دوره ساخت راهکارهای تحلیل داده با Azure Synapse Serverless SQL همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت راهکارهای تحلیل داده با Azure Synapse Serverless SQL

موضوع کلی: فناوری اطلاعات و هوش تجاری

موضوع میانی: مدیریت و تحلیل داده‌های کلان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده در محیط ابری
• 2. آشنایی با Azure Synapse Analytics
• 3. مفاهیم کلیدی هوش تجاری
• 4. انواع داده‌ها و ساختارهای آن‌ها
• 5. مبانی پایگاه داده رابطه‌ای
• 6. مبانی پایگاه داده NoSQL
• 7. معماری داده در Azure
• 8. معرفی Azure Synapse Serverless SQL Pool
• 9. مزایای استفاده از Serverless SQL Pool
• 10. مقایسه Serverless SQL Pool با Dedicated SQL Pool
• 11. نصب و پیکربندی اولیه Synapse Workspace
• 12. اتصال به منابع داده در Synapse
• 13. آشنایی با Data Lake Storage Gen2
• 14. ذخیره‌سازی داده‌ها در Data Lake
• 15. مفهوم Data Lake Formats (Parquet, Delta, CSV)
• 16. کار با فایل‌های Parquet در Synapse
• 17. کار با فایل‌های Delta Lake در Synapse
• 18. کار با فایل‌های CSV در Synapse
• 19. ایجاد جداول خارجی در Serverless SQL Pool
• 20. پرس‌وجو از داده‌های ذخیره شده در Data Lake
• 21. بهینه‌سازی پرس‌وجو در Serverless SQL Pool
• 22. استفاده از Viewها برای ساده‌سازی دسترسی
• 23. مفهوم External Tables و کاربردهای آن
• 24. ایجاد External Tables بر اساس فایل‌ها
• 25. ایجاد External Tables بر اساس فولدرها
• 26. مدیریت Schema در External Tables
• 27. استفاده از OPENROWSET برای پرس‌وجو
• 28. پرس‌وجو از داده‌های JSON
• 29. پرس‌وجو از داده‌های XML
• 30. پرس‌وجو از داده‌های CSV
• 31. پرس‌وجو از داده‌های Parquet
• 32. پرس‌وجو از داده‌های Delta Lake
• 33. استفاده از توابع Built-in در Serverless SQL Pool
• 34. توابع متنی و رشته‌ای
• 35. توابع عددی
• 36. توابع تاریخ و زمان
• 37. توابع منطقی
• 38. توابع تجمعی (Aggregation Functions)
• 39. توابع پنجره‌ای (Window Functions)
• 40. مفهوم Partitioning در جداول خارجی
• 41. بهینه‌سازی Partitioning برای عملکرد
• 42. استفاده از Predicate Pushdown
• 43. استفاده از Columnar Filtering
• 44. معرفی Serverless SQL Pool Views
• 45. ایجاد Viewهای ساده
• 46. ایجاد Viewهای پیچیده
• 47. استفاده از Materialized Views (محدودیت‌ها)
• 48. مفهوم Data Warehousing
• 49. اصول طراحی Data Warehouse
• 50. مدل‌سازی ابعادی (Dimensional Modeling)
• 51. جداول Fact و Dimension
• 52. طراحی جداول Fact
• 53. طراحی جداول Dimension
• 54. معرفی Star Schema
• 55. معرفی Snowflake Schema
• 56. پیاده‌سازی Star Schema در Synapse
• 57. پیاده‌سازی Snowflake Schema در Synapse
• 58. استفاده از T-SQL برای ETL/ELT
• 59. فرآیندهای ETL با Synapse Pipelines
• 60. فرآیندهای ELT با Synapse Pipelines
• 61. بارگذاری داده‌ها از منابع مختلف
• 62. بارگذاری داده‌ها از Azure Blob Storage
• 63. بارگذاری داده‌ها از Azure Data Lake Storage
• 64. بارگذاری داده‌ها از پایگاه داده‌های دیگر
• 65. استفاده از Copy Data Activity
• 66. استفاده از Data Flow Activity
• 67. مفهوم Data Lake House
• 68. مزایای Data Lake House
• 69. معماری Data Lake House در Synapse
• 70. کار با Delta Lake برای Data Lake House
• 71. امنیت در Azure Synapse
• 72. مدیریت دسترسی‌ها (RBAC)
• 73. رمزنگاری داده‌ها
• 74. ملاحظات امنیتی در Serverless SQL Pool
• 75. قوانین فایروال
• 76. پورتال Azure برای مدیریت امنیت
• 77. مفهوم Monitoring و Logging
• 78. مانیتورینگ عملکرد پرس‌وجوها
• 79. بررسی لاگ‌های خطا
• 80. استفاده از Azure Monitor
• 81. ابزارهای گزارش‌دهی و بصری‌سازی
• 82. اتصال Power BI به Synapse
• 83. ایجاد داشبوردهای تحلیلی
• 84. گزارش‌گیری در Power BI
• 85. اتصال Tableau به Synapse
• 86. اتصال Qlik Sense به Synapse
• 87. مفاهیم پیشرفته تحلیل داده
• 88. تحلیل سری‌های زمانی
• 89. تحلیل داده‌های مکانی
• 90. مقدمه‌ای بر یادگیری ماشین در Synapse
• 91. ادغام Synapse با Azure Machine Learning
• 92. کاربرد هوش تجاری در سازمان‌ها
• 93. پیاده‌سازی راهکارهای هوش تجاری
• 94. چالش‌های پیاده‌سازی هوش تجاری
• 95. بهترین شیوه‌ها در تحلیل داده
• 96. آینده تحلیل داده و هوش تجاری
• 97. مروری بر قابلیت‌های Azure Synapse
• 98. جمع‌بندی و گام‌های بعدی