🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: تحلیل داده‌ها با Azure: ابزارها و سرویس‌های پردازش داده

موضوع کلی: برنامه نویسی

موضوع میانی: Microsoft Azure

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه ای بر تحلیل داده ها
• 2. مقدمه ای بر Microsoft Azure
• 3. چرا Azure برای تحلیل داده ها؟
• 4. مفاهیم کلیدی تحلیل داده ها
• 5. انواع داده ها (ساختار یافته، نیمه ساختار یافته، بدون ساختار)
• 6. چرخه عمر تحلیل داده ها
• 7. آشنایی با Azure Portal
• 8. راه اندازی حساب Azure
• 9. مدیریت منابع Azure
• 10. مفاهیم اشتراک، گروه منابع و تگ گذاری
• 11. مقدمه ای بر سرویس های ذخیره سازی Azure
• 12. Azure Blob Storage
• 13. انواع Tier در Blob Storage (Hot, Cool, Archive)
• 14. مدیریت Blob Storage
• 15. Azure Data Lake Storage Gen2
• 16. تفاوت Blob Storage و Data Lake Storage
• 17. امنیت در Azure Storage
• 18. مدیریت دسترسی (RBAC, SAS)
• 19. انتقال داده به Azure
• 20. Azure Data Factory (ADF) - مقدمه
• 21. مفاهیم Pipelines, Activities, Datasets, Linked Services در ADF
• 22. ایجاد اولین Pipeline در ADF
• 23. استفاده از Copy Activity در ADF
• 24. ترانسفورمیشن داده در ADF (Mapping Data Flows)
• 25. Scenarios Use Case برای ADF
• 26. مانیتورینگ و مدیریت ADF
• 27. مقدمه ای بر سرویس های پردازش داده Azure
• 28. Azure Databricks - مقدمه
• 29. مفاهیم Workspace, Clusters, Notebooks در Databricks
• 30. زبان های برنامه نویسی در Databricks (Python, Scala, SQL)
• 31. Spark در Databricks
• 32. خواندن و نوشتن داده در Databricks
• 33. DataFrame API در Spark
• 34. Spark SQL
• 35. Performance Tuning در Spark
• 36. Machine Learning با MLlib در Spark
• 37. دمو: تحلیل داده با Databricks
• 38. Azure Synapse Analytics - مقدمه
• 39. Synapse SQL Pools (Dedicated, Serverless)
• 40. Serverless SQL Pools برای کاوش داده
• 41. Dedicated SQL Pools برای Data Warehousing
• 42. Synapse Pipelines (بر پایه ADF)
• 43. Synapse Spark Pools
• 44. Integrated Analytics در Synapse
• 45. Data Integration در Synapse
• 46. امنیت در Synapse Analytics
• 47. دمو: ساخت Data Warehouse با Synapse
• 48. مقدمه ای بر سرویس های جریان داده Azure
• 49. Azure Event Hubs - مقدمه
• 50. مفاهیم Producers, Consumers, Consumer Groups
• 51. استفاده از Event Hubs برای Ingestion Real-time
• 52. مقیاس پذیری Event Hubs
• 53. امنیت Event Hubs
• 54. Azure IoT Hub - مقدمه
• 55. ارتباط دستگاه با IoT Hub
• 56. پیام های Device-to-Cloud و Cloud-to-Device
• 57. مدیریت دستگاه ها در IoT Hub
• 58. Azure Stream Analytics - مقدمه
• 59. نوشتن Query ها در Stream Analytics
• 60. ورودی ها و خروجی های Stream Analytics
• 61. پردازش Real-time داده های جریانی
• 62. ساخت Job در Stream Analytics
• 63. تست و مانیتورینگ Stream Analytics
• 64. دمو: تحلیل داده جریانی با Event Hubs و Stream Analytics
• 65. مقدمه ای بر سرویس های هوش مصنوعی و یادگیری ماشین Azure
• 66. Azure Machine Learning - مقدمه
• 67. Workspace در Azure ML
• 68. Data Preparation در Azure ML
• 69. Automated ML (AutoML)
• 70. Designer در Azure ML
• 71. Compute Instances و Compute Clusters
• 72. Training Models در Azure ML
• 73. Deployment Models در Azure ML
• 74. Monitoring Models در Azure ML
• 75. MLOps با Azure ML
• 76. مقدمه ای بر سرویس های گزارش دهی و ویژوالیزیشن Azure
• 77. Power BI - مقدمه
• 78. اتصال Power BI به منابع Azure
• 79. ساخت Visualizations در Power BI
• 80. ساخت Dashboards در Power BI
• 81. انتشار و به اشتراک گذاری Reports
• 82. Azure Analysis Services - مقدمه
• 83. ساخت Semantic Models
• 84. DirectQuery و Import Mode
• 85. امنیت در Analysis Services
• 86. مقدمه ای بر مدیریت و عملیات در Azure
• 87. Azure Monitor - مقدمه
• 88. Log Analytics
• 89. Application Insights
• 90. Metrics و Alerts
• 91. Azure Security Center
• 92. Azure Sentinel - مقدمه
• 93. SIEM و SOAR در Azure Sentinel
• 94. ایجاد Rules و Playbooks
• 95. Orchestration و Automation
• 96. مقدمه ای بر معماری های تحلیل داده در Azure
• 97. Reference Architectures for Analytics
• 98. Data Lake House Architecture
• 99. Lambda Architecture
• 100. Kappa Architecture