دوره جامع آمادگی آزمون مهندسی داده در بستر ابر گوگل (Google Cloud) با رویکرد تحلیل داده‌های کلان و هوش تجاری همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع آمادگی آزمون مهندسی داده در بستر ابر گوگل (Google Cloud) با رویکرد تحلیل داده‌های کلان و هوش تجاری

موضوع کلی: فناوری اطلاعات و علوم داده

موضوع میانی: رایانش ابری و مهندسی داده در مقیاس سازمانی

📋 سرفصل‌های دوره

• 1. مبانی رایانش ابری و معماری پلتفرم گوگل کلاود
• 2. مدیریت هویت و دسترسی در بستر ابر مطابق با اصول امنیت سازمانی
• 3. آشنایی با سرویس‌های ذخیره‌سازی داده در گوگل کلاود
• 4. معماری سیستم‌های انتقال داده با استفاده از Cloud Storage
• 5. اصول طراحی پایگاه‌های داده رابطه‌ای با Cloud SQL
• 6. مقیاس‌پذیری پایگاه‌های داده با Cloud Spanner
• 7. مدیریت داده‌های غیررابطه‌ای با Cloud Bigtable
• 8. بهینه‌سازی ذخیره‌سازی داده‌های حجیم با Cloud Storage Classes
• 9. مبانی پردازش داده‌های جریانی با Google Cloud Dataflow
• 10. طراحی خط لوله‌های پردازش داده با Apache Beam
• 11. مدیریت و پردازش پیام‌ها با Cloud Pub/Sub
• 12. تحلیل داده‌های کلان در محیط BigQuery
• 13. بهینه‌سازی پرس‌وجوهای SQL در محیط BigQuery
• 14. مدیریت جداول پارتیشن‌بندی شده و خوشه‌ای در BigQuery
• 15. یکپارچه‌سازی داده‌ها از منابع مختلف با Cloud Data Fusion
• 16. هماهنگ‌سازی جریان‌های کاری داده با Cloud Composer
• 17. مدیریت و نظارت بر وظایف پردازشی با Cloud Operations Suite
• 18. مفاهیم امنیت داده و رمزنگاری در فضای ابری
• 19. مدیریت کلیدهای رمزنگاری با استفاده از Cloud KMS
• 20. حکمرانی داده و رعایت استانداردهای انطباق سازمانی
• 21. آمادگی برای مهاجرت داده‌ها به بستر ابر
• 22. استفاده از سرویس Transfer Service برای انتقال داده‌های حجیم
• 23. مبانی یادگیری ماشین در بستر گوگل کلاود
• 24. آماده‌سازی داده‌ها برای مدل‌های هوش مصنوعی با Vertex AI
• 25. استفاده از مدل‌های پیش‌ساخته برای تحلیل متن و تصویر
• 26. ارزیابی و نظارت بر مدل‌های یادگیری ماشین در محیط عملیاتی
• 27. طراحی داشبوردهای هوش تجاری با Looker
• 28. اتصال منابع داده به ابزارهای تحلیل و گزارش‌گیری
• 29. مدیریت هزینه‌ها و تخصیص منابع در پروژه‌های داده‌ای
• 30. استراتژی‌های پشتیبان‌گیری و بازیابی فاجعه در ابر
• 31. به‌کارگیری مفاهیم شبکه در ارتباط با سرویس‌های داده
• 32. استفاده از VPC Service Controls برای ایزوله‌سازی داده‌ها
• 33. کاربرد کانتینرها در پردازش داده با Google Kubernetes Engine
• 34. مدیریت چرخه‌های حیات داده در مقیاس سازمانی
• 35. بهینه‌سازی عملکرد سیستم‌های توزیع‌شده داده
• 36. عیب‌یابی و رفع خطاهای رایج در خط لوله‌های داده
• 37. اصول مستندسازی و مدیریت پروژه‌های مهندسی داده
• 38. استفاده از ابزارهای خط فرمان برای مدیریت منابع ابری
• 39. جمع‌بندی و مرور سرفصل‌های آزمون مهندسی داده گوگل