آموزش آشنایی با مهندسی داده در AWS: منبع‌یابی و ذخیره‌سازی داده‌ها - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مهندسی داده با AWS Data engineering with AWS

1. مهندسی داده 1. Data Engineering

• آشنایی با خط لوله مهندسی داده Introduction to data engineering pipeline

• مروری بر مهندسی داده Overview of data engineering

• انواع داده‌ها Types of data

• اهمیت مهندسی داده Importance of data engineering

• مروری بر دریاچه‌های داده (Data Lakes) Overview of data lakes

2. منابع داده 2. Data Sources

• راهکار: DynamoDB Solution: DynamoDB

• درک پارتیشن‌ها و استریم‌های DynamoDB Understanding DynamoDB partitions and streams

• مروری بر منابع داده Overview of data sources

• معرفی کلی DynamoDB DynamoDB overview

• آزمایشگاه: ایجاد جداول DynamoDB از طریق اسکریپت پایتون Lab: Create DynamoDB tables via Python script

• آزمایشگاه: تنظیم CLI برای ایجاد جداول DynamoDB Lab: Set up CLI to create DynamoDB tables

• چالش: DynamoDB Challenge: DynamoDB

3. جذب داده (Ingestion) 3. Ingestion

• تولیدکنندگان و مصرف‌کنندگان Kinesis Kinesis producers and consumers

• دموی Firehose Demo Firehose

• مروری بر جذب داده و ملاحظات طراحی Data ingestion overview and design considerations

• چشم‌انداز تکنولوژی‌های جذب داده Ingestion technology landscape

• سرویس Kinesis Data Firehose Kinesis Data Firehose

• مروری بر Kinesis Data Streams Kinesis Data Streams overview

4. ذخیره‌سازی 4. Storage

• امنیت Amazon S3 و اعلان‌های رویداد Amazon S3 security and event notifications

• مروری بر ذخیره‌سازی داده‌ها و ملاحظات طراحی Data storage overview and design considerations

• معرفی کلی Amazon S3 Amazon S3 overview

• نسخه‌بندی و رمزنگاری در Amazon S3 Amazon S3 Versioning and encryption

• چشم‌انداز تکنولوژی‌های ذخیره‌سازی Storage technology landscape

• چالش: Amazon S3 Challenge: Amazon S3

• کلاس‌های ذخیره‌سازی و قوانین چرخه عمر در Amazon S3 Amazon S3 storage classes and lifecycle rules

• راهکار: Amazon S3 Solution: Amazon S3

• مروری بر Elastic Cache Elastic cache overview

جمع‌بندی Conclusion

• گام‌های بعدی Next steps