پی سی دانلود - data-warehouse

این دوره آموزشی تخصصی با تمرکز بر پیاده‌سازی عملی، فراگیران را برای تسلط کامل بر بسترهای مدرن تحلیل داده و فناوری مایکروسافت فابریک آماده می‌سازد. در طول این دوره، شرکت‌کنندگان با مراحل طراحی و اجرای لایه‌های برنز، نقره‌ای و طلایی بر اساس معماری مدالیون آشنا شده و توانایی خود را در ساخت خطوط لوله خودکار، مدیریت لِیک‌هاوس، استفاده از دفترچه‌های اسپارک، جداول دلتا و انبار داده ارتقا می‌دهند. علاوه بر این، ابعاد حیاتی پروژه‌های صنعتی مانند اعتبار سنجی طرح‌واره‌ها، ثبت وقایع و حسابرسی، مدیریت خطاها و پایش هوشمند خطوط انتقال داده به‌طور کامل آموزش داده می‌شود تا برنامه‌های ساخته شده کاملاً آماده ورود به محیط عملیاتی باشند.
هدف اصلی دوره، انتقال تجربه واقعی در زمینه گردش کارهای مهندسی داده در سطح سازمانی است. فراگیران در مسیر آموزش با استانداردهای کدنویسی قابل اتکا، طراحی خطوط لوله بازاستفاده‌پذیر، تکنیک‌های ارکستراسیون و روش‌های سنجش کیفیت داده آشنا می‌شوند. تمرکز تمامی فصل‌ها بر پیاده‌سازی گام‌به‌گام و سناریوهای واقعی است تا دانش‌پژوهان بتوانند پروژه‌هایی مقیاس‌پذیر، قابل نگهداری و استاندارد خلق کنند. در پایان دوره، شرکت‌کنندگان یک پروژه کامل مایکروسافت فابریک همراه با سورس‌کد جامع در اختیار خواهند داشت که می‌توانند با اطمینان کامل آن را در مصاحبه‌های شغلی، رزومه حرفه‌ای و نمونه‌کارهای خود ارائه دهند و مهارتی ارزشمند در حوزه تحلیل داده‌های مدرن به دست آورند.
در دوره آموزشی Microsoft Fabric Medallion Architecture Project | End-to-End با مهندسی داده در مایکروسافت فابریک آشنا خواهید شد.

این دوره آموزشی فرصتی ارزشمند و متمایز را برای علاقه‌مندان به حوزه فناوری فراهم می‌کند تا با ابزارها و مفاهیم بنیادین هوش مصنوعی مدرن به صورت عملی آشنا شوند. برنامه‌ی درسی این دوره به جای تمرکز صرف بر نظریه‌ها و تئوری‌های انتزاعی، بر پایه‌ی سناریوهای واقعی و ساخت پروژه‌های کاربردی طراحی شده است. شرکت‌کنندگان در طول این مسیر یاد می‌گیرند که چگونه اپلیکیشن‌های هوش مصنوعی آماده برای محیط عملیاتی و واقعی را از صفر تا صد و به صورت کامل با استفاده از زبان برنامه‌نویسی پایتون توسعه دهند.
علاوه بر این، دوره یاد شده مهارت‌های مهندسی لازم برای پیاده‌سازی زیرساخت‌های هوشمند را در اختیار فراگیران قرار می‌دهد تا بتوانند مدل‌های هوش مصنوعی را به داده‌های شخصی، سازمانی یا کاتالوگ‌های بزرگ متصل کنند. این رویکرد عملی موجب می‌شود که شرکت‌کنندگان پس از اتمام دوره، توانایی طراحی، توسعه و عیب‌یابی اپلیکیشن‌های هوشمند را در مقیاس واقعی به دست آورند و آمادگی کامل جهت ورود به بازار کار یا ارتقای پروژه‌های شخصی خود در حوزه فناوری‌های پیشرفته را کسب نمایند. در نهایت، این برنامه آموزشی تمام ابزارهای حیاتی برای مبدل شدن به یک مهندس هوش مصنوعی توانمند را در اختیار مخاطبان قرار می‌دهد.
در دوره آموزشی Snowflake Cortex AI: Cortex Code (CoCo), Search & Agents با توسعه اپلیکیشن‌های هوشمند هوش مصنوعی آشنا خواهید شد.

Azure Data Factory (ADF) یک سرویس مبتنی بر فضای ابری برای ETL (استخراج، تبدیل، بارگذاری) و یکپارچه‌سازی داده‌ها است که توسط مایکروسافت ارائه شده است. این سرویس به سازمان‌ها امکان می‌دهد تا داده‌ها را از منابع متعدد، از جمله منابع محلی، در فضای ابری یا در پلتفرم‌های مختلف، انتقال، تبدیل و هماهنگ‌سازی کنند. این سرویس به عنوان خط لوله داده در محیط Azure عمل می‌کند و امکان اتصال، پاک‌سازی و تحویل داده‌ها به سیستم‌هایی مانند دریاچه‌های داده، انبارهای داده، پلتفرم‌های هوش تجاری و خطوط لوله یادگیری ماشین را فراهم می‌آورد. عملکرد Azure Data Factory بر اساس یک رویکرد گردش کاری است که شامل چهار مرحله اصلی است: ADF از طریق سرویس‌های پیوندی به بیش از ۱۰۰ منبع داده مانند SQL Server، Azure Blob Storage، Amazon S3، Google Cloud Storage، Salesforce و SAP متصل می‌شود. داده‌ها به صورت دسته‌ای یا در زمان واقعی دریافت می‌شوند. ADF از Data Flows (یک رابط بصری و بدون نیاز به کد برای تبدیل داده) یا فعالیت‌های سفارشی مانند اسکریپت‌های SQL، وظایف Spark، نوت‌بوک‌های Databricks و رویه‌های ذخیره‌شده استفاده می‌کند. تبدیل‌ها ممکن است شامل ادغام، فیلتر کردن، تجمیع، تبدیل فرمت (مانند تبدیل CSV به JSON و Parquet) و پاک‌سازی داده‌ها باشد.
در دوره آموزشی Azure Data Factory (ADF): Build Scalable Data Pipelines با مبانی Azure Data Factory و ساخت خطوط لوله داده آشنا خواهید شد.

