کتاب طراحی و پیاده‌سازی خطوط لوله داده بلادرنگ در محیط ابری با استفاده از Cloud Data Fusion با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی خطوط لوله داده بلادرنگ در محیط ابری با استفاده از Cloud Data Fusion

موضوع کلی: فناوری اطلاعات و هوش مصنوعی

موضوع میانی: پردازش و تحلیل داده‌های کلان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر فناوری اطلاعات و هوش مصنوعی
• 2. مبانی پردازش و تحلیل داده‌های کلان
• 3. آشنایی با Cloud Data Fusion
• 4. معماری خطوط لوله داده بلادرنگ
• 5. مفاهیم کلیدی جریان داده
• 6. انواع منابع داده در محیط ابری
• 7. اتصال به پایگاه‌های داده رابطه‌ای
• 8. اتصال به پایگاه‌های داده NoSQL
• 9. پردازش داده‌های جریانی از Kafka
• 10. پردازش داده‌های جریانی از Pub/Sub
• 11. استفاده از Google Cloud Storage
• 12. استفاده از Amazon S3
• 13. انتقال داده بین سرویس‌های ابری
• 14. مراحل طراحی خط لوله داده
• 15. انتخاب ابزارهای مناسب
• 16. طراحی شماتیک خط لوله داده
• 17. مدل‌سازی داده‌ها
• 18. نرمال‌سازی و دنرمال‌سازی داده‌ها
• 19. پاکسازی و پیش‌پردازش داده‌ها
• 20. مدیریت کیفیت داده‌ها
• 21. شناسایی و رفع داده‌های پرت
• 22. تبدیل داده‌ها
• 23. تلفیق داده‌ها از منابع مختلف
• 24. استفاده از توابع و تبدیل‌گرهای Cloud Data Fusion
• 25. ایجاد تبدیل‌گرهای سفارشی
• 26. برنامه‌نویسی با Python در Cloud Data Fusion
• 27. استفاده از Spark برای پردازش توزیع‌شده
• 28. پردازش بلادرنگ داده‌ها
• 29. تنظیمات تاخیر در پردازش
• 30. مانیتورینگ عملکرد خط لوله داده
• 31. ثبت و گزارش‌گیری در Cloud Data Fusion
• 32. مدیریت خطاها و بازیابی
• 33. طراحی خطوط لوله داده مقیاس‌پذیر
• 34. بهینه‌سازی مصرف منابع
• 35. امنیت در خطوط لوله داده
• 36. مدیریت دسترسی‌ها
• 37. رمزنگاری داده‌ها
• 38. ذخیره‌سازی داده‌ها در Google BigQuery
• 39. تحلیل داده‌ها با BigQuery
• 40. مصورسازی داده‌ها با Looker Studio
• 41. اتصال Cloud Data Fusion به BigQuery
• 42. اتصال Cloud Data Fusion به Looker Studio
• 43. طراحی داشبوردهای تحلیلی
• 44. تحلیل داده‌های فروش
• 45. تحلیل داده‌های مشتریان
• 46. تحلیل داده‌های عملیاتی
• 47. کاربرد خطوط لوله داده در هوش تجاری
• 48. مقدمه‌ای بر یادگیری ماشین
• 49. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 50. استفاده از Cloud Data Fusion برای استخراج ویژگی
• 51. آموزش مدل‌های یادگیری ماشین با TensorFlow
• 52. آموزش مدل‌های یادگیری ماشین با PyTorch
• 53. استقرار مدل‌های یادگیری ماشین
• 54. ادغام مدل‌های یادگیری ماشین در خط لوله داده
• 55. پردازش داده‌های حسگرها
• 56. پردازش داده‌های دستگاه‌های اینترنت اشیاء
• 57. کاربرد خطوط لوله داده در اینترنت اشیاء
• 58. تحلیل داده‌های شبکه‌های اجتماعی
• 59. پردازش داده‌های متنی
• 60. استفاده از پردازش زبان طبیعی (NLP)
• 61. تحلیل احساسات در داده‌های متنی
• 62. پردازش داده‌های تصویری
• 63. استفاده از بینایی ماشین
• 64. کاربرد خطوط لوله داده در پردازش تصویر
• 65. مقدمه‌ای بر معماری میکروسرویس
• 66. طراحی خطوط لوله داده مبتنی بر میکروسرویس
• 67. استفاده از Docker برای کانتینرسازی
• 68. استفاده از Kubernetes برای ارکستراسیون
• 69. استقرار خطوط لوله داده در Kubernetes
• 70. مدیریت پیکربندی در محیط ابری
• 71. استفاده از ابزارهای CI/CD
• 72. اتوماسیون فرآیندهای استقرار
• 73. نظارت و پایش سیستم‌ها
• 74. مدیریت لاگ‌ها در مقیاس بزرگ
• 75. شناسایی گلوگاه‌های عملکردی
• 76. بهینه‌سازی هزینه در محیط ابری
• 77. مدیریت چرخه عمر داده‌ها
• 78. ذخیره‌سازی آرشیو داده‌ها
• 79. ملاحظات قانونی و حریم خصوصی داده‌ها
• 80. انطباق با مقررات حفاظت از داده‌ها
• 81. اصول اخلاقی در پردازش داده‌ها
• 82. مسئولیت‌پذیری در هوش مصنوعی
• 83. مدیریت ریسک در پروژه‌های داده
• 84. طراحی خطوط لوله داده برای انطباق با موازین اسلامی
• 85. استفاده از داده‌ها برای بهبود خدمات عمومی
• 86. تحلیل داده‌های آموزشی
• 87. کاربرد خطوط لوله داده در پژوهش‌های علمی
• 88. مقدمه‌ای بر داده‌کاوی
• 89. تکنیک‌های خوشه‌بندی داده‌ها
• 90. تکنیک‌های طبقه‌بندی داده‌ها
• 91. تکنیک‌های پیش‌بینی سری‌های زمانی
• 92. کاربرد خطوط لوله داده در پیش‌بینی
• 93. ارزیابی عملکرد مدل‌های پیش‌بینی
• 94. مفاهیم پیشرفته در پردازش داده‌های کلان
• 95. معماری‌های مدرن پردازش داده
• 96. آینده خطوط لوله داده بلادرنگ
• 97. جمع‌بندی و نگاه به آینده