کتاب صوتی توسعه برنامه‌های کاربردی با پایگاه داده NoSQL (Amazon DynamoDB)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره توسعه برنامه‌های کاربردی با پایگاه داده NoSQL (Amazon DynamoDB)

موضوع کلی: فناوری اطلاعات و توسعه نرم‌افزار

موضوع میانی: پایگاه‌های داده و مدیریت داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 2. مفاهیم کلیدی پایگاه‌های داده NoSQL
• 3. مزایای استفاده از پایگاه‌های داده NoSQL
• 4. تفاوت پایگاه‌های داده رابطه‌ای و NoSQL
• 5. معماری پایگاه داده Amazon DynamoDB
• 6. مدل داده‌ای DynamoDB: جداول، آیتم‌ها و صفات
• 7. مفاهیم کلید اصلی و کلید ترکیبی در DynamoDB
• 8. طراحی شمای جدول در DynamoDB
• 9. شاخص‌های ثانویه سراسری (GSI)
• 10. شاخص‌های ثانویه محلی (LSI)
• 11. عملیات CRUD در DynamoDB
• 12. خواندن داده‌ها از DynamoDB
• 13. نوشتن داده‌ها در DynamoDB
• 14. به‌روزرسانی داده‌ها در DynamoDB
• 15. حذف داده‌ها از DynamoDB
• 16. کوئری زدن در DynamoDB
• 17. اسکن کردن در DynamoDB
• 18. مدیریت تراکنش‌ها در DynamoDB
• 19. سازگاری داده‌ها در DynamoDB
• 20. استراتژی‌های پارتیشن‌بندی در DynamoDB
• 21. مقیاس‌پذیری در DynamoDB
• 22. کارایی در DynamoDB
• 23. بهینه‌سازی کوئری‌ها در DynamoDB
• 24. بهینه‌سازی نوشتن در DynamoDB
• 25. مدیریت هزینه‌ها در DynamoDB
• 26. ملاحظات امنیتی در DynamoDB
• 27. رمزنگاری داده‌ها در DynamoDB
• 28. مدیریت دسترسی با IAM در DynamoDB
• 29. تهیه نسخه پشتیبان و بازیابی در DynamoDB
• 30. همگام‌سازی داده‌ها در DynamoDB
• 31. استفاده از DynamoDB Streams
• 32. پردازش رویدادها با Lambda و DynamoDB
• 33. طراحی برنامه‌های کاربردی مقیاس‌پذیر با DynamoDB
• 34. الگوهای طراحی برای DynamoDB
• 35. الگوهای پر کردن داده‌ها (Data Denormalization)
• 36. الگوهای پرس‌وجو (Query Patterns)
• 37. الگوهای به‌روزرسانی (Update Patterns)
• 38. الگوهای تراکنش (Transaction Patterns)
• 39. مدیریت نسخه‌بندی داده‌ها در DynamoDB
• 40. استفاده از DynamoDB Global Tables
• 41. استراتژی‌های مهاجرت داده به DynamoDB
• 42. ابزارهای توسعه برای DynamoDB
• 43. DynamoDB و AWS SDKs
• 44. استفاده از AWS CLI برای DynamoDB
• 45. تست و عیب‌یابی برنامه‌های DynamoDB
• 46. پایش عملکرد DynamoDB
• 47. مقایسه DynamoDB با سایر پایگاه‌های داده NoSQL
• 48. DynamoDB و معماری میکروسرویس
• 49. DynamoDB در اینترنت اشیاء (IoT)
• 50. DynamoDB برای برنامه‌های موبایل
• 51. DynamoDB برای بازی‌ها
• 52. DynamoDB برای محتوای پویا
• 53. DynamoDB و تحلیل داده‌ها
• 54. مقدمه‌ای بر مفاهیم پایگاه داده ستونی
• 55. کاربرد پایگاه داده ستونی در تحلیل داده
• 56. مفاهیم کلیدی پایگاه داده کلید-مقدار
• 57. کاربرد پایگاه داده کلید-مقدار در کشینگ
• 58. مقدمه‌ای بر پایگاه داده گراف
• 59. کاربرد پایگاه داده گراف در شبکه‌های اجتماعی
• 60. مفاهیم اولیه پایگاه داده سند-گرا
• 61. کاربرد پایگاه داده سند-گرا در مدیریت محتوا
• 62. مدل‌سازی داده‌ها در پایگاه داده سند-گرا
• 63. فهرست‌بندی و جستجو در پایگاه داده سند-گرا
• 64. کارایی در پایگاه داده سند-گرا
• 65. مقیاس‌پذیری در پایگاه داده سند-گرا
• 66. امنیت در پایگاه داده سند-گرا
• 67. مدیریت تراکنش‌ها در پایگاه داده سند-گرا
• 68. مقدمه‌ای بر معماری‌های توزیع‌شده
• 69. اصول پایگاه‌های داده توزیع‌شده
• 70. موازی‌سازی در پایگاه‌های داده توزیع‌شده
• 71. مدیریت تضاد در داده‌های توزیع‌شده
• 72. اصول CAP Theorem
• 73. کاربرد CAP Theorem در طراحی سیستم‌ها
• 74. مدیریت توزیع‌شده خطا
• 75. مفاهیم Leading و Following در سیستم‌های توزیع‌شده
• 76. سازگاری نهایی (Eventual Consistency)
• 77. روش‌های دستیابی به سازگاری نهایی
• 78. ملاحظات عملی در پایگاه‌های داده توزیع‌شده
• 79. انتخاب پایگاه داده NoSQL مناسب
• 80. مراحل انتخاب پایگاه داده NoSQL
• 81. معیارهای ارزیابی پایگاه داده NoSQL
• 82. ملاحظات اقتصادی در انتخاب پایگاه داده
• 83. ملاحظات امنیتی در انتخاب پایگاه داده
• 84. ملاحظات قانونی و مقرراتی در انتخاب پایگاه داده
• 85. استانداردهای داده و حاکمیت داده
• 86. مدیریت چرخه عمر داده
• 87. ارزیابی ریسک در مدیریت داده
• 88. اصول حفظ حریم خصوصی داده‌ها
• 89. مقررات حفاظت از داده‌ها
• 90. اهمیت داده‌های پاک و معتبر
• 91. روش‌های پاک‌سازی داده‌ها
• 92. تکنیک‌های اعتبارسنجی داده‌ها
• 93. مدیریت کیفیت داده
• 94. اهمیت مستندسازی داده‌ها
• 95. اصول خوشه‌بندی داده‌ها
• 96. کاربرد خوشه‌بندی در تحلیل داده
• 97. مقدمه‌ای بر مفاهیم یادگیری ماشین
• 98. کاربرد پایگاه‌های داده در یادگیری ماشین
• 99. آماده‌سازی داده‌ها برای یادگیری ماشین
• 100. استفاده از پایگاه داده برای ذخیره مدل‌های یادگیری ماشین