آموزش بوت‌کمپ مهندسی داده (Data Engineering) - آخرین آپدیت

دانلود Data Engineering Bootcamp

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مبانی مهندسی داده را بیاموزید: معماری داده، تفاوت ETL و ELT، خط لوله‌های ابری (Cloud Pipelines) و مدیریت گردش کار (Workflow Orchestration) در این دوره شما موارد زیر را خواهید آموخت: - درک مفاهیم کلیدی مهندسی داده - پیاده‌سازی اصول معماری داده - ساخت خط لوله‌های داده مبتنی بر ابر (Cloud-based Data Pipelines) - پردازش و تبدیل داده‌ها برای تحلیل‌های پیشرفته - مدیریت و اتوماسیون گردش‌های کاری - تکمیل یک پروژه جامع مهندسی داده از ابتدا تا انتها پیش‌نیازها: - عدم نیاز به تجربه قبلی در مهندسی داده - دانش پایه برنامه‌نویسی - درک مقدماتی از مفاهیم داده

داده‌ها نفت جدید عصر حاضر هستند، اما بدون سیستم‌های مناسب برای جمع‌آوری، ذخیره‌سازی و پردازش، داده‌ها به‌سرعت بلااستفاده می‌شوند. اینجاست که مهندسی داده (Data Engineering)وارد عمل می‌شود. این بوت‌کمپ مهندسی دادهطراحی شده است تا شما را از مفاهیم بنیادی به یک پروژه عملی و جامع برساند که در آن یک خط لوله داده (Data Pipeline) کامل را ساخته و مستقر خواهید کرد.

ما با مبانی مهندسی دادهشروع می‌کنیم و بررسی می‌کنیم که مهندسی داده چیست، چه تفاوتی با نقش‌هایی مانند تحلیلگر یا دانشمند داده دارد و چرا در دنیای داده‌محور امروز یک مهارت حیاتی است. شما از طریق کوییزها و فعالیت‌های تعاملی، با گردش کار مهندسی داده، نقش‌های مختلف و سناریوهای واقعی آشنا خواهید شد.

سپس به سراغ معماری دادهمی‌رویم و رویکردهای سنتی را با مدرن مقایسه می‌کنیم، پارادایم‌های ذخیره‌سازی داده را درک کرده و تفاوت‌های ETL در مقابل ELT و خط لوله‌های دسته‌ای (Batch) در مقابل جریانی (Streaming) را بررسی می‌کنیم. شما دانش خود را از طریق کاربرگ‌ها و تمرینات طراحی تقویت خواهید کرد.

بخش برجسته این دوره، پروژه عملیاست که در آن شما:

  • داده‌های خام را وارد یک AWS S3 Data Lakeمی‌کنید

  • مجموعه داده‌ها را برای تحلیل پردازش و تبدیل می‌کنید

  • نتایج را در قالب‌های مختلف سازماندهی و ذخیره می‌کنید

  • گردش‌های کاری را با استفاده از Prefectبرای اتوماسیون، زمان‌بندی و نظارت مدیریت می‌کنید

در پایان این دوره، شما نه تنها تئوری‌ها را درک می‌کنید، بلکه تجربه عملی و آماده برای بازار کار در ساخت خط لوله‌های داده ابری کسب خواهید کرد. چه یک مهندس داده آینده باشید، چه تحلیلگر داده‌ای که به دنبال ارتقای سطح است و چه کسی که قصد تغییر مسیر شغلی به حوزه داده را دارد، این بوت‌کمپ اعتمادبه‌نفس و مهارت‌های لازم برای موفقیت را به شما می‌دهد.


سرفصل ها و درس ها

مقدمه Introduction

  • محتوای دوره Course Content

  • اطلاعات دوره Course Information

  • فایل‌های منبع Source Files

آشنایی با مهندسی داده Introduction to Data Engineering

  • مشکل داده‌ها! The Data Problem!

  • تعریف مهندسی داده: ETL در مقابل ELT Data Engineering Definition - ETL Vs ELT

  • اکوسیستم مهندسی داده Data Engineering Ecosystem

  • چرا مهندسی داده اهمیت دارد؟ Why Data Engineering Matters?

