فلش‌کارت‌های آموزشی راهکارهای نوین مهندسی و تحلیل داده با استفاده از ابزار dbt (مطابق با استانداردهای مدیریت داده)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای نوین مهندسی و تحلیل داده با استفاده از ابزار dbt (مطابق با استانداردهای مدیریت داده)

موضوع کلی: مهندسی داده و هوش تجاری (Data Engineering & Business Intelligence)

موضوع میانی: مدیریت و تحلیل داده‌های سازمان در بستر انباره داده (Data Warehouse)

📋 سرفصل‌های دوره

• 1. مبانی مدیریت داده و نقش مهندسی داده در سازمان
• 2. آشنایی با مفاهیم انبار داده و ضرورت یکپارچه‌سازی داده‌ها
• 3. معرفی ابزار dbt و جایگاه آن در چرخه حیات داده
• 4. نصب و راه‌اندازی محیط توسعه برای پروژه‌های dbt
• 5. ساختار پروژه و فایل‌های پیکربندی در dbt
• 6. اتصال به پایگاه داده و تنظیمات منابع داده
• 7. مفهوم مدل‌سازی داده در dbt و زبان SQL
• 8. استفاده از عبارت‌های شرطی و متغیرها در مدل‌های dbt
• 9. مدیریت ریشه‌ها و وابستگی‌های مدل با دستور ref
• 10. نحوه استفاده از منابع داده خارجی و تعریف sources
• 11. تکنیک‌های مدل‌سازی لایه‌ای در انبار داده
• 12. طراحی و پیاده‌سازی مدل‌های staging برای پاک‌سازی داده‌ها
• 13. ایجاد مدل‌های intermediate و منطق‌های تجاری میانی
• 14. توسعه مدل‌های mart برای گزارش‌گیری هوش تجاری
• 15. مفهوم تست‌های داده در dbt و تضمین کیفیت اطلاعات
• 16. تعریف تست‌های پایه مانند unique و not null
• 17. پیاده‌سازی تست‌های سفارشی و تست‌های مقایسه‌ای
• 18. مستندسازی خودکار داده‌ها و پروژه‌های dbt
• 19. ایجاد مستندات تعاملی برای کاربران کسب‌وکار
• 20. استفاده از Snapshots برای ردیابی تغییرات داده در طول زمان
• 21. مدیریت تاریخچه تغییرات وضعیت داده‌ها
• 22. مفهوم بسته‌های dbt و استفاده از کدهای آماده
• 23. مدیریت متغیرها و پیکربندی‌های محیطی
• 24. بهینه‌سازی عملکرد کوئری‌ها در انبار داده
• 25. استفاده از Macroها برای تولید کدهای داینامیک
• 26. تکنیک‌های تست واحد برای منطق‌های محاسباتی
• 27. مدیریت نسخه‌ها و کنترل منبع پروژه با Git
• 28. یکپارچه‌سازی dbt با فرآیندهای CI/CD
• 29. استقرار خودکار مدل‌های داده در محیط عملیاتی
• 30. زمان‌بندی و اجرای خودکار فرآیندهای تبدیل داده
• 31. مانیتورینگ و عیب‌یابی خطاهای اجرای مدل‌ها
• 32. امنیت در مدیریت داده و سطوح دسترسی
• 33. رعایت استانداردهای حاکمیت داده در مهندسی داده
• 34. روش‌های تحلیل داده‌های حجیم در بستر انبار داده
• 35. معرفی ابزارهای بصری‌سازی و اتصال به dbt
• 36. طراحی داشبوردهای مدیریتی بر پایه مدل‌های dbt
• 37. بهینه‌سازی هزینه‌های پردازش داده در محیط‌های ابری
• 38. مدیریت داده‌های تکراری و حذف نویزها
• 39. پیاده‌سازی منطق‌های پیچیده محاسبات مالی در dbt
• 40. ارائه گزارش‌های تحلیلی مطابق با نیازهای سازمانی
• 41. نقش مهندسی داده در تصمیم‌گیری‌های هوشمند مدیریتی
• 42. آینده‌نگری و توسعه مقیاس‌پذیر زیرساخت‌های داده