فلش‌کارت‌های آموزشی راهکارهای نوین علم داده و یادگیری ماشین در بستر مایکروسافت فابریک (Microsoft Fabric)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهکارهای نوین علم داده و یادگیری ماشین در بستر مایکروسافت فابریک (Microsoft Fabric)

موضوع کلی: علوم داده و تحلیل هوشمند داده‌ها

موضوع میانی: پیاده‌سازی زیرساخت‌های تحلیل داده در پلتفرم‌های ابری

📋 سرفصل‌های دوره

• 1. مبانی و معماری کلی پلتفرم مایکروسافت فابریک
• 2. نقش مایکروسافت فابریک در اکوسیستم داده‌های سازمانی
• 3. آشنایی با محیط کاربری و اجزای اصلی مایکروسافت فابریک
• 4. مدیریت ظرفیت‌ها و منابع محاسباتی در فابریک
• 5. مبانی کار با OneLake و ساختار ذخیره‌سازی یکپارچه
• 6. ایجاد و مدیریت ورک‌اسپیس‌ها در مایکروسافت فابریک
• 7. بررسی نقش‌های امنیتی و دسترسی‌ها در محیط فابریک
• 8. آشنایی با دفترچه‌های یادداشت یا Notebooks در فابریک
• 9. کار با محیط توسعه PySpark در مایکروسافت فابریک
• 10. اتصال به منابع داده‌ای مختلف با استفاده از کانکتورهای استاندارد
• 11. استخراج و بارگذاری داده‌ها با استفاده از Dataflows
• 12. پاکسازی و پیش‌پردازش داده‌ها با استفاده از Data Wrangler
• 13. مدیریت جداول و فرمت‌های ذخیره‌سازی در Delta Lake
• 14. بهینه‌سازی عملکرد پرس‌وجوها در Lakehouse
• 15. یکپارچه‌سازی داده‌ها با استفاده از ابزار Data Factory
• 16. طراحی و اجرای خط لوله یا Pipeline برای پردازش داده‌ها
• 17. نظارت و پایش عملیات داده‌ای در محیط فابریک
• 18. مبانی یادگیری ماشین در بستر مایکروسافت فابریک
• 19. استفاده از MLflow برای مدیریت چرخه عمر مدل‌های هوش مصنوعی
• 20. آموزش مدل‌های پیش‌بینی در دفترچه‌های یادداشت فابریک
• 21. ارزیابی و تحلیل عملکرد مدل‌های یادگیری ماشین
• 22. کار با Synapse Data Science برای تحلیل‌های پیشرفته
• 23. استفاده از مدل‌های پیش‌آموزش‌دیده در محیط فابریک
• 24. استقرار مدل‌های هوش مصنوعی در محیط عملیاتی
• 25. مانیتورینگ و بازآموزی مدل‌های یادگیری ماشین
• 26. استفاده از قابلیت‌های هوش مصنوعی در Power BI
• 27. تجسم داده‌های تحلیل‌شده و گزارش‌گیری پیشرفته
• 28. امنیت داده‌ها و رعایت حریم خصوصی در بستر ابری
• 29. پیاده‌سازی حاکمیت داده یا Data Governance در فابریک
• 30. مدیریت نسخه‌ها و کنترل تغییرات در پروژه‌های داده
• 31. مستندسازی و اشتراک‌گذاری تحلیل‌ها در سازمان
• 32. بررسی موردی: پیاده‌سازی یک پروژه تحلیل داده در فابریک
• 33. راهکارهای مقیاس‌پذیری و مدیریت هزینه‌های ابری
• 34. تطبیق استانداردهای داده‌ای با الزامات قانونی و سازمانی
• 35. بهترین شیوه‌های نگهداری و پشتیبانی از زیرساخت‌های داده‌ای