کتاب صوتی جامع آمادگی آزمون مهندسی داده AWS (مبتنی بر استانداردهای بین‌المللی پردازش ابری)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع آمادگی آزمون مهندسی داده AWS (مبتنی بر استانداردهای بین‌المللی پردازش ابری)

موضوع کلی: فناوری اطلاعات و علوم داده

موضوع میانی: مهندسی داده و مدیریت زیرساخت‌های ابری

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی رایانش ابری و زیرساخت‌های آمازون
• 2. نقش و مسئولیت‌های مهندس داده در اکوسیستم ابری
• 3. آشنایی با سرویس ذخیره‌سازی ابری S3 و مدل‌های دسترسی
• 4. امنیت داده‌ها و مدیریت سطوح دسترسی با IAM
• 5. مبانی شبکه در ابر و پیکربندی VPC برای انتقال داده
• 6. انتقال داده‌ها به فضای ابری با استفاده از AWS DataSync
• 7. معرفی سرویس پایگاه داده رابطه‌ای Amazon RDS
• 8. مدیریت پایگاه‌های داده مقیاس‌پذیر با Amazon Aurora
• 9. آشنایی با پایگاه‌های داده غیررابطه‌ای و DynamoDB
• 10. مدل‌سازی داده‌ها در محیط‌های ابری
• 11. مفاهیم پردازش دسته‌ای و جریانی در داده‌های کلان
• 12. معرفی سرویس Amazon EMR برای پردازش داده‌های توزیع شده
• 13. کار با Apache Spark در محیط ابری
• 14. استفاده از AWS Glue برای استخراج و تبدیل داده‌ها
• 15. طراحی و مدیریت خط لوله داده با AWS Glue ETL
• 16. استقرار و اجرای کدهای پردازشی با AWS Lambda
• 17. آشنایی با انبارهای داده ابری و Amazon Redshift
• 18. بهینه‌سازی عملکرد کوئری‌ها در Amazon Redshift
• 19. مدیریت جریان‌های داده بلادرنگ با Amazon Kinesis
• 20. تجمیع و تحلیل داده‌ها با Amazon Athena
• 21. استفاده از AWS Step Functions برای ارکستراسیون خط لوله‌ها
• 22. مانیتورینگ و مشاهده‌پذیری داده‌ها با Amazon CloudWatch
• 23. مدیریت لاگ‌ها و عیب‌یابی زیرساخت‌های داده
• 24. استراتژی‌های پشتیبان‌گیری و بازیابی داده‌ها
• 25. مدیریت چرخه حیات داده‌ها و آرشیو کردن در S3
• 26. یکپارچه‌سازی سرویس‌های داده با Amazon EventBridge
• 27. مفاهیم انبارش داده (Data Lake) در مقیاس ابری
• 28. حکمرانی داده و رعایت استانداردهای امنیتی در ابر
• 29. رمزنگاری داده‌ها در حال انتقال و در حال سکون
• 30. مدیریت هزینه‌ها و بهینه‌سازی منابع داده در ابر
• 31. آشنایی با ابزارهای خودکارسازی زیرساخت (IaC) و AWS CloudFormation
• 32. استقرار خط لوله‌های داده با استفاده از CI/CD
• 33. تحلیل کیفیت داده‌ها و پاک‌سازی در محیط ابری
• 34. مدیریت تغییرات و نسخه‌بندی در پروژه‌های مهندسی داده
• 35. آشنایی با سرویس‌های یادگیری ماشین برای مهندسان داده در SageMaker
• 36. پیش‌پردازش داده‌ها برای مدل‌های هوش مصنوعی در ابر
• 37. مدیریت توزیع داده‌ها بین مناطق جغرافیایی مختلف
• 38. بررسی معماری‌های مرجع مهندسی داده در AWS
• 39. آمادگی برای آزمون و تحلیل سناریوهای عملیاتی
• 40. مرور نهایی مباحث و حل تمرین‌های جامع مهندسی داده