دوره آشنایی با Azure Data Factory و مهندسی داده در Azure و Fabric همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آشنایی با Azure Data Factory و مهندسی داده در Azure و Fabric

موضوع کلی: مهندسی داده در ابر

موضوع میانی: مدیریت و پردازش داده در پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده در ابر
• 2. مفاهیم کلیدی مهندسی داده
• 3. معماری ابر برای داده‌ها
• 4. مبانی Azure Data Factory
• 5. ساختار و اجزای Azure Data Factory
• 6. ایجاد پایپ‌لاین‌های داده
• 7. فعالیت‌ها در Azure Data Factory
• 8. فعالیت‌های کپی داده
• 9. فعالیت‌های تبدیل داده
• 10. فعالیت‌های اجرای داده
• 11. فعالیت‌های کنترلی
• 12. تنظیمات اجرای پایپ‌لاین
• 13. مدیریت داده‌ها در Azure Blob Storage
• 14. ذخیره‌سازی داده‌های ساختاریافته
• 15. ذخیره‌سازی داده‌های نیمه‌ساختاریافته
• 16. ذخیره‌سازی داده‌های بدون ساختار
• 17. مبانی Azure SQL Database
• 18. طراحی اسکیمای پایگاه داده
• 19. مدیریت جداول و داده‌ها
• 20. شاخص‌گذاری و بهینه‌سازی کوئری‌ها
• 21. مبانی Azure Synapse Analytics
• 22. انباره داده در Azure
• 23. پردازش موازی داده‌ها
• 24. مبانی Azure Databricks
• 25. موتور Spark در Databricks
• 26. تحلیل داده با Databricks
• 27. مبانی Azure Stream Analytics
• 28. پردازش داده‌های جریانی
• 29. تحلیل داده‌های بلادرنگ
• 30. مبانی Azure Event Hubs
• 31. انتقال داده‌های جریانی
• 32. نظارت بر داده‌های جریانی
• 33. مبانی Azure Functions
• 34. اجرای کد بدون سرور
• 35. اتصال Functions به سرویس‌های داده
• 36. انواع اتصال‌دهنده‌ها در ADF
• 37. اتصال به منابع داده داخلی
• 38. اتصال به منابع داده ابری
• 39. مدیریت اعتبارنامه‌ها (Credentials)
• 40. استفاده از Azure Key Vault
• 41. امنیت در Azure Data Factory
• 42. کنترل دسترسی مبتنی بر نقش (RBAC)
• 43. مانیتورینگ و گزارش‌دهی در ADF
• 44. پیگیری اجرای پایپ‌لاین‌ها
• 45. تشخیص و رفع خطاها
• 46. بهینه‌سازی عملکرد پایپ‌لاین‌ها
• 47. کاهش هزینه‌ها در ADF
• 48. استفاده از الگوهای طراحی داده
• 49. مهندسی داده تکرارشونده
• 50. مدیریت چرخه عمر داده
• 51. حاکمیت داده در ابر
• 52. کیفیت داده در مهندسی داده
• 53. اعتبارسنجی داده‌ها
• 54. پاکسازی داده‌ها
• 55. تبدیلات داده در ADF
• 56. استفاده از Mapping Data Flows
• 57. تبدیلات مبتنی بر کد (Python, SQL)
• 58. پردازش داده‌های حجیم (Big Data)
• 59. معماری‌های داده مدرن
• 60. انبار داده نسل جدید
• 61. دریاچه داده (Data Lake)
• 62. دریاچه خانه (Data Lakehouse)
• 63. مبانی Microsoft Fabric
• 64. پلتفرم یکپارچه داده
• 65. مبانی Power BI
• 66. تجسم داده‌ها
• 67. داشبوردهای تعاملی
• 68. اتصال Power BI به ADF
• 69. اتصال Power BI به Fabric
• 70. یکپارچگی Fabric و ADF
• 71. مدیریت واژه‌نامه داده (Data Glossary)
• 72. مدیریت متادیتا
• 73. امنیت داده در Fabric
• 74. انتقال داده‌های آنالیتیکال
• 75. پردازش داده‌های تراکنشی
• 76. مدل‌سازی داده در Fabric
• 77. مبانی Dataverse
• 78. مدیریت داده‌های کسب‌وکار
• 79. اتصال Dataverse به ADF
• 80. مدیریت جریان‌های داده (Dataflows)
• 81. جریان‌های داده در Power BI
• 82. جریان‌های داده در Fabric
• 83. تفاوت Dataflows و Data Factory
• 84. مبانی Azure Purview
• 85. کشف و طبقه‌بندی داده‌ها
• 86. نقشه‌برداری داده‌ها
• 87. مدیریت انطباق داده‌ها
• 88. حریم خصوصی داده‌ها
• 89. مبانی Azure Data Share
• 90. به اشتراک‌گذاری امن داده‌ها
• 91. مدیریت دسترسی در Data Share
• 92. اتوماسیون در مهندسی داده
• 93. اسکریپت‌نویسی برای ADF
• 94. استفاده از CI/CD برای ADF
• 95. تست در مهندسی داده
• 96. تست پایپ‌لاین‌های ADF
• 97. تست تبدیل‌های داده
• 98. ملاحظات عملیاتی
• 99. نظارت بر زیرساخت داده
• 100. مدیریت نسخه‌بندی داده‌ها