دوره راهکارهای عملیاتی‌سازی داده‌های حجیم با Apache Spark 3.0 و Delta Lake برای افزایش پایداری و کارایی در زیرساخت‌های داده‌ای کشور همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای عملیاتی‌سازی داده‌های حجیم با Apache Spark 3.0 و Delta Lake برای افزایش پایداری و کارایی در زیرساخت‌های داده‌ای کشور

موضوع کلی: مهندسی داده و کلان‌داده (Big Data)

موضوع میانی: معماری و مدیریت انبارهای داده مدرن (Data Lakehouse)

📋 سرفصل‌های دوره

• 1. مبانی معماری داده‌های حجیم و گذار از دریاچه داده به لیک‌هاوس
• 2. بررسی چالش‌های پایداری در سیستم‌های توزیع‌شده داده
• 3. مفاهیم پایه و معماری داخلی Apache Spark 3.0
• 4. آشنایی با ساختار و قابلیت‌های Delta Lake در مدیریت داده
• 5. مدیریت تراکنش‌های ACID در دریاچه‌های داده با استفاده از Delta Lake
• 6. ارتقای کارایی پردازش داده با استفاده از Catalyst Optimizer
• 7. مدیریت حافظه و بهینه‌سازی در Spark SQL
• 8. استراتژی‌های پارتیشن‌بندی و ایندکس‌گذاری برای افزایش سرعت پرس‌وجو
• 9. پیاده‌سازی مکانیزم Schema Enforcement برای تضمین کیفیت داده
• 10. کار با Schema Evolution در جداول Delta
• 11. عملیات زمانی (Time Travel) و بازگشت به نسخه‌های قبلی داده
• 12. استفاده از دستورات DML در Delta Lake برای به‌روزرسانی و حذف داده‌ها
• 13. مدیریت جریان‌های داده‌ای (Structured Streaming) با Spark
• 14. ادغام پردازش‌های دسته‌ای (Batch) و بلادرنگ در معماری لیک‌هاوس
• 15. بهینه‌سازی فایل‌ها با دستورات Optimize و Z-Ordering
• 16. مدیریت متاداده‌ها و کارایی در مقیاس بالا
• 17. امنیت داده‌ها و کنترل دسترسی در محیط‌های Spark
• 18. یکپارچه‌سازی داده‌ها از منابع مختلف در انبار داده مدرن
• 19. تکنیک‌های عیب‌یابی و مانیتورینگ در کلاسترهای Spark
• 20. پیاده‌سازی خط‌لوله‌های داده (Data Pipelines) پایدار
• 21. ذخیره‌سازی و بازیابی داده‌ها در فرمت Parquet با Delta
• 22. استفاده از کشینگ (Caching) برای افزایش کارایی پرس‌وجوهای تکراری
• 23. مدیریت توزیع منابع در کلاسترهای بزرگ
• 24. بهینه‌سازی کدهای Scala و Python برای Spark
• 25. تکنیک‌های مدیریت خطای شغلی (Job Failure Recovery)
• 26. کاربرد توابع تعریف شده توسط کاربر (UDF) در پردازش‌های سنگین
• 27. تلفیق داده‌های ساختاریافته و نیمه‌ساختاریافته
• 28. استراتژی‌های انتقال داده از سیستم‌های سنتی به معماری لیک‌هاوس
• 29. مستندسازی و مدیریت چرخه حیات داده‌ها
• 30. تست و اعتبارسنجی کیفیت داده در خط‌لوله‌های تولیدی
• 31. طراحی مدل‌های داده‌ای بهینه در محیط‌های توزیع‌شده
• 32. بررسی موردی: پیاده‌سازی زیرساخت گزارش‌دهی هوشمند با Spark و Delta
• 33. تکنیک‌های فشرده‌سازی و مدیریت فضای ذخیره‌سازی
• 34. مدیریت هم‌زمانی (Concurrency) در نوشتن داده‌ها
• 35. پیکربندی پارامترهای پیشرفته Shuffle در Spark
• 36. تکنیک‌های کاهش تاخیر در پرس‌وجوهای تحلیلی
• 37. بهره‌گیری از قابلیت‌های جدید Spark 3.0 در مدیریت داده‌های حجیم
• 38. خلاصه‌سازی و استراتژی‌های نگهداری بلندمدت داده‌ها در لیک‌هاوس