دوره ساخت پایپ‌لاین‌های دادهٔ مقیاس‌پذیر با پایگاه داده MIMIC-IV همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت پایپ‌لاین‌های دادهٔ مقیاس‌پذیر با پایگاه داده MIMIC-IV

موضوع کلی: مهندسی داده

موضوع میانی: طراحی پایپ‌لاین‌های مقیاس‌پذیر برای پایگاه‌های داده بهداشتی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایگاه داده MIMIC-IV
• 2. ساختار کلی و جداول پایگاه داده MIMIC-IV
• 3. روابط بین جداول و مدل دادهٔ MIMIC-IV
• 4. درک داده‌های بالینی بیمارستانی
• 5. استانداردهای داده بهداشتی HL7 و FHIR
• 6. کدهای تشخیصی ICD و طبقه‌بندی بیماری‌ها
• 7. مفاهیم بنیادین پایپ‌لاین داده
• 8. پایپ‌لاین‌های دسته‌ای (Batch) در مقابل جریانی (Streaming)
• 9. مبانی مقیاس‌پذیری در مهندسی داده
• 10. معماری ماکرو و میکروسرویس برای پایپ‌لاین‌ها
• 11. معرفی ابزارهای ETL و اکوسیستم آن‌ها
• 12. معرفی Apache Airflow برای مدیریت جریان کار
• 13. طراحی داکرها و Workflow در Airflow
• 14. معرفی Apache Spark برای پردازش داده‌های بزرگ
• 15. پردازش داده با PySpark
• 16. ذخیره‌سازی داده در سیستم‌های توزیع‌شده
• 17. کار با Amazon S3 و ذخیره‌سازی ابری
• 18. استفاده از Amazon Redshift به عنوان انبار داده
• 19. معرفی Google BigQuery و کاربردهای آن
• 20. طراحی انبار داده برای داده‌های بهداشتی
• 21. مدل‌سازی داده در سطح ستاره‌ای و قفلی
• 22. مهندسی ویژگی برای داده‌های بالینی
• 23. مراحل استخراج داده از MIMIC-IV
• 24. خواندن و پردازش فایل‌های CSV و HDF5 در MIMIC-IV
• 25. تبدیل و پاک‌سازی داده‌های خام MIMIC-IV
• 26. یکپارچه‌سازی منابع دادهٔ مختلف
• 27. کنترل کیفیت داده در پایپ‌لاین
• 28. اعتبارسنجی داده‌های بالینی و بررسی سازگاری
• 29. تشخیص و رفع ناسازگاری و تکرار داده
• 30. مدیریت داده‌های ناقص و پراکنده
• 31. حفظ حریم خصوصی و انطباق با HIPAA
• 32. ناشناس‌سازی داده‌های بیماران در MIMIC-IV
• 33. رمزنگاری و امنیت داده در پایپ‌لاین
• 34. کنترل دسترسی و مدیریت مجوزها
• 35. نظارت بر عملکرد پایپ‌لاین داده
• 36. لاگ‌ها و سیستم هشدار در مدیریت جریان داده
• 37. بهینه‌سازی عملکرد و سرعت پایپ‌لاین
• 38. مقیاس‌پذیری افقی و عمودی پایپ‌لاین
• 39. مدیریت منابع محاسباتی و هزینه‌ها
• 40. اجرای پایپ‌لاین با Docker و Kubernetes
• 41. پیاده‌سازی CI/CD برای پروژه‌های داده
• 42. نسخه‌بندی داده و مدیریت تغییرات اسکیما
• 43. پردازش داده به صورت جریانی با Apache Kafka
• 44. تحلیل داده‌های مبتنی بر زمان و تاریخ ورودی
• 45. ساخت داشبوردهای تحلیلی تعاملی
• 46. تجسم داده با matplotlib و Plotly
• 47. گزارش‌گیری خودکار از خروجی پایپ‌لاین
• 48. آماده‌سازی داده برای مدل‌های یادگیری ماشین
• 49. پیاده‌سازی مدل‌های پیش‌بینی‌کننده روی MIMIC-IV
• 50. پایپ‌لاین MLOps و اتوماسیون مدل‌ها
• 51. مطالعه موردی: پیش‌بینی بازماندگی بیماران
• 52. مطالعه موردی: تشخیص زودهنگام عفونت‌های بیمارستانی
• 53. مطالعه موردی: تحلیل هزینه‌ها و منابع درمانی
• 54. استراتژی‌های کش‌گذاری برای بهبود سرعت
• 55. مدیریت خطا و مکانیزم بازیابی در پایپ‌لاین
• 56. تست و کوالیفیکیشن پایپ‌لاین داده
• 57. مستندسازی پروژه و همکاری تیمی در مهندسی داده
• 58. بهترین شیوه‌ها در مهندسی داده بهداشتی
• 59. آینده‌نگری: روندهای پایپ‌لاین داده در سلامت دیجیتال