این بخش اول از دوره مهندسی داده در AWS است. این دوره توضیحات مفصلی در مورد سرویس‌های مهندسی داده AWS مانند S3 (سرویس ذخیره‌سازی ساده)، Redshift، Athena، Hive، Glue Data Catalog و Lake Formation ارائه می‌دهد. این دوره به لایه انبار داده یا لایه مصرف و ذخیره‌سازی خط لوله مهندسی داده می‌پردازد. در جلد دوم، سرویس‌های پردازش داده (دسته‌ای و جریانی) را به نمایش خواهد گذاشت. شرکت‌کنندگان فرصت‌هایی برای انجام تمرین‌های عملی با استفاده از مجموعه داده‌های بزرگ (100 گیگابایت تا 300 گیگابایت یا بیشتر داده) خواهند داشت. علاوه بر این، این دوره تمرین‌های عملی ارائه می‌دهد که با سناریوهای زمان واقعی مانند تنظیم عملکرد پرس و جو Redshift، دریافت جریانی، توابع پنجره‌ای، تراکنش‌های ACID، دستور COPY، کلیدهای توزیع و مرتب‌سازی، WLM، امنیت سطح ردیف و ستون، پارتیشن‌بندی Athena، WLM Athena و غیره مطابقت دارند.
در دوره آموزشی Data Engineering on AWS Vol 1 - OLAP & Data Warehouse با مفاهیم و ابزارهای مرتبط با انبار داده در AWS آشنا خواهید شد.

با این دوره آموزشی، متخصص انبار داده شوید: در زمینه‌های ETL، SQL و مدل‌سازی داده با پروژه‌های واقعی سازمانی و راهنمایی متخصصان، مهارت کسب کنید! این دوره که به طور خاص برای مهندسان داده مشتاق، تحلیلگران داده، افرادی که قصد تغییر شغل دارند و متخصصانی که به دنبال مهارت‌های پیشرفته هستند طراحی شده است، به شما کمک می‌کند تا به نتایج شغلی واقعی دست یابید؛ نتایجی مانند به دست آوردن مشاغل پردرآمد، انتقال شغلی روان و آمادگی برای مصاحبه‌های شغلی.  این دوره آموزشی جامع، افراد را برای تبدیل شدن به متخصصان انبار داده آماده می‌کند و مهارت‌های کلیدی در زمینه‌های ETL، SQL و مدل‌سازی داده را از طریق پروژه‌های عملی سازمانی و راهنمایی‌های تخصصی ارائه می‌دهد.
در دوره آموزشی Building a Modern Data Warehouse - Data Engineering Bootcamp با مفاهیم و ابزارهای مرتبط با انبار داده آشنا خواهید شد.

در دنیای امروزی که بر پایه داده بنا شده است، سازمان‌ها حجم بسیار زیادی از داده‌ها را جمع‌آوری و ذخیره می‌کنند. Data Lake ها به عنوان یک جزء حیاتی در این اکوسیستم داده ظهور کرده‌اند. دوره Data Lake Fundamentals برای این طراحی شده است که شما را با دانش و مهارت‌های ضروری برای حرکت در دنیای Data Lake ها مجهز کند. چه یک متخصص داده با تجربه باشید، چه یک دانشمند داده مشتاق، یا یک رهبر کسب‌وکار که می‌خواهد از داده برای تصمیم‌گیری‌های استراتژیک استفاده کند، این دوره برای پاسخگویی به نیازهای شما تنظیم شده است. در این دوره، شرکت‌کنندگان با مفاهیم بنیادی Data Lake ها آشنا می‌شوند و تفاوت آن‌ها را با راهکارهای سنتی ذخیره‌سازی داده درک خواهند کرد. آن‌ها یاد خواهند گرفت که چگونه داده‌ها را با استفاده از روش‌های مختلف، از جمله پردازش دسته‌ای (batch processing) و جریان داده بی‌درنگ (real-time streaming)، به یک Data Lake وارد کنند (ingest). همچنین، دنیای فرمت‌های داده و راهکارهای ذخیره‌سازی، از جمله فرمت‌های فایل محبوب و سیستم‌های ذخیره‌سازی مورد بررسی قرار خواهد گرفت. بخش مهم دیگری از دوره به آماده‌سازی، پاک‌سازی و تبدیل داده‌ها (data transformation) در یک Data Lake برای انجام تحلیل‌های معنادار اختصاص دارد. شرکت‌کنندگان هنر پرس و جو (querying) و تحلیل داده‌های ذخیره شده در Data Lake ها را با استفاده از SQL، Apache Hive و سایر ابزارها فرا خواهند گرفت. در نهایت، جنبه‌های حیاتی حکمرانی داده (data governance)، امنیت (security) و انطباق (compliance) در محیط‌های Data Lake مورد بحث و بررسی قرار خواهد گرفت تا شرکت‌کنندگان بتوانند Data Lake های ایمن و قابل اعتمادی را مدیریت کنند.
در دوره آموزشی Data Lake Fundamentals با مفاهیم کلیدی و نحوه کار با Data Lake ها آشنا خواهید شد.