دوره جامع آمادگی برای آزمون تخصصی مهندسی داده گوگل کلاود (Google Cloud Data Engineer) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع آمادگی برای آزمون تخصصی مهندسی داده گوگل کلاود (Google Cloud Data Engineer)

موضوع کلی: فناوری اطلاعات و رایانش ابری

موضوع میانی: مهندسی داده و تحلیل کلان‌داده در بستر ابری

📋 سرفصل‌های دوره

• 1. مبانی رایانش ابری و معماری پلتفرم گوگل کلاود
• 2. مدیریت پروژه و منابع در کنسول گوگل کلاود
• 3. آشنایی با سرویس‌های ذخیره‌سازی داده در ابر
• 4. اصول طراحی پایگاه داده‌های رابطه‌ای در Cloud Spanner
• 5. مدیریت و مقیاس‌پذیری پایگاه داده‌های SQL با Cloud SQL
• 6. مبانی ذخیره‌سازی داده‌های غیررابطه‌ای با Cloud Bigtable
• 7. کار با داده‌های اسنادی در Cloud Firestore
• 8. ذخیره‌سازی فایل‌ها و اشیاء در Google Cloud Storage
• 9. مفاهیم کلان‌داده و پردازش توزیع‌شده
• 10. معماری پردازش داده با Google BigQuery
• 11. مدل‌سازی داده‌ها برای تحلیل در BigQuery
• 12. بهینه‌سازی پرس‌وجوهای SQL در محیط‌های ابری
• 13. امنیت داده‌ها و مدیریت دسترسی‌ها با IAM
• 14. رمزنگاری داده‌ها در حال انتقال و در حال سکون
• 15. مفاهیم خط لوله داده و پردازش جریان
• 16. کار با Cloud Dataflow برای پردازش جریانی و دسته‌ای
• 17. طراحی خط لوله‌های انتقال داده با Cloud Data Fusion
• 18. ارکستراسیون گردش کار داده با Cloud Composer
• 19. استفاده از Apache Airflow در محیط گوگل کلاود
• 20. مقدمه‌ای بر یادگیری ماشین و نقش مهندس داده
• 21. آماده‌سازی داده‌ها برای مدل‌های هوش مصنوعی
• 22. استفاده از سرویس‌های پیش‌ساخته هوش مصنوعی در خط لوله‌ها
• 23. مدیریت چرخه‌حیات مدل‌های یادگیری ماشین با Vertex AI
• 24. کار با BigQuery ML برای تحلیل‌های پیش‌بینانه
• 25. مانیتورینگ و مشاهده‌پذیری داده‌ها با Cloud Operations
• 26. عیب‌یابی خطاهای رایج در سیستم‌های داده
• 27. مدیریت هزینه‌ها و بهینه‌سازی بودجه در پروژه‌های ابری
• 28. اصول طراحی سیستم‌های داده با دسترس‌پذیری بالا
• 29. استراتژی‌های پشتیبان‌گیری و بازیابی فاجعه
• 30. یکپارچه‌سازی سیستم‌های داده داخلی با زیرساخت ابری
• 31. استفاده از سرویس‌های Pub/Sub برای انتقال پیام
• 32. پیاده‌سازی معماری‌های داده‌محور در مقیاس بزرگ
• 33. بررسی الگوهای طراحی برای بارهای کاری داده
• 34. حفاظت از حریم خصوصی و انطباق با قوانین داده
• 35. تکنیک‌های بهینه‌سازی عملکرد در دیتاسنترهای ابری
• 36. مهاجرت داده‌های قدیمی به بستر ابری
• 37. کار با ابزارهای خط فرمان برای مدیریت داده
• 38. خودکارسازی وظایف مهندسی داده با اسکریپت‌نویسی
• 39. مدیریت نسخه‌بندی کد و داده در محیط ابری
• 40. تست و اعتبارسنجی کیفیت داده‌ها
• 41. استفاده از Dataproc برای پردازش‌های مبتنی بر Apache Spark
• 42. مدیریت خوشه‌های Hadoop در محیط ابری
• 43. تحلیل داده‌های حجیم با استفاده از ابزارهای بصری‌سازی
• 44. ایجاد داشبوردهای تحلیلی با Looker
• 45. حکمرانی داده و مدیریت متاداده با Dataplex
• 46. امنیت شبکه در ارتباط با سرویس‌های داده
• 47. استفاده از VPC Service Controls برای حفاظت از داده‌ها
• 48. بهینه‌سازی نرخ انتقال داده بین مناطق ابری
• 49. مدیریت لاگ‌ها و حسابرسی فعالیت‌های داده‌ای
• 50. جمع‌بندی و آمادگی نهایی برای آزمون تخصصی مهندسی داده