فلش‌کارت‌های آموزشی مهندسی داده با استفاده از خدمات مایکروسافت Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده با استفاده از خدمات مایکروسافت Azure

موضوع کلی: مهندسی داده

موضوع میانی: مهندسی داده در پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مقدمه ای بر مهندسی داده
• 2. مفاهیم کلیدی مهندسی داده
• 3. چرخه حیات داده
• 4. انواع داده ها و فرمت ها
• 5. مخازن داده و انواع آن
• 6. مقدمه ای بر خدمات Azure
• 7. معماری داده در Azure
• 8. ذخیره سازی داده در Azure Blob Storage
• 9. ذخیره سازی داده در Azure Data Lake Storage Gen2
• 10. مدیریت داده در Azure
• 11. انتقال داده با Azure Data Factory
• 12. مفاهیم ETL و ELT
• 13. طراحی پایپ لاین داده با Azure Data Factory
• 14. اتصال به منابع داده در Azure Data Factory
• 15. تبدیل داده با Azure Data Factory
• 16. زمان بندی و نظارت بر پایپ لاین ها
• 17. امنیت داده در Azure
• 18. مدیریت هویت و دسترسی در Azure
• 19. رمزگذاری داده ها در Azure
• 20. حاکمیت داده در Azure
• 21. مقدمه ای بر پردازش داده های بزرگ
• 22. Apache Spark در Azure
• 23. Azure Databricks چیست؟
• 24. ایجاد کلاستر Databricks
• 25. کار با Notebook ها در Databricks
• 26. Spark SQL در Databricks
• 27. Spark Streaming در Databricks
• 28. یادگیری ماشینی با Azure Databricks
• 29. انتقال داده های بزرگ با Azure Data Factory
• 30. پردازش داده های جریانی در Azure
• 31. Azure Stream Analytics
• 32. مقدمه ای بر Azure Event Hubs
• 33. ارسال و دریافت رویدادها در Event Hubs
• 34. پردازش داده های جریانی با Event Hubs
• 35. Azure IoT Hub
• 36. مدیریت دستگاه ها در IoT Hub
• 37. ارسال داده از دستگاه ها به IoT Hub
• 38. ارسال دستورات از IoT Hub به دستگاه ها
• 39. تحلیل داده های جریانی با Azure Stream Analytics
• 40. داشبوردها و بصری سازی داده ها
• 41. Power BI و Azure
• 42. اتصال Power BI به منابع داده Azure
• 43. طراحی گزارش ها در Power BI
• 44. شاخص های کلیدی عملکرد (KPI) در Power BI
• 45. مدیریت مجموعه داده ها در Power BI
• 46. امنیت در Power BI
• 47. مقدمه ای بر انبار داده
• 48. Azure Synapse Analytics
• 49. معماری Azure Synapse Analytics
• 50. Synapse SQL Pools
• 51. Synapse Spark Pools
• 52. Synapse Pipelines
• 53. یکپارچه سازی داده ها در Synapse Analytics
• 54. امنیت در Azure Synapse Analytics
• 55. مقدمه ای بر پایگاه داده های NoSQL
• 56. Azure Cosmos DB
• 57. مدل های داده در Cosmos DB
• 58. مدیریت منابع در Cosmos DB
• 59. کوئری زدن در Cosmos DB
• 60. امنیت در Azure Cosmos DB
• 61. مقدمه ای بر مهندسی داده های مدرن
• 62. داده های باز و شفافیت
• 63. استانداردهای داده در Azure
• 64. مدیریت چرخه عمر داده
• 65. بهینه سازی هزینه در Azure برای مهندسی داده
• 66. نظارت و ثبت وقایع در Azure
• 67. پیاده سازی CI/CD برای پایپ لاین های داده
• 68. استفاده از Git برای مدیریت کد
• 69. استقرار خودکار پایپ لاین های داده
• 70. تست خودکار در مهندسی داده
• 71. مدیریت پیکربندی در Azure
• 72. مقدمه ای بر الگوی Data Mesh
• 73. مفاهیم Data Mesh
• 74. پیاده سازی Data Mesh در Azure
• 75. امنیت در Data Mesh
• 76. حاکمیت داده در Data Mesh
• 77. مقدمه ای بر هوش مصنوعی و یادگیری ماشین
• 78. نقش مهندسی داده در AI/ML
• 79. آماده سازی داده برای مدل های ML
• 80. استفاده از Azure Machine Learning
• 81. مدیریت مدل ها در Azure ML
• 82. استقرار مدل ها در Azure ML
• 83. مقدمه ای بر داده های مکانی-زمانی
• 84. پردازش داده های مکانی در Azure
• 85. مدیریت داده های مکانی در Azure
• 86. تحلیل داده های مکانی
• 87. مقدمه ای بر اتوماسیون در مهندسی داده
• 88. اسکریپت نویسی در Azure
• 89. استفاده از Azure CLI
• 90. استفاده از Azure PowerShell
• 91. قالب بندی زیرساخت با Terraform
• 92. مقدمه ای بر بهترین شیوه ها در مهندسی داده
• 93. اصول طراحی پایپ لاین داده
• 94. اولویت بندی و مدیریت وظایف
• 95. مستندسازی در مهندسی داده
• 96. یادگیری مستمر و به روز رسانی مهارت ها
• 97. جمع بندی و آینده مهندسی داده در Azure