آموزش مبانی NoSQL: دیتابیس‌های کلید-مقدار (Key-value) - آخرین آپدیت

دانلود NoSQL Foundations: Key-value Databases

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: بسیاری از اپلیکیشن‌های مدرن به ذخیره‌سازی داده‌های سریع و مقیاس‌پذیر نیاز دارند، اما دیتابیس‌های رابطه‌ای سنتی همیشه نمی‌توانند عملکرد یا انعطاف‌پذیری مورد نیاز را ارائه دهند. در این دوره آموزشی با عنوان «مبانی NoSQL: دیتابیس‌های کلید-مقدار»، شما توانایی مدل‌سازی و مدیریت داده‌ها را با استفاده از دیتابیس‌های NoSQL کلید-مقدار با کارایی بالا کسب خواهید کرد. در ابتدا، مفاهیم بنیادی دیتابیس‌های کلید-مقدار و تفاوت آن‌ها با سایر انواع NoSQL را بررسی می‌کنید. سپس، نحوه استفاده از موتورهای کلید-مقدار مانند Redis، DynamoDB و RocksDB برای ذخیره و بازیابی داده‌ها را خواهید آموخت. در نهایت، یاد می‌گیرید که چگونه الگوهای کلید-مقدار مانند کشینگ (Caching)، مدیریت نشست‌ها (Session Management) و جذب داده‌های حجیم را در سناریوهای واقعی پیاده‌سازی کنید. پس از اتمام این دوره، مهارت‌ها و دانش لازم در مورد دیتابیس‌های کلید-مقدار را برای طراحی راهکارهای کارآمد و مقیاس‌پذیر برای اپلیکیشن‌های مدرن به‌ دست خواهید آورد.

سرفصل ها و درس ها

درک مدل داده‌های کلید-مقدار و نقش آن در سیستم‌های داده مدرن Understand the Key-value Data Model and Its Role in Modern Data Systems

  • دیتابیس کلید-مقدار چیست؟ What Is a Key-value Database?

  • مقایسه مدل کلید-مقدار با سایر مدل‌های NoSQL Key-value vs. Other NoSQL Models

  • ویژگی‌های عملکردی ذخیره‌سازهای کلید-مقدار Performance Characteristics of Key-value Stores

  • موارد استفاده واقعی از دیتابیس‌های کلید-مقدار Real-world Use Cases for Key-value Databases

درک توازن‌ها، مقیاس‌پذیری و الگوهای طراحی مرتبط با دیتابیس‌های کلید-مقدار Understand the Trade-offs, Scalability, and Design Patterns Associated with Key-value Databases

  • مقیاس‌پذیری دیتابیس‌های کلید-مقدار Scaling Key-value Databases

  • درک مدل‌های سازگاری (Consistency Models) Understanding Consistency Models

  • محدودیت‌های سیستم‌های کلید-مقدار Limitations of Key-value Systems

  • الگوهای طراحی در سیستم‌های کلید-مقدار Design Patterns in Key-value Systems

مقایسه گزینه‌های رایج دیتابیس کلید-مقدار و انتخاب گزینه مناسب بر اساس نیاز Compare Common Key-value Database Options and Pick the Right One for Your Needs

  • مروری بر دیتابیس‌های محبوب کلید-مقدار Overview of Popular Key-value Databases

  • مقایسه بر اساس ویژگی‌های کلیدی Comparison by Key Characteristics

  • فاکتورهای تصمیم‌گیری برای انتخاب دیتابیس کلید-مقدار Decision Factors for Choosing a Key-value Database

  • بهترین روش‌ها و نکات برای ارزیابی Best Practices and Tips for Evaluation

کار با Redis Work with Redis

  • ردیس (Redis) چیست؟ What Is Redis?

  • نقاط قوت و محدودیت‌های Redis Strengths and Limitations of Redis

  • دمو: ساخت یک جدول رده‌بندی (Leaderboard) با Redis Demo: Building a Redis-powered Leaderboard

کار با Amazon DynamoDB Work with Amazon DynamoDB

  • آشنایی با Amazon DynamoDB Introduction to Amazon DynamoDB

  • نقاط قوت و ضعف DynamoDB Strengths and Weaknesses of DynamoDB

  • دمو: ساخت API کاتالوگ محصولات با DynamoDB Demo: Building a Product Catalog API with DynamoDB

کار با RocksDB Work with RocksDB

  • دیتابیس RocksDB چیست؟ What Is RocksDB?

  • نقاط قوت و ضعف RocksDB Strengths and Weaknesses of RocksDB

  • دمو: ایجاد ذخیره‌ساز محلی کلید-مقدار با RocksDB در پایتون Demo: Local Key-value Store with RocksDB in Python

نمایش نظرات

آموزش مبانی NoSQL: دیتابیس‌های کلید-مقدار (Key-value)
جزییات دوره
1h 26m
21
(آخرین آپدیت)
9
از 5
دارد
دارد
دارد
Harsh Karna
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Harsh Karna Harsh Karna

Harsh یک مهندس نرم افزار ماهر با بیش از 4 سال تجربه در مهندسی داده ها و توسعه نرم افزار است. او در فن آوری های داده های بزرگ مانند Hadoop ، Spark و SQL به همراه سیستم عامل های ابری مانند AWS و Azure تخصص زیادی دارد ، جایی که او ETL قوی و چارچوب های داده را بر روی سیستم عامل هایی مانند Snowflake و Databricks ساخته است. در زبانهای برنامه نویسی مانند پایتون ، SQL و جاوا مهارت دارد ، Harsh همچنین در چارچوب های Django و Flask تجربه دارد. کار وی شامل طراحی و اجرای خطوط لوله داده ، دریاچه های داده و انبارهای داده است. HARSH با سابقه ای در علوم داده ، یادگیری ماشین و آمار ، به پروژه های متنوعی از جمله پردازش زبان طبیعی و دید رایانه کمک کرده است. او به عنوان یک فریلنسر ، پروژه هایی را در مهندسی داده ها ، داده های بزرگ ، محاسبات ابری ، تجزیه و تحلیل داده ها و ژنرال هوش مصنوعی مقابله می کند. در خارج از کار ، سخت عاشق مسافرت ، یادگیری در مورد فرهنگ های جدید و ملاقات با مردم از سراسر جهان است. او مربیگری رایگان را به دانشجویان و افراد متقاضی شغل ارائه می دهد و به آنها کمک می کند تا در صنعت فناوری حرکت کنند.