فلش‌کارت‌های آموزشی جامع حرفه‌ای مهندسی داده در اکوسیستم داده ایران

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع حرفه‌ای مهندسی داده در اکوسیستم داده ایران

موضوع کلی: علوم و مهندسی داده

موضوع میانی: مهندسی داده کاربردی

📋 سرفصل‌های دوره

• 1. معماری داده‌های مدرن و اجزای آن
• 2. اصول مهندسی داده و چرخه حیات داده
• 3. مخازن داده (Data Warehouses) و انباره‌های داده (Data Lakes)
• 4. پایگاه‌های داده رابطه‌ای (SQL) و غیررابطه‌ای (NoSQL)
• 5. مدل‌سازی داده: مفاهیم و روش‌ها
• 6. طراحی شمای پایگاه داده (Schema Design)
• 7. بهینه‌سازی پایگاه داده و پرس‌وجوها
• 8. مفاهیم ETL و ELT در مهندسی داده
• 9. ابزارهای ETL/ELT و کاربردهای آن‌ها
• 10. استخراج و بارگذاری داده‌ها (Extraction & Loading)
• 11. تبدیل و پاکسازی داده‌ها (Transformation & Cleaning)
• 12. مدیریت کیفیت داده (Data Quality Management)
• 13. پروفایل‌سازی داده (Data Profiling)
• 14. استانداردسازی و نرمال‌سازی داده‌ها
• 15. مستندسازی داده (Data Documentation)
• 16. مفاهیم جریان داده (Data Streaming)
• 17. معماری‌های جریان داده: Kafka، Pulsar و ...
• 18. پردازش جریان داده در زمان واقعی (Real-time Data Processing)
• 19. ابزارهای پردازش جریان داده: Spark Streaming، Flink
• 20. پردازش دسته‌ای (Batch Processing) و ابزارهای آن
• 21. Apache Spark و کاربردهای آن در مهندسی داده
• 22. Spark SQL و بهینه‌سازی آن
• 23. Spark Streaming و پردازش داده‌های جریانی
• 24. Spark MLlib برای یادگیری ماشین
• 25. امنیت داده‌ها در اکوسیستم داده
• 26. مدیریت دسترسی و مجوزها
• 27. رمزنگاری داده‌ها (Data Encryption)
• 28. حریم خصوصی داده‌ها (Data Privacy)
• 29. اصول حکمرانی داده (Data Governance)
• 30. مدیریت ابرداده (Metadata Management)
• 31. مدیریت واژه‌نامه کسب‌وکار (Business Glossary Management)
• 32. مدیریت خط مشی داده (Data Policy Management)
• 33. پایپ‌لاین‌های داده (Data Pipelines) و ارکستراسیون
• 34. ابزارهای ارکستراسیون: Apache Airflow
• 35. طراحی و پیاده‌سازی پایپ‌لاین‌های داده کارآمد
• 36. مانیتورینگ و هشداردهی در پایپ‌لاین‌های داده
• 37. مفاهیم داده‌های کلان (Big Data)
• 38. چالش‌های داده‌های کلان
• 39. معماری‌های داده‌های کلان
• 40. ابزارهای پردازش داده‌های کلان
• 41. مفاهیم مهندسی ویژگی (Feature Engineering)
• 42. ایجاد و مدیریت ویژگی‌ها برای مدل‌های یادگیری ماشین
• 43. ارزیابی و انتخاب ویژگی‌ها
• 44. مهندسی داده برای یادگیری ماشین
• 45. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 46. ابزارهای هوش تجاری و داشبوردهای مدیریتی
• 47. تحلیل داده‌های اکتشافی (Exploratory Data Analysis - EDA)
• 48. مصورسازی داده‌ها (Data Visualization)
• 49. انتخاب ابزار مناسب برای مصورسازی
• 50. اصول طراحی داشبوردهای مؤثر
• 51. مفاهیم داده‌های مکانی (Geospatial Data)
• 52. پردازش و تحلیل داده‌های مکانی
• 53. مفاهیم داده‌های متنی (Text Data)
• 54. پردازش زبان طبیعی (Natural Language Processing - NLP)
• 55. مهندسی داده برای تحلیل متن
• 56. مفاهیم داده‌های سری زمانی (Time Series Data)
• 57. تحلیل و پیش‌بینی داده‌های سری زمانی
• 58. مفاهیم داده‌های گراف (Graph Data)
• 59. مدل‌سازی و تحلیل داده‌های گراف
• 60. مقدمه‌ای بر DevOps در مهندسی داده
• 61. CI/CD برای پایپ‌لاین‌های داده
• 62. تست خودکار در مهندسی داده
• 63. پایپ‌لاین‌های داده خودکار و خودکارسازی فرآیندها
• 64. مدیریت پیکربندی در مهندسی داده
• 65. نظارت و لاگ‌برداری در مهندسی داده
• 66. چالش‌های اخلاقی در مهندسی داده
• 67. بررسی ابزارهای نوظهور در مهندسی داده
• 68. کیت‌های ابزار و چارچوب‌های مهندسی داده
• 69. بهترین شیوه‌ها (Best Practices) در مهندسی داده
• 70. بهینه‌سازی منابع در مهندسی داده
• 71. مهاجرت به پلتفرم‌های داده مدرن
• 72. طراحی استراتژی داده سازمانی
• 73. نقش مهندس داده در تیم‌های داده
• 74. مهارت‌های نرم برای مهندسان داده
• 75. کار تیمی و همکاری در پروژه‌های داده
• 76. مدیریت پروژه در مهندسی داده
• 77. مقدمه‌ای بر مهندسی داده در فضای ابری (Cloud Data Engineering)
• 78. خدمات داده در پلتفرم‌های ابری (AWS, Azure, GCP)
• 79. مزایا و معایب مهندسی داده در ابر
• 80. امنیت داده در محیط‌های ابری
• 81. حاکمیت داده در محیط‌های ابری
• 82. مفاهیم Data Mesh و Data Fabric
• 83. پیاده‌سازی الگوهای Data Mesh و Data Fabric
• 84. مزایای Data Mesh و Data Fabric
• 85. چالش‌های پیاده‌سازی Data Mesh و Data Fabric