فلش‌کارت‌های آموزشی راهکارهای عملیاتی مهندسی داده در بستر رایانش ابری (مبتنی بر استانداردهای Google Cloud)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای عملیاتی مهندسی داده در بستر رایانش ابری (مبتنی بر استانداردهای Google Cloud)

موضوع کلی: فناوری اطلاعات و رایانش ابری

موضوع میانی: مهندسی داده و مدیریت کلان‌داده‌ها

📋 سرفصل‌های دوره

• 1. مبانی رایانش ابری و معماری سرویس‌های داده در گوگل کلاود
• 2. آشنایی با محیط کاربری و مدیریت پروژه‌ها در Google Cloud Platform
• 3. مفاهیم پایه ذخیره‌سازی داده‌ها در فضای ابری
• 4. مدیریت دسترسی و امنیت داده‌ها با استفاده از Identity and Access Management
• 5. اصول طراحی دیتابیس‌های رابطه‌ای در Cloud SQL
• 6. پیاده‌سازی و پیکربندی نمونه‌های PostgreSQL در محیط ابری
• 7. بهینه‌سازی پرس‌وجوها در پایگاه داده‌های رابطه‌ای
• 8. آشنایی با سرویس BigQuery برای تحلیل کلان‌داده‌ها
• 9. طراحی و مدل‌سازی جداول در BigQuery برای کارایی حداکثری
• 10. کار با دستورات SQL در محیط BigQuery
• 11. مفاهیم و کاربردهای Cloud Storage برای ذخیره‌سازی اشیاء
• 12. مدیریت چرخه‌حیات داده‌ها در Cloud Storage
• 13. آشنایی با Cloud Pub/Sub برای انتقال داده‌های بلادرنگ
• 14. پیاده‌سازی جریان‌های کاری مبتنی بر رویداد با Pub/Sub
• 15. مفاهیم پردازش داده‌های حجیم با استفاده از Dataflow
• 16. طراحی خط‌لوله‌های پردازش داده با Apache Beam
• 17. تبدیل و پاکسازی داده‌ها در خط‌لوله‌های پردازش ابری
• 18. مدیریت حافظه و منابع در پردازش‌های سنگین داده
• 19. آشنایی با Cloud Dataproc برای اجرای خوشه‌های Apache Spark و Hadoop
• 20. مهاجرت داده‌های حجیم به محیط ابری با استفاده از ابزارهای انتقال
• 21. یکپارچه‌سازی Cloud Functions برای خودکارسازی عملیات داده
• 22. مانیتورینگ و مشاهده‌پذیری خط‌لوله‌های داده با Cloud Logging
• 23. تحلیل عملکرد و عیب‌یابی در سرویس‌های پردازش داده
• 24. امنیت و حریم خصوصی در ذخیره‌سازی کلان‌داده‌ها
• 25. رمزنگاری داده‌های در حال سکون و در حال انتقال
• 26. ارزیابی هزینه‌ها و مدیریت بودجه در پروژه‌های مهندسی داده
• 27. استفاده از Cloud Composer برای ارکستراسیون خط‌لوله‌های داده
• 28. پیاده‌سازی گردش‌کار با استفاده از Apache Airflow
• 29. آشنایی با سرویس Looker برای مصورسازی و گزارش‌گیری داده‌ها
• 30. اتصال BigQuery به ابزارهای هوش تجاری
• 31. مفاهیم مقدماتی یادگیری ماشین در بستر مهندسی داده
• 32. آماده‌سازی داده‌ها برای مدل‌های هوش مصنوعی با Vertex AI
• 33. استراتژی‌های پشتیبان‌گیری و بازیابی فاجعه در دیتابیس‌های ابری
• 34. تست و اعتبارسنجی کیفیت داده‌ها در خط‌لوله‌های تولیدی
• 35. به‌کارگیری مفاهیم DevOps در مدیریت زیرساخت‌های داده
• 36. استفاده از Terraform برای زیرساخت به عنوان کد در گوگل کلاود
• 37. مدیریت نسخه‌بندی و کنترل تغییرات در پروژه‌های داده
• 38. مفاهیم پایه‌ای در انبارش داده و دریاچه داده
• 39. پیاده‌سازی ساختار داده‌های سلسله‌مراتبی در فضای ابری
• 40. تکنیک‌های بهینه‌سازی هزینه در پرس‌وجوهای بزرگ BigQuery
• 41. پایان‌بندی و مرور پروژه‌های عملیاتی در مهندسی داده ابری