کتاب مبانی مدل‌سازی داده و انباره داده در مهندسی داده با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی مدل‌سازی داده و انباره داده در مهندسی داده

موضوع کلی: مهندسی داده و هوش تجاری

موضوع میانی: مدل‌سازی داده و انباره داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و هوش تجاری
• 2. اهمیت مدل‌سازی داده در مهندسی داده
• 3. مفاهیم پایه مدل‌سازی داده
• 4. انواع مدل‌های داده
• 5. مدل‌سازی مفهومی داده
• 6. مدل‌سازی منطقی داده
• 7. مدل‌سازی فیزیکی داده
• 8. ابزارهای مدل‌سازی داده
• 9. مقدمه‌ای بر انباره داده
• 10. معماری انباره داده
• 11. مراحل طراحی انباره داده
• 12. مفاهیم Data Warehouse
• 13. مفاهیم Data Mart
• 14. مفاهیم OLTP و OLAP
• 15. تفاوت OLTP و OLAP
• 16. مفاهیم Data Lake
• 17. تفاوت Data Warehouse و Data Lake
• 18. طراحی شمای ستاره‌ای (Star Schema)
• 19. طراحی شمای برف‌دانه‌ای (Snowflake Schema)
• 20. ابعاد در مدل‌سازی انباره داده
• 21. فکت‌ها در مدل‌سازی انباره داده
• 22. انواع ابعاد (Dimension Types)
• 23. ابعاد آهسته تغییرکننده (Slowly Changing Dimensions)
• 24. استراتژی‌های SCD Type 1
• 25. استراتژی‌های SCD Type 2
• 26. استراتژی‌های SCD Type 3
• 27. مدیریت ابعاد آهسته تغییرکننده
• 28. مفاهیم Data Modeling Patterns
• 29. الگوهای مدل‌سازی داده برای OLAP
• 30. الگوهای مدل‌سازی داده برای تحلیل
• 31. طراحی مدل داده برای گزارش‌گیری
• 32. مقدمه‌ای بر ETL (Extract, Transform, Load)
• 33. مراحل ETL
• 34. ابزارهای ETL
• 35. مفاهیم Data Integration
• 36. روش‌های Data Integration
• 37. مقدمه‌ای بر Data Quality
• 38. اهمیت کیفیت داده
• 39. روش‌های بهبود کیفیت داده
• 40. استانداردسازی داده
• 41. پاکسازی داده
• 42. اعتبارسنجی داده
• 43. مقدمه‌ای بر Data Governance
• 44. اصول Data Governance
• 45. نقش Data Governance در مهندسی داده
• 46. امنیت داده در انباره داده
• 47. حفظ حریم خصوصی داده
• 48. مقررات مربوط به داده در ایران
• 49. مفاهیم Metadata
• 50. انواع Metadata
• 51. اهمیت Metadata در انباره داده
• 52. مدیریت Metadata
• 53. مقدمه‌ای بر Business Intelligence
• 54. اجزای سیستم‌های Business Intelligence
• 55. ابزارهای Business Intelligence
• 56. مقدمه‌ای بر داشبوردهای مدیریتی
• 57. طراحی داشبوردهای مؤثر
• 58. معیارهای کلیدی عملکرد (KPIs)
• 59. نمودارهای مناسب برای نمایش داده
• 60. مفاهیم Data Visualization
• 61. اصول Data Visualization
• 62. ابزارهای Data Visualization
• 63. مقدمه‌ای بر Data Mining
• 64. تکنیک‌های Data Mining
• 65. کاربردهای Data Mining در کسب‌وکار
• 66. تحلیل سری‌های زمانی (Time Series Analysis)
• 67. مقدمه‌ای بر یادگیری ماشین در مهندسی داده
• 68. کاربرد یادگیری ماشین در هوش تجاری
• 69. مفاهیم Big Data
• 70. چالش‌های Big Data
• 71. معماری‌های Big Data
• 72. مقدمه‌ای بر Hadoop
• 73. مفاهیم Spark
• 74. کاربرد Spark در پردازش داده
• 75. مفاهیم NoSQL Databases
• 76. مقایسه پایگاه‌های داده رابطه‌ای و NoSQL
• 77. مدل‌سازی داده در پایگاه‌های داده NoSQL
• 78. مقدمه‌ای بر Data Engineering Pipeline
• 79. طراحی و پیاده‌سازی Data Pipeline
• 80. نظارت و نگهداری Data Pipeline
• 81. مفاهیم Data Lakehouse
• 82. مزایای Data Lakehouse
• 83. مقدمه‌ای بر Data Virtualization
• 84. کاربرد Data Virtualization
• 85. مقدمه‌ای بر Data Catalog
• 86. اهمیت Data Catalog
• 87. طراحی Data Catalog
• 88. مقدمه‌ای بر Data Lineage
• 89. اهمیت Data Lineage
• 90. مدیریت Data Lineage
• 91. مقدمه‌ای بر DataOps
• 92. اصول DataOps
• 93. پیاده‌سازی DataOps
• 94. مقدمه‌ای بر ابر و مهندسی داده
• 95. خدمات ابری برای مهندسی داده
• 96. ملاحظات قانونی و امنیتی در فضای ابری
• 97. مدل‌سازی داده برای اینترنت اشیا (IoT)
• 98. کاربرد هوش تجاری در صنایع مختلف
• 99. هوش تجاری در بخش دولتی
• 100. هوش تجاری در بخش خصوصی