کتاب ساخت و تحول خطوط لوله داده: از طراحی تا پیاده‌سازی عملیاتی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت و تحول خطوط لوله داده: از طراحی تا پیاده‌سازی عملیاتی

موضوع کلی: مهندسی داده و تحلیل داده

موضوع میانی: طراحی و پیاده‌سازی خطوط لوله داده (Data Pipelines)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و خطوط لوله
• 2. مبانی طراحی خط لوله داده
• 3. انواع معماری خطوط لوله داده
• 4. مراحل توسعه خط لوله داده
• 5. جمع‌آوری داده از منابع مختلف
• 6. انواع فرمت‌های داده و مدیریت آن‌ها
• 7. ذخیره‌سازی داده‌های حجیم (Big Data Storage)
• 8. پایگاه‌های داده رابطه‌ای و NoSQL
• 9. مفاهیم داده‌های جریانی (Streaming Data)
• 10. معرفی ابزارهای پردازش جریانی
• 11. پردازش دسته‌ای (Batch Processing) در مقابل پردازش جریانی
• 12. انتخاب ابزار مناسب برای پردازش دسته‌ای
• 13. مفهوم ETL و ELT
• 14. طراحی فرآیندهای ETL/ELT
• 15. پیاده‌سازی استخراج داده (Extraction)
• 16. تبدیل داده (Transformation) با ابزارهای استاندارد
• 17. بارگذاری داده (Loading) در مخازن داده
• 18. مدیریت داده‌های کثیف (Data Cleansing)
• 19. تکنیک‌های اعتبارسنجی داده
• 20. مستندسازی خطوط لوله داده
• 21. کنترل کیفیت داده در خطوط لوله
• 22. مانیتورینگ و نظارت بر خطوط لوله
• 23. مدیریت خطا و بازیابی در خطوط لوله
• 24. امنیت داده در خطوط لوله
• 25. قوانین و مقررات حفاظت از داده
• 26. پیاده‌سازی خط لوله داده با Apache Airflow
• 27. مفاهیم DAG در Airflow
• 28. طراحی و اجرای Workflows با Airflow
• 29. مدیریت Task ها در Airflow
• 30. زمان‌بندی و اجرای Workflows
• 31. پیاده‌سازی خط لوله داده با Apache NiFi
• 32. مفاهیم Flow و Processor در NiFi
• 33. طراحی جریان داده در NiFi
• 34. مانیتورینگ و مدیریت جریان‌ها در NiFi
• 35. پیاده‌سازی خط لوله داده با Apache Spark
• 36. مفاهیم Spark Core و RDD
• 37. پردازش داده با Spark SQL
• 38. پردازش جریانی با Spark Streaming
• 39. یادگیری ماشین با Spark MLlib
• 40. استفاده از ابزارهای ابری برای خطوط لوله داده
• 41. خطوط لوله داده در AWS (Glue, EMR)
• 42. خطوط لوله داده در Azure (Data Factory, Databricks)
• 43. خطوط لوله داده در Google Cloud (Dataflow, Dataproc)
• 44. مفاهیم Data Lake و Data Warehouse
• 45. طراحی Data Lakehouse
• 46. مدیریت متادیتا در خطوط لوله
• 47. حاکمیت داده (Data Governance)
• 48. اصول مهندسی داده مدرن
• 49. معماری‌های داده مدرن
• 50. میکروسرویس‌ها و خطوط لوله داده
• 51. API ها و ادغام داده
• 52. استفاده از کانتینرها (Docker, Kubernetes) در خطوط لوله
• 53. خودکارسازی استقرار خطوط لوله (CI/CD)
• 54. تست خودکار در خطوط لوله داده
• 55. مفاهیم Data Observability
• 56. مانیتورینگ عمیق خطوط لوله
• 57. مدیریت پیکربندی خطوط لوله
• 58. بهینه‌سازی عملکرد خطوط لوله
• 59. کاهش هزینه‌های عملیاتی خطوط لوله
• 60. ملاحظات امنیتی در خطوط لوله ابری
• 61. رعایت مقررات در پردازش داده
• 62. مدیریت چرخه عمر داده
• 63. مفهوم Data Mesh
• 64. طراحی و پیاده‌سازی Data Mesh
• 65. نقش تیم‌های داده در Data Mesh
• 66. مقایسه Data Mesh با معماری‌های سنتی
• 67. تکنیک‌های پیشرفته تبدیل داده
• 68. نرمال‌سازی و دنرمال‌سازی داده
• 69. مدیریت داده‌های مکانی
• 70. مدیریت داده‌های سری زمانی
• 71. استفاده از گراف‌های دانش (Knowledge Graphs)
• 72. ساخت و تحلیل گراف‌های دانش
• 73. کاربرد گراف‌های دانش در خطوط لوله
• 74. مفاهیم Data Catalog
• 75. پیاده‌سازی Data Catalog
• 76. جستجو و کشف داده در Data Catalog
• 77. مدیریت دسترسی به داده از طریق Data Catalog
• 78. اخلاق در مهندسی داده
• 79. مسئولیت‌پذیری در جمع‌آوری و استفاده از داده
• 80. حفظ حریم خصوصی کاربران
• 81. شفافیت در فرآیندهای داده
• 82. ارزیابی ریسک در خطوط لوله داده
• 83. مقاومت در برابر خطا و بازیابی
• 84. پایداری و قابلیت اطمینان خطوط لوله
• 85. مقیاس‌پذیری خطوط لوله داده
• 86. طراحی برای مقیاس‌پذیری افقی
• 87. استراتژی‌های مقیاس‌پذیری عمودی
• 88. مدیریت داده‌های حساس و طبقه‌بندی آن‌ها
• 89. رمزنگاری داده در حالت سکون و در حال انتقال
• 90. قوانین دسترسی و مجوزهای داده
• 91. آموزش و فرهنگ‌سازی داده در سازمان
• 92. نقش تحلیلگران داده در خطوط لوله
• 93. همکاری بین مهندسان و تحلیلگران داده
• 94. توسعه ابزارهای داخلی برای خطوط لوله
• 95. آینده مهندسی داده و خطوط لوله
• 96. روندهای نوظهور در پردازش داده
• 97. استفاده از هوش مصنوعی در خطوط لوله
• 98. یادگیری تقویتی برای بهینه‌سازی خطوط لوله
• 99. سیستم‌های توصیه‌گر برای داده‌ها
• 100. فناوری‌های بلاک‌چین در مدیریت داده