آموزش مدل سازی داده ها در MongoDB
Data Modeling in MongoDB
مقدمه Introduction
-
مقدمه ای بر مدل سازی داده ها Introduction to data modeling
-
پیش نیازها Prerequisites
-
حوزه مشکل: پروژه رسانه های اجتماعی The problem domain: Social media project
1. مبانی مدلسازی MongoDB 1. MongoDB Modeling Basics
-
Mongo ERD در مقابل SQL Mongo ERD vs. SQL
-
معماری برنامه محور Application-driven architecture
-
مدل سازی اول پرس و جو Query-first modeling
-
چالش: شی مدل "طلایی" را برای یک خرده فروش آنلاین ایجاد کنید Challenge: Create the "golden" model object for an online retailer
-
راه حل Solution
2. مدل سازی پیچیده 2. Complex Modeling
-
اسناد جاسازی شده به عنوان اسناد فرعی Embedded documents as subdocuments
-
اسناد خلاصه و جزئی Summary and partial documents
-
روابط یک به یک One-to-one relationships
-
روابط یک به چند با اسناد جاسازی شده One-to-many relationships with embedded documents
-
روابط یک به چند با مراجع برگشتی One-to-many relationships with back references
-
روابط چند به چند Many-to-many relationships
-
چالش: ایجاد روابط مناسب و خلاصه اسناد برای یک فروشگاه آنلاین Challenge: Create the proper relationships and summary documents for an online store
-
راه حل Solution
-
امتحان فصل Chapter Quiz
3. ابزار پیاده سازی 3. Implementation Tools
-
نسخه بندی طرحواره Schema versioning
-
طرحواره JSON JSON Schema
-
ابزارهای مدلسازی Modeling tools
-
ORM ها ORMs
-
چالش: یک طرحواره در یک ابزار بصری و در Mongoose ایجاد کنید Challenge: Create a schema in a visual tool and in Mongoose
-
راه حل Solution
-
امتحان فصل Chapter Quiz
4. بهترین شیوه ها 4. Best Practices
-
جاسازی در مقابل مراجع Embedding vs. references
-
بهینه سازی: آنتی الگوها Optimization: Antipatterns
-
بهینه سازی: بهترین شیوه ها Optimization: Best practices
-
امتحان فصل Chapter Quiz
نمایش نظرات
نظری ارسال نشده است.
https://donyad.com/d/4647
آموزش سطح بالا: مدل سازی داده پایتون و معیارهای ارزیابی مدل
Level Up: Python Data Modeling and Model Evaluation Metrics
ببینید چگونه مهارت‌های پایتون شما با این 20 چالش کاربردی پایتون ترکیب می‌شود.
Seth Berry
آموزش ضروری تجزیه و تحلیل پیش بینی: تخمین و اطمینان از بازگشت سرمایه
Predictive Analytics Essential Training: Estimating and Ensuring ROI
تجزیه و تحلیل های پیش بینی شده را به یک مرکز سود در سازمان خود تبدیل کنید. بیاموزید که چگونه بازده سرمایه گذاری (ROI) را اندازه گیری کنید و ارزش طولانی مدت پروژه های خود را ثابت کنید.
آموزش تجزیه و تحلیل مشتریان پیش بینی کننده (2017)
Predictive Customer Analytics (2017)
درباره چرخه عمر مشتری و اینکه چگونه تجزیه و تحلیل پیش بینی می تواند سفر مشتری را بهبود بخشد، بیاموزید. با استفاده از تجزیه و تحلیل های پیش بینی برای شناسایی، جذب و حفظ مشتریان کاوش کنید.
آموزش ضروری مدل سازی داده کاساندرا (2017)
Cassandra Data Modeling Essential Training (2017)
در مورد معماری Cassandra - یک پایگاه داده محبوب NoSQL که قادر به مدیریت مقادیر زیادی از داده های با تغییر سریع است - بیاموزید و نحوه طراحی مدل های داده Cassandra را بیاموزید.
John Cokos
مدیر برنامه درسی Code Fellows
جان همچنین مربی اصلی Code Fellows است، جایی که زمینه‌های تخصص او شامل Node.js، MongoDB، سرورهای اکسپرس، APIهای RESTful و ساختن برنامه‌های پشته کامل با ReactJS است. او علاوه بر نقش هدایت مهندسان نوپا در مسیر شغلی خود، مالک یک شرکت نرم افزاری، یک باشگاه ورزشی و مدیر برنامه یک تیم بیسبال جوانان نیز بود.
Linkedin (لینکدین)
لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.
لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.