کتاب صوتی تسلط بر مهندسی و پیش‌پردازش داده‌ها در اکوسیستم AWS برای یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر مهندسی و پیش‌پردازش داده‌ها در اکوسیستم AWS برای یادگیری ماشین

موضوع کلی: علوم داده و هوش مصنوعی

موضوع میانی: مهندسی داده و آماده‌سازی کلان‌داده‌ها در بستر رایانش ابری

📋 سرفصل‌های دوره (100 موضوع)

• 1. مفاهیم بنیادی مهندسی داده در محیط رایانش ابری
• 2. معماری داده‌ها در بستر خدمات وب آمازون
• 3. آشنایی با سرویس ذخیره‌سازی ابری آمازون S3
• 4. اصول امنیت و مدیریت دسترسی داده‌ها در AWS IAM
• 5. آشنایی با پایگاه‌های داده رابطه‌ای در سرویس RDS
• 6. کار با پایگاه‌های داده NoSQL در سرویس DynamoDB
• 7. مفاهیم کلان‌داده و پردازش توزیع شده
• 8. معرفی سرویس AWS Glue برای یکپارچه‌سازی داده‌ها
• 9. طراحی و مدیریت کاتالوگ داده‌ها در AWS Glue Data Catalog
• 10. استفاده از Crawlerها برای شناسایی خودکار ساختار داده‌ها
• 11. پاک‌سازی داده‌ها با استفاده از AWS Glue ETL
• 12. تبدیل فرمت‌های داده‌ای به Parquet و ORC برای بهینه‌سازی
• 13. استفاده از AWS Glue Studio برای طراحی جریان‌های کاری بدون کد
• 14. مبانی پردازش داده‌های حجیم با Apache Spark در AWS
• 15. تنظیمات محیط اجرایی در AWS Glue Jobs
• 16. مدیریت حافظه و منابع در پردازش‌های توزیع شده
• 17. بهینه‌سازی کارایی در Jobهای مبتنی بر Spark
• 18. استفاده از AWS Lake Formation برای مدیریت دریاچه داده
• 19. کنترل دسترسی دقیق و امنیت در دریاچه داده
• 20. آشنایی با سرویس Amazon Athena برای تحلیل داده‌های ساختاریافته
• 21. بهینه‌سازی پرس‌وجوهای SQL در محیط Athena
• 22. استفاده از پارتیشن‌بندی برای کاهش هزینه‌ها و افزایش سرعت
• 23. معرفی سرویس Amazon Kinesis برای پردازش داده‌های جریانی
• 24. پیکربندی Kinesis Data Firehose برای انتقال داده‌ها
• 25. پردازش بلادرنگ جریان‌های داده با Kinesis Data Analytics
• 26. ادغام داده‌های جریانی با مخازن ذخیره‌سازی ابری
• 27. استفاده از AWS Lambda برای پیش‌پردازش داده‌های رویدادمحور
• 28. مانیتورینگ و مشاهده‌پذیری جریان‌های داده با Amazon CloudWatch
• 29. عیب‌یابی خطاهای رایج در خط لوله داده
• 30. مدیریت چرخه حیات داده و سیاست‌های ذخیره‌سازی
• 31. آشنایی با ابزارهای انتقال داده مانند AWS DataSync
• 32. پیاده‌سازی استراتژی‌های اعتبارسنجی کیفیت داده
• 33. پاک‌سازی داده‌های ناقص و مدیریت مقادیر تهی
• 34. مهندسی ویژگی‌ها برای مدل‌های یادگیری ماشین
• 35. ذخیره‌سازی ویژگی‌ها با استفاده از Amazon SageMaker Feature Store
• 36. مدیریت نسخه‌بندی داده‌ها و مدل‌ها
• 37. خودکارسازی خط لوله‌های داده با AWS Step Functions
• 38. برنامه‌ریزی و زمان‌بندی جریان‌های کاری با Amazon EventBridge
• 39. تأمین مقیاس‌پذیری در پردازش‌های کلان‌داده
• 40. مستندسازی خط لوله‌های داده و استانداردهای گزارش‌دهی
• 41. ارائه نهایی داده‌ها برای آموزش مدل‌های هوش مصنوعی