دوره انبارش داده برای تحلیل و هوش مصنوعی: معماری، مدل‌سازی و پایگاه داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره انبارش داده برای تحلیل و هوش مصنوعی: معماری، مدل‌سازی و پایگاه داده

موضوع کلی: علوم و فناوری داده

موضوع میانی: مهندسی و انبارش داده

📋 سرفصل‌های دوره

• 1. مبانی انبارش داده و تحلیل داده
• 2. مقدمه بر علوم داده و انبارش داده
• 3. اهمیت انبارش داده در کسب‌وکار امروز
• 4. کاربردهای انبارش داده در تحلیل داده و هوش مصنوعی
• 5. مفاهیم کلیدی انبارش داده
• 6. معماری‌های انبارش داده
• 7. انواع معماری‌های انبارش داده (Kimball, Inmon)
• 8. معماری Kimball: انبار داده و Data Mart
• 9. معماری Inmon: پایگاه داده مرکزی و Data Mart
• 10. معماری Data Vault
• 11. مقایسه معماری‌های انبارش داده
• 12. طراحی و توسعه انبارش داده
• 13. مراحل طراحی انبارش داده
• 14. جمع‌آوری نیازمندی‌ها برای انبارش داده
• 15. مدل‌سازی داده
• 16. مدل‌سازی رابطه‌ای (Relational Modeling)
• 17. مدل‌سازی ابعادی (Dimensional Modeling)
• 18. مفاهیم کلیدی مدل‌سازی ابعادی: Fact, Dimension
• 19. انواع جداول Fact (Transactional, Periodic Snapshot, Accumulating Snapshot)
• 20. انواع جداول Dimension (SCD Type 1, 2, 3, 6)
• 21. مدل‌سازی ستاره‌ای (Star Schema)
• 22. مدل‌سازی برف‌دانه‌ای (Snowflake Schema)
• 23. مدل‌سازی ابعادی در مقابل مدل‌سازی رابطه‌ای
• 24. پایگاه داده برای انبارش داده
• 25. مبانی پایگاه داده رابطه‌ای
• 26. طراحی جداول و روابط
• 27. نرمال‌سازی پایگاه داده
• 28. پایگاه داده‌های ستونی (Columnar Databases)
• 29. مزایای پایگاه داده‌های ستونی در انبارش داده
• 30. معماری پایگاه داده‌های ستونی
• 31. پایگاه داده‌های تحلیلی (Analytical Databases)
• 32. سیستم‌های مدیریت پایگاه داده (DBMS) برای انبارش داده
• 33. بهینه‌سازی عملکرد پایگاه داده
• 34. شاخص‌گذاری (Indexing) در پایگاه داده
• 35. اجرا کننده‌های کوئری (Query Optimizers)
• 36. تجزیه و تحلیل کوئری‌ها
• 37. اجرای کوئری‌های پیچیده
• 38. استخراج، تبدیل و بارگذاری (ETL)
• 39. مراحل فرآیند ETL
• 40. استخراج داده از منابع مختلف
• 41. پاکسازی و اعتبارسنجی داده‌ها
• 42. تبدیل داده‌ها
• 43. بارگذاری داده در انبارش داده
• 44. ابزارهای ETL
• 45. چالش‌های ETL
• 46. تفاوت ETL و ELT
• 47. مدیریت کیفیت داده (Data Quality Management)
• 48. اهمیت کیفیت داده در انبارش داده
• 49. استانداردهای کیفیت داده
• 50. فرآیندهای مدیریت کیفیت داده
• 51. ابزارهای مدیریت کیفیت داده
• 52. امنیت در انبارش داده
• 53. مفاهیم امنیتی در پایگاه داده
• 54. کنترل دسترسی و مجوزها
• 55. رمزنگاری داده‌ها
• 56. حفاظت از داده‌ها در برابر دسترسی غیرمجاز
• 57. انطباق با مقررات امنیتی
• 58. انبارش داده ابری (Cloud Data Warehousing)
• 59. مزایای انبارش داده ابری
• 60. ارائه‌دهندگان اصلی انبارش داده ابری
• 61. معماری انبارش داده ابری
• 62. هزینه‌ها و ملاحظات انبارش داده ابری
• 63. مهاجرت به انبارش داده ابری
• 64. انبارش داده مدرن و مفاهیم نوین
• 65. مخازن داده (Data Lake)
• 66. تفاوت انبارش داده و مخزن داده
• 67. اصول Data Lakehouse
• 68. هوش تجاری (Business Intelligence - BI)
• 69. ابزارهای هوش تجاری
• 70. گزارش‌دهی (Reporting)
• 71. داشبوردها (Dashboards)
• 72. تحلیل اکتشافی داده (Exploratory Data Analysis - EDA)
• 73. تجسم داده (Data Visualization)
• 74. نقش تجسم داده در انبارش داده
• 75. نرم‌افزارهای تجسم داده
• 76. اصول طراحی تجسم داده مؤثر
• 77. هوش مصنوعی و انبارش داده
• 78. نقش انبارش داده در پشتیبانی از هوش مصنوعی
• 79. یادگیری ماشین (Machine Learning - ML) و انبارش داده
• 80. یادگیری عمیق (Deep Learning - DL) و انبارش داده
• 81. پیش‌بینی و تحلیل پیش‌گویانه (Predictive Analytics)
• 82. نقش انبارش داده در پشتیبانی از تحلیل پیش‌گویانه
• 83. مدیریت داده‌های کلان (Big Data)
• 84. چالش‌های مدیریت داده‌های کلان
• 85. فناوری‌های مرتبط با داده‌های کلان
• 86. انبارش داده و تحلیل داده‌های کلان
• 87. مدیریت چرخه عمر داده (Data Lifecycle Management)
• 88. ذخیره‌سازی داده‌ها
• 89. استفاده از داده‌ها
• 90. بایگانی داده‌ها
• 91. حذف داده‌ها
• 92. پروژه‌های انبارش داده: بهترین شیوه‌ها
• 93. مدیریت پروژه انبارش داده
• 94. برنامه‌ریزی و اجرا
• 95. ارزیابی و بهبود مستمر
• 96. مطالعات موردی در انبارش داده
• 97. مثال‌های عملی از پیاده‌سازی انبارش داده
• 98. درس‌های آموخته شده از پروژه‌های موفق
• 99. آینده انبارش داده و تحلیل داده