دوره‌ها / مبانی مهندسی داده
حرفه‌ایدوره کلاسی

مبانی مهندسی داده

آموزش مبانی مهندسی داده در مسیر DATA-P03 — مهندس داده؛ سطح L4 (حرفه‌ای) و 40 ساعت آموزش ساختاریافته.

حدود ۴۰ ساعت۱۶ درس
مشاهده و ثبت‌نام دوره

معرفی دوره

معرفی دوره مبانی مهندسی داده

دوره مبانی مهندسی داده با کد DATA-106 در دپارتمان علم داده ارائه می‌شود. این دوره بخشی از DATA-P03 — مهندس داده است و برای یادگیری مرحله‌به‌مرحله موضوع دوره طراحی شده است.

جایگاه دوره در مسیر یادگیری

سطح این دوره L4 (حرفه‌ای) است و 40 ساعت زمان آموزشی دارد. محتوای دوره بر ایجاد درک کاربردی از مبانی مهندسی داده و آماده‌سازی برای ادامه همین مسیر یادگیری تمرکز دارد.

مشخصات کلیدی

  • کد دوره: DATA-106
  • دپارتمان: علم داده
  • مسیر یادگیری: DATA-P03 — مهندس داده
  • سطح: L4 (حرفه‌ای)
  • مدت آموزش: 40 ساعت

برای چه کسانی مناسب است؟

این دوره برای علاقه‌مندانی مناسب است که می‌خواهند مهارت خود را در مبانی مهندسی داده تقویت کنند و مسیر DATA-P03 — مهندس داده را هدفمند ادامه دهند.

سرفصل‌ها و درس‌ها

مبانی مهندسی داده
  • نقش مهندس داده
  • معماری سامانه داده
  • Batch و Streaming
  • Data Lake و Warehouse
جمع‌آوری و تبدیل داده
  • منابع و فرمت‌های داده
  • ETL و ELT
  • کیفیت داده
  • Orchestration مقدماتی
ذخیره‌سازی و پردازش
  • پایگاه داده تحلیلی
  • Partition و Index
  • پردازش توزیع‌شده
  • Metadata و Lineage
پایپ‌لاین قابل اعتماد
  • تست داده
  • Monitoring و Alert
  • امنیت و دسترسی
  • پروژه خط لوله داده

پرسش‌های متداول

دوره «مبانی مهندسی داده» برای چه کسانی مناسب است؟

این دوره برای علاقه‌مندانی مناسب است که می‌خواهند «مبانی مهندسی داده» را در یک مسیر ساختاریافته، پروژه‌محور و قابل استفاده در دنیای واقعی یاد بگیرند.

پیش‌نیاز شرکت در این دوره چیست؟

این دوره پیشرفته است و تسلط عملی بر مبانی و موضوعات سطح متوسط حوزه مربوط توصیه می‌شود.

مدت زمان دوره و شیوه پیشروی چگونه است؟

مدت برنامه‌ریزی‌شده دوره 40 ساعت است. محتوا در ۴ سرفصل و ۱۶ درس مرتب شده و بهتر است درس‌ها به‌ترتیب همراه با تمرین دنبال شوند.

پس از پایان دوره چه توانایی‌ای به دست می‌آورم؟

پس از تکمیل درس‌ها و تمرین‌ها، می‌توانید مباحث دوره را در سناریوهای واقعی به کار بگیرید و با انجام بخش «پایپ‌لاین قابل اعتماد» یک خروجی قابل ارائه برای ادامه مسیر یادگیری یا نمونه‌کار بسازید.