کتاب صوتی جامع مهندسی داده با AWS: پیاده‌سازی ۱۵ پروژه کاربردی و عملیاتی در مقیاس سازمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع مهندسی داده با AWS: پیاده‌سازی ۱۵ پروژه کاربردی و عملیاتی در مقیاس سازمانی

موضوع کلی: علوم داده و مهندسی داده در زیرساخت‌های ابری

موضوع میانی: طراحی و پیاده‌سازی خط‌لوله‌های داده (Data Pipelines) در بستر AWS

📋 سرفصل‌های دوره

• 1. آشنایی با سرویس‌های کلیدی AWS در مهندسی داده
• 2. مدیریت دسترسی‌ها و امنیت داده‌ها در محیط ابری با IAM
• 3. ذخیره‌سازی داده‌های حجیم در Amazon S3
• 4. طراحی و مدیریت جداول در Amazon DynamoDB
• 5. اصول پایگاه داده‌های رابطه‌ای در Amazon RDS
• 6. مبانی سرویس Amazon Redshift برای تحلیل داده‌ها
• 7. کار با پایگاه داده‌های مقیاس‌پذیر در Amazon Aurora
• 8. مفاهیم و معماری خط‌لوله‌های داده (Data Pipelines)
• 9. استخراج و بارگذاری داده با AWS Glue
• 10. تبدیل و پالایش داده‌ها با استفاده از Glue ETL
• 11. مدیریت کاتالوگ داده‌ها در AWS Glue Data Catalog
• 12. آشنایی با Amazon Kinesis برای پردازش داده‌های جریانی
• 13. پیاده‌سازی پردازش بلادرنگ با Kinesis Data Firehose
• 14. تحلیل داده‌های جریانی با Kinesis Data Analytics
• 15. ارکستراسیون جریان‌های کاری با AWS Step Functions
• 16. زمان‌بندی و مدیریت وظایف با Amazon Managed Workflows for Apache Airflow
• 17. انتقال داده‌ها به فضای ابری با AWS DataSync
• 18. یکپارچه‌سازی داده‌ها با Amazon AppFlow
• 19. تحلیل داده‌های حجیم با استفاده از Amazon Athena
• 20. مدیریت کوئری‌های تحلیلی پیچیده با بهینه‌سازی در Redshift
• 21. مانیتورینگ و مشاهده‌پذیری داده‌ها با Amazon CloudWatch
• 22. ایمن‌سازی داده‌های در حال انتقال و در حال سکون با AWS KMS
• 23. پیاده‌سازی دریاچه داده (Data Lake) در AWS
• 24. مدیریت چرخه حیات داده و سیاست‌های نگهداری در S3
• 25. بهینه‌سازی هزینه‌های ذخیره‌سازی و پردازش داده در AWS
• 26. استفاده از AWS Lambda برای پردازش‌های رویدادمحور در خط‌لوله‌ها
• 27. یکپارچه‌سازی داده‌ها با Amazon EventBridge
• 28. طراحی معماری داده‌های توزیع‌شده و مقیاس‌پذیر
• 29. استفاده از Amazon EMR برای پردازش‌های توزیع‌شده با Spark
• 30. مدیریت خوشه‌های پردازشی در محیط‌های ابری
• 31. پیاده‌سازی انبار داده (Data Warehouse) در مقیاس سازمانی
• 32. مبانی مدل‌سازی داده‌ها برای تحلیل‌های هوش تجاری
• 33. اتصال ابزارهای هوش تجاری به منابع داده در AWS
• 34. مدیریت کیفیت و پاک‌سازی داده‌ها در خط‌لوله‌ها
• 35. پیاده‌سازی استراتژی‌های پشتیبان‌گیری و بازیابی فاجعه
• 36. ارزیابی عملکرد و رفع گلوگاه‌های خط‌لوله‌های داده
• 37. اتوماسیون استقرار زیرساخت داده با AWS CloudFormation
• 38. استفاده از Infrastructure as Code برای مدیریت منابع داده
• 39. تکنیک‌های افزایش سرعت بارگذاری داده در سیستم‌های حجیم
• 40. مدیریت لاگ‌ها و عیب‌یابی خط‌لوله‌های داده
• 41. ملاحظات امنیتی در اشتراک‌گذاری داده‌ها میان سرویس‌ها
• 42. طراحی خط‌لوله‌های داده با رویکرد پایداری و تاب‌آوری
• 43. پیاده‌سازی سیستم‌های تحلیل داده مبتنی بر میکروسرویس‌ها
• 44. بررسی الگوهای طراحی برای داده‌های ساختاریافته و نیمه‌ساختاریافته
• 45. مدیریت انطباق داده‌ها با مقررات و استانداردهای داخلی
• 46. تست و اعتبارسنجی خروجی‌های خط‌لوله‌های داده
• 47. بهینه‌سازی مصرف منابع در پردازش‌های سنگین داده
• 48. جمع‌بندی و پیاده‌سازی پروژه نهایی یکپارچه در AWS