1. صفحه اصلی
  2. »
  3. آموزش
  4. »
  5. آموزش تصویری
  6. »
  7. Udemy – Data Engineering with Python SQL & Spark Full Stack Course 2026-7
Data Engineering with Python SQL & Spark Full Stack Course

Udemy – Data Engineering with Python SQL & Spark Full Stack Course 2026-7

توضیحات

Data Engineering with Python SQL & Spark Full Stack Course دوره آموزشی مبانی مهندسی داده به سمت پردازش پیشرفته داده و توسعه پایپ‌لاین می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. دوره فناوری‌ها و مهارت‌های اصلی موردنیاز برای کار با سیستم‌های مدرن داده، شامل برنامه‌نویسی پایتون، SQL، Apache Spark، Git، Docker، پایگاه‌داده‌ها، data warehousing، گردش‌کارهای ETL و مفاهیم داده بزرگ را پوشش می‌دهد و درکی واقعاً full-stack از نقش مهندسی داده، نه آموزش‌های جدا از هم ابزار، می‌سازد. فراگیران کار خود را با مبانی مهندسی داده آغاز می‌کنند، شامل پایگاه‌داده‌ها، data warehousing، پایپ‌لاین‌های ETL و مفاهیم داده بزرگ، و با پیشرفت دوره از توضیحات سطح مبتدی به قلمروی پیشرفته‌تر پیش می‌روند. این زمینه‌سازی اطمینان حاصل می‌کند فراگیران نه‌تنها نحوه استفاده از ابزارهای فردی، بلکه چرایی ساختاردهی سیستم‌های داده به این شکل و اینکه هر لایه از پشته واقعاً چه مشکلی را حل می‌کند را درک کنند.

بخش اصلی دوره روی برنامه‌نویسی پایتون و SQL تمرکز دارد و به فراگیران می‌آموزد چگونه کوئری‌ها را بنویسند و بهینه کنند در حالی که مهارت‌های عملی پایتون قابل‌کاربرد مستقیم در وظایف مهندسی داده را توسعه می‌دهند. فراگیران همچنین ساختار داده و الگوریتم، طراحی پایگاه‌داده و نحوه ساختاردهی سیستم‌های داده که فراتر از اسکریپت‌های ساده و کوئری‌های تک‌جدولی مقیاس می‌یابند را مطالعه می‌کنند. سپس دوره به ساخت پایپ‌لاین‌های مقیاس‌پذیر داده با استفاده از ابزارها و فناوری‌های مدرن می‌پردازد، شامل Apache Spark برای پردازش توزیع‌شده داده، Hadoop، Kafka برای داده استریم و پلتفرم‌های ابری برای استقرار و مقیاس‌دهی. Git برای توسعه همکارانه معرفی می‌شود و Docker برای ساخت و استقرار محیط‌های سازگار مهندسی داده به‌کار می‌رود و بازتاب‌دهنده نحوه مدیریت مشترک زیرساخت و کد توسط تیم‌های واقعی است. در سراسر دوره، فراگیران بر تکنیک‌های پردازش، تبدیل، ذخیره‌سازی و تحلیل داده مناسب برای مدیریت داده ساختاریافته و غیرساختاریافته واقعی، نه مجموعه‌داده‌های ساده‌شده نمونه، مسلط می‌شوند. در پایان، فراگیران مهارت‌های عملی و full-stack مهندسی داده در سراسر کل پایپ‌لاین، از دریافت داده خام تا تبدیل، ذخیره‌سازی و تحلیل در مقیاس، خواهند داشت.

آنچه در دوره Data Engineering with Python SQL & Spark Full Stack Course یاد خواهید گرفت:

  • یادگیری مبانی مهندسی داده، شامل پایگاه‌داده‌ها، data warehousing، پایپ‌لاین‌های ETL و مفاهیم داده بزرگ از سطح مبتدی تا پیشرفته.
  • ساخت پایپ‌لاین‌های مقیاس‌پذیر داده با استفاده از ابزارها و فناوری‌های مدرن مانند SQL، Python، Apache Spark، Hadoop، Kafka و پلتفرم‌های ابری.
  • تسلط بر تکنیک‌های پردازش، تبدیل، ذخیره‌سازی و تحلیل داده برای مدیریت داده ساختاریافته و غیرساختاریافته واقعی.
  • و …

مشخصات دوره

ناشر: یودمی
مدرس: Kasi Gopi
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 69
مدت زمان آموزش: 47 ساعت و 2 دقیقه

سرفصل های دوره

Data Engineering with Python SQL & Spark Full Stack Course

پیش نیازهای دوره Data Engineering with Python SQL & Spark Full Stack Course

You will learn from scratch and You do not need to have any experience in this course

تصاویر دوره

Data Engineering with Python SQL & Spark Full Stack Course

فیلم معرفی دوره Data Engineering with Python SQL & Spark Full Stack Course

راهنمای نصب

پس از Extract، با Player دلخواه خود مشاهده کنید.

زیرنویس: ندارد

کیفیت: 1080p

لینک دانلود

دانلود بخش 1 – 4 گیگابایت

دانلود بخش 2 – 4 گیگابایت

دانلود بخش 3 – 4 گیگابایت

دانلود بخش 4 – 4 گیگابایت

دانلود بخش 5 – 2.8 گیگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

18.8 گیگابایت

 

رتبه دهید

محاسبه حجم دانلود برای ایرانسل به‌صورت تمام‌بها است.

Download Faster Without Limitation

The data center of free servers has applied a non-Iranian IP restriction on some servers
There is no limitation for VIP servers

برچسب ها:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این قسمت نباید خالی باشد
این قسمت نباید خالی باشد
لطفاً یک نشانی ایمیل معتبر بنویسید.
فقط دیدگاه‌هایی که جنبه‌ی استفاده‌ی عمومی دارد، نمایش داده می‌شود؛ درصورت تمایل به دریافت نتیجه‌ی رسیدگیِ دیدگاه خود، ایمیل معتبر وارد کنید.

فهرست