کتاب صوتی مهندسی داده برای اطمینان از قابلیت اطمینان در یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی داده برای اطمینان از قابلیت اطمینان در یادگیری ماشین

موضوع کلی: علوم کامپیوتر و مهندسی نرم‌افزار

موضوع میانی: مهندسی داده و زیرساخت‌های داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و یادگیری ماشین
• 2. مبانی ذخیره‌سازی داده‌ها در سیستم‌های توزیع‌شده
• 3. معماری‌های سیستم‌های داده مدرن
• 4. مفاهیم پایگاه‌های داده رابطه‌ای و NoSQL
• 5. انواع داده‌ها و مدل‌سازی داده‌ها
• 6. مراحل پایپ‌لاین مهندسی داده
• 7. جمع‌آوری داده‌ها از منابع مختلف
• 8. پاکسازی و پیش‌پردازش داده‌ها
• 9. تبدیل داده‌ها و مهندسی ویژگی
• 10. ذخیره‌سازی داده‌های پردازش‌شده
• 11. انبار داده و دریاچه داده
• 12. مفاهیم Data Lakehouse
• 13. طراحی اسکیمای داده‌ها
• 14. استانداردهای کیفیت داده
• 15. مدیریت چرخه عمر داده
• 16. امنیت داده‌ها و حریم خصوصی
• 17. رمزنگاری داده‌ها در حالت سکون و در حال انتقال
• 18. کنترل دسترسی به داده‌ها
• 19. ملاحظات قانونی و انطباق در مدیریت داده
• 20. مبانی پایپ‌لاین‌های داده
• 21. طراحی پایپ‌لاین‌های داده قابل اطمینان
• 22. ابزارهای ارکستراسیون پایپ‌لاین داده
• 23. Apache Airflow و کاربردهای آن
• 24. مدیریت وابستگی‌ها در پایپ‌لاین‌ها
• 25. نظارت بر پایپ‌لاین‌های داده
• 26. لاگ‌برداری و ردیابی در پایپ‌لاین‌ها
• 27. مدیریت خطا و بازیابی در پایپ‌لاین‌ها
• 28. تست و اعتبارسنجی پایپ‌لاین‌ها
• 29. مقدمه‌ای بر قابلیت اطمینان سیستم‌های داده
• 30. اصول مهندسی قابلیت اطمینان
• 31. مدیریت پیکربندی برای قابلیت اطمینان
• 32. مقیاس‌پذیری سیستم‌های داده
• 33. تحمل خطا و افزونگی
• 34. بازیابی فاجعه برای سیستم‌های داده
• 35. استانداردهای پایش سلامت سیستم
• 36. مدیریت ظرفیت و پیش‌بینی بار
• 37. مقدمه‌ای بر یادگیری ماشین و مهندسی داده
• 38. نقش مهندسی داده در چرخه حیات یادگیری ماشین
• 39. مدیریت داده برای مدل‌های یادگیری ماشین
• 40. پایپ‌لاین‌های داده برای آموزش مدل
• 41. پایپ‌لاین‌های داده برای استنتاج مدل
• 42. ذخیره‌سازی و مدیریت ویژگی‌ها (Feature Store)
• 43. ملاحظات داده‌ای در مدل‌های یادگیری عمیق
• 44. مقدمه‌ای بر پردازش جریان داده (Stream Processing)
• 45. معماری‌های پردازش جریان داده
• 46. Apache Kafka برای پردازش جریان داده
• 47. Apache Spark Streaming
• 48. Apache Flink
• 49. مدیریت حالت در پردازش جریان داده
• 50. قابلیت اطمینان در پایپ‌لاین‌های جریان داده
• 51. تست و اعتبارسنجی پایپ‌لاین‌های جریان داده
• 52. مقدمه‌ای بر DataOps
• 53. اصول و شیوه‌های DataOps
• 54. استقرار مداوم در مهندسی داده
• 55. مدیریت کد منبع برای داده‌ها
• 56. خودکارسازی در مهندسی داده
• 57. همکاری بین تیم‌های داده
• 58. مقدمه‌ای بر معماری‌های داده مدرن
• 59. میکروسرویس‌های داده
• 60. معماری رویداد محور (Event-Driven Architecture)
• 61. استفاده از داده‌های ساختاریافته و نیمه‌ساختاریافته
• 62. مقدمه‌ای بر ابزارهای مدیریت داده
• 63. Apache Hive و کاربردهای آن
• 64. Apache HBase
• 65. Amazon S3 برای ذخیره‌سازی داده
• 66. Google Cloud Storage
• 67. Azure Data Lake Storage
• 68. مقدمه‌ای بر امنیت داده در مهندسی نرم‌افزار
• 69. رمزنگاری داده‌ها در پایگاه‌های داده
• 70. مدیریت کلیدها و گواهینامه‌ها
• 71. اصول طراحی سیستم‌های توزیع‌شده امن
• 72. مقدمه‌ای بر قوانین و مقررات مرتبط با داده
• 73. حفاظت از داده‌های شخصی
• 74. قوانین مربوط به مالکیت معنوی داده‌ها
• 75. ملاحظات فرهنگی در مدیریت داده
• 76. مقدمه‌ای بر ابزارهای تحلیل داده
• 77. مقدمه‌ای بر تجسم داده‌ها
• 78. اصول طراحی داشبوردهای مدیریتی
• 79. کاربرد تجسم داده در مهندسی داده
• 80. مقدمه‌ای بر مباحث پیشرفته در مهندسی داده
• 81. مهندسی داده برای کلان‌داده‌ها
• 82. بهینه‌سازی پایپ‌لاین‌های داده
• 83. مقدمه‌ای بر هوش مصنوعی در مهندسی داده
• 84. خودکارسازی فرآیندهای مهندسی داده با AI
• 85. مدیریت ریسک در سیستم‌های داده
• 86. مقدمه‌ای بر آینده مهندسی داده
• 87. روندهای نوظهور در مهندسی داده
• 88. مهندسی داده برای تحلیل بلادرنگ
• 89. اصول طراحی سیستم‌های داده مقیاس‌پذیر و قابل اطمینان
• 90. مدیریت داده‌های جفرافیایی و مکانی
• 91. مقدمه‌ای بر استانداردهای داده در صنعت
• 92. ملاحظات اخلاقی در مهندسی داده
• 93. مهندسی داده برای تجزیه و تحلیل پیشرفته
• 94. مقدمه‌ای بر ابزارهای Data Governance
• 95. مدیریت فراداده (Metadata Management)
• 96. توسعه پایپ‌لاین‌های داده امن و کارآمد
• 97. مقدمه‌ای بر معماری‌های داده توزیع‌شده
• 98. ملاحظات امنیتی در سیستم‌های داده توزیع‌شده
• 99. مدیریت کیفیت داده در سیستم‌های توزیع‌شده
• 100. اصول ارزیابی و انتخاب ابزارهای مهندسی داده