمه‌ای بر هوش تجاری (BI)
• 43. کاربرد هوش تجاری در Google Cloud
• 44. ساخت گزارش‌های BI با Google Cloud
• 45. تحلیل روندها و الگوها
• 46. مدیریت چرخه حیات داده
• 47. حاکمیت داده در Google Cloud
• 48. کیفیت داده و اعتبارسنجی
• 49. ملاحظات امنیتی در تحلیل داده ابری
• 50. حفظ حریم خصوصی داده‌ها
• 51. انطباق با مقررات (با رویکرد داخلی)
• 52. بهینه‌سازی هزینه‌ها در Google Cloud
• 53. مدیریت و نظارت بر منابع
• 54. مقدمه‌ای بر معماری تحلیل داده مدرن
• 55. الگوهای طراحی برای تحلیل داده ابری
• 56. معماری یکپارچه تحلیل داده
• 57. تحلیل داده‌های بزرگ (Big Data)
• 58. چالش‌های تحلیل داده‌های بزرگ
• 59. راهکارهای Google Cloud برای Big Data
• 60. معرفی Data Catalog
• 61. مدیریت فراداده با Data Catalog
• 62. کشف و جستجوی داده‌ها
• 63. معرفی Dataplex
• 64. یکپارچه‌سازی داده‌ها با Dataplex
• 65. مدیریت داده‌های توزیع‌شده
• 66. امنیت داده در مقیاس بزرگ
• 67. حاکمیت داده جامع
• 68. مقدمه‌ای بر یادگیری عمیق
• 69. خدمات یادگیری عمیق در Google Cloud
• 70. TensorFlow Enterprise
• 71. آموزش مدل‌های یادگیری عمیق
• 72. استقرار مدل‌های یادگیری عمیق
• 73. کاربرد یادگیری عمیق در صنعت
• 74. تحلیل داده‌های صنعتی
• 75. پیش‌بینی خرابی تجهیزات
• 76. بهینه‌سازی فرآیندهای تولید
• 77. تحلیل داده‌های مالی
• 78. تشخیص تقلب در تراکنش‌ها
• 79. پیش‌بینی روندهای بازار
• 80. تحلیل داده‌های بازاریابی
• 81. شخصی‌سازی تجربه مشتری
• 82. بهینه‌سازی کمپین‌های تبلیغاتی
• 83. تحلیل داده‌های سلامت
• 84. پیش‌بینی شیوع بیماری‌ها
• 85. بهینه‌سازی خدمات درمانی
• 86. مقدمه‌ای بر داده‌کاوی
• 87. تکنیک‌های داده‌کاوی در Google Cloud
• 88. خوشه‌بندی داده‌ها
• 89. طبقه‌بندی داده‌ها
• 90. قوانین وابستگی (Association Rules)
• 91. تحلیل رفتار مشتری
• 92. بخش‌بندی مشتریان
• 93. ارزیابی ارزش طول عمر مشتری
• 94. مقدمه‌ای بر شبکه‌های عصبی
• 95. معماری شبکه‌های عصبی
• 96. شبکه‌های عصبی کانولوشنال (CNN)
• 97. شبکه‌های عصبی بازگشتی (RNN)
• 98. کاربرد CNN در تحلیل تصویر
• 99. کاربرد RNN در تحلیل سری زمانی
• 100. مقدمه‌ای بر مهندسی ویژگی