تسلط به Dremio: راهنمای مقدماتی
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درکی عمیق از معماری و راهاندازی Dremio (در فضای ابری و محلی)
- توانایی اتصال به داده خام (S3، پایگاههای داده، فایلها) در چند دقیقه
- تسلط به مجموعه داده مجازی (VDS)، بازتابها و اجرای SQL روی دریاچه داده
- چگونگی نوشتن کوئریهای SQL به طور مستقیم روی داده خام (CSV، JSON ،Parquet و غیره)
- چگونگی کارکرد معماری Dremio - بازتابها، شتابدهندهها و موتورها
- مدیریت مجموعه داده فیزیکی و مجازی (PDS و VDS)
پیشنیازهای دوره
- هیچ دانش قبلی از Dremio یا دریاچههای داده مورد نیاز نیست - همه چیز از ابتدا آموزش داده میشود!
توضیحات دوره
تسلط به Dremio: راهنمای مقدماتی
قدرت تحلیل داده مدرن را با Dremio آزاد کنید – همراه نهایی شما برای SQL پرسرعت، کوئریهای دریاچه داده و یکپارچهسازیهای هوش تجاری (BI)!
آنچه خواهید آموخت:
- نصب و پیکربندی Dremio روی سیستم خود یا در فضای ابری
- اتصال به منابع داده متنوع مانند S3، پایگاههای داده SQL و موارد دیگر
- ایجاد و مدیریت مجموعه داده، بازتابها و مجموعه داده مجازی (VDS)
- نوشتن کوئریهای SQL سریع و مقیاسپذیر روی ذخیرهساز دریاچه داده
- یکپارچهسازی Dremio با ابزارهای BI مانند Superset
- درک نقشهای کاربر، مجوزها و امنیت
- یادگیری بهترین شیوه ها برای تنظیم عملکرد و بهینهسازی
- کسب تجربه عملی با مثالها و موارد استفاده واقعی
چرا Dremio را یاد بگیریم؟
Dremio یک تحول بزرگ در دنیای تحلیل داده و Lakehouseها است. این ابزار به شما امکان میدهد کوئریهای SQL بسیار سریع را مستقیماً روی دریاچه داده ابری خود بدون جابجایی داده اجرا کنید. با پایپلاینهای پیچیده ETL خداحافظی کنید و به تحلیلهای سلفسرویس سلام کنید!
چه تحلیلگر داده باشید، چه مهندس داده یا متخصص BI – تسلط به Dremio مهارتهای شما را ارتقا داده و بهرهوری شما را در پشته داده مدرن افزایش میدهد.
مخاطبان این دوره:
- مبتدیانی که هیچ تجربه قبلی در Dremio ندارند.
- مهندسان و تحلیلگران داده که در حال کاوش فناوریهای دریاچه داده هستند.
- توسعهدهندگان BI که به دنبال موتورهای کوئری سریع و مقیاسپذیر هستند.
- دانشجویان و متخصصانی که وارد فضای تحلیل داده میشوند.
- هر کسی که درباره آینده Data Lakehouseها کنجکاو است.
ابزارها و فناوریهای مورد استفاده:
- Dremio Community Edition (محلی و ابری)
- AWS S3 (برای مثالهای دریاچه داده)
- SQL (مقدماتی تا متوسط)
- Apache Superset (برای بصریسازی)
- مجموعه داده نمونه برای آزمایشگاههای عملی
ویژگیهای دوره:
راهنماهای راهاندازی گامبهگام
آزمایشگاهها و پروژههای عملی
مجموعه داده واقعی
آزمونها و تمرینها
منابع قابل دانلود
دسترسی مادامالعمر و بروزرسانیها
چه تازه کار را شروع کرده باشید و چه بخواهید مهارتهای داده خود را برای آینده تضمین کنید، این دوره شما را در کمترین زمان از صفر به یک کاربر مطمئن Dremio تبدیل میکند.
همین حالا در این دوره شرکت کنید و تسلط به Dremio را از امروز آغاز کنید!
این دوره برای چه کسانی مناسب است؟
- تحلیلگران داده که به دنبال کوئری گرفتن از داده خام با سرعت بالاتر و بدون ETL هستند.
- مهندسان داده که در حال بررسی معماریهای مدرن Data Lakehouse هستند.
- توسعهدهندگان BI که میخواهند Dremio را با Power BI ،Tableau یا Superset یکپارچه کنند.
- دانشجویان و مبتدیانی که وارد دنیای تحلیل داده و موتورهای SQL مدرن میشوند.
- هر کسی که میخواهد Dremio را از ابتدا یاد بگیرد و آن را در سناریوهای واقعی به کار ببرد.
تسلط به Dremio: راهنمای مقدماتی
-
Dremio چیست؟ 11:23
-
معماری Dremio 06:57
-
Dremio در مقابل ابزارهای انبار داده سنتی 05:56
-
Dremio در اکوسیستم Lakehouse 09:17
-
نصب Dremio (نسخه Community روی Docker یا محلی) 03:54
-
ایجاد کاربر AWS 06:02
-
اتصال Dremio به AWS S3 04:18
-
ایجاد جدول پایه 08:01
-
کوئریهای Select 03:28
-
Distinct 03:57
-
توابع تجمعی 02:43
-
نام مستعار 04:31
-
Cast 04:22
-
Concat 04:14
-
توابع رشتهای 02:54
-
فیلتر: عدد صحیح 03:16
-
فیلتر: رشتهها 04:37
-
فیلتر: بولی 05:19
-
فیلتر: Between 02:10
-
فیلتر: IN 02:39
-
فیلتر: Like 04:04
-
فیلتر: شرط Null 08:11
-
Group By 05:09
-
Group By با Having 03:41
-
Group By با فیلتر 02:47
-
مرتبسازی 04:45
-
تابع Coalesce 05:03
-
تابع Null IF 04:05
-
کوئریهای داخلی 06:35
-
پیوند داخلی 04:50
-
پیوند چپ 03:09
-
پیوند راست 03:04
-
اجتماع 03:38
-
Union All 02:36
-
انبار داده در مقابل دریاچه داده در مقابل دریاچه-انبار داده 09:08
-
از انبار داده به دریاچه-انبار داده 07:51
-
Iceberg و تکامل صنعت 07:50
-
Apache Iceberg چیست؟ 10:16
-
ویژگیهای کلیدی Iceberg (تکامل اسکیما، ACID، پارتیشنبندی و غیره) 12:47
-
پیشینه Iceberg 07:49
-
نصب با استفاده از ترمینال 04:58
-
نصب Jupyter Notebook 03:01
-
نصب کتابخانهها (PyIceberg ،Polars ،DuckDB) 03:34
-
درک کاتالوگها 10:32
-
راهاندازی اولین کاتالوگ محلی PyIceberg 04:38
-
ایجاد و انتخاب رکوردها با PyIceberg 09:17
-
فیلتر کردن رکوردها در کاتالوگ محلی با PyIceberg 05:52
-
PyIceberg با کاتالوگ S3 08:37
-
معماری Spark و Iceberg 03:09
-
ایجاد کاتالوگ محلی با Spark 02:54