  • مهندسی داده در مقابل سایر نقش‌ها Data Engineering Vs Other Roles

  • اهمیت مهندسی داده: مثال‌های واقعی Importance of Data Engineering-Real World Example

نصب‌های مورد نیاز Required Installations

  • نصب Git Git Installation

  • مخزن GitHub و VSCode GitHub Repo & VSCode

  • محیط مجازی و پکیج‌های پایتون Virtual Environ and Python Packages

  • نصب Docker Desktop Docker Desktop Installation

معرفی پروژه عملی Hands-On Project Introduction

  • مقدمه Introduction

  • درک داده‌ها Understanding the Data

  • حساب کاربری AWS AWS Account

  • اعتبارسنجی AWS AWS Credentials

  • ساخت AWS S3 Bucket AWS S3 Bucket

  • اتصال و تست AWS AWS Connection and Test

پروژه عملی: ورود داده‌ها (Data Ingestion) Hands-On Project - Data Ingestion

  • ورود داده‌ها: اتصال ابری Data Ingestion - Cloud Connection

  • ورود داده‌ها: تعریف مسیر داده Data Ingestion - Define the Data Path

  • ورود داده‌ها: دریافت لیست فایل‌های داده Data Ingestion - Get the List of Data Files

  • ورود داده‌ها: آپلود داده‌ها Data Ingestion - Upload Data

  • ورود داده‌ها: تایید نهایی Data Ingestion - Verification

  • ورود داده‌ها: اجرا، عیب‌یابی و ارزیابی Data Ingestion - Execution, Debugging, Evaluation

پروژه عملی: توسعه خط لوله ETL Hands-On Project - ETL Pipeline Development

  • مقدمه Introduction

  • خط لوله ETL: ساختار ETL Pipeline - Structure

  • خط لوله ETL: تابع استخراج (Extracting) ETL Pipeline - Extracting Function

  • خط لوله ETL: بخش تبدیل (Transforming) قسمت اول ETL Pipeline - Transforming Part1

  • خط لوله ETL: بخش تبدیل قسمت دوم ETL Pipeline - Transforming Part2

  • خط لوله ETL: بخش تبدیل قسمت سوم ETL Pipeline - Transforming Part3

  • خط لوله ETL: بخش تبدیل قسمت چهارم ETL Pipeline - Transforming Part4

  • خط لوله ETL: معیارهای تجاری قسمت اول ETL Pipeline - Business Metrics Part1

  • تمرین: معیار عملکرد محصول Exercise - Product Performance Metric

  • پاسخ تمرین Exercise Solution

  • تمرین: معیار درآمد فروش Exercise - Sales Revenue Metric

  • پاسخ تمرین Exercise Solution

  • خط لوله ETL: بارگذاری در S3 قسمت اول ETL Pipeline - Loading to S3 Part1

  • خط لوله ETL: بارگذاری در S3 قسمت دوم ETL Pipeline - Loading to S3 Part2

  • خط لوله ETL: اجرای نهایی ETL Pipeline - Final Execution

پروژه عملی: مدیریت گردش کار (Orchestration) Hands-On Project - Orchestration

  • مقدمه Introduction

  • جریان (Flow): مثال ساده Flow - Simple Example

  • وظیفه (Task): مثال ساده Task - Simple Example

  • استقرار (Deployment): مثال ساده Deployment - Simple Example

  • استخر کاری (Work Pool): مثال ساده Work Pool - Simple Example

  • مدیریت گردش کار: پروژه عملی قسمت اول Orchestration - Hands-On Project Part1

  • مدیریت گردش کار: پروژه عملی قسمت دوم Orchestration - Hands-On Project Part2

پروژه عملی: کانتینرسازی Hands-On Project - Containerization

  • مقدمه‌ای بر کانتینرسازی Introduction to Containerization

  • فایل Dockerfile و Docker Compose Docker File and Docker Compose

  • ساخت ایمیج و اجرا Image Creation and Execution

نمایش نظرات

آموزش بوت‌کمپ مهندسی داده (Data Engineering)
جزییات دوره
9.5 hours
50
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,371
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Shirzadi Navid Shirzadi

Data Analyst - Optimization Expert نام من نوید شیرزید است و من بسیار خوشحالم که شما برای خواندن این بخش اینجا هستید! من یک محقق با بیش از 7 سال تجربه در زمینه کنترل سیستم های انرژی یکپارچه با مهارت گسترده در استفاده از استراتژی های بهینه سازی ریاضی هستم. من همچنین در برنامه نویسی با پایتون و توسعه مدل های یادگیری ماشین و یادگیری عمیق برای برنامه های مختلف مهارت دارم. من چندین نشریه در زمینه طراحی و کنترل استراتژی های سیستم های انرژی با استفاده از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی دارم. به عنوان نتیجه گیری ، من علاقه زیادی به علم داده و یادگیری ماشین و برنامه های بهینه سازی در مشکلات دنیای واقعی دارم و واقعاً دوست دارم تجربه خود را با شما در میان بگذارم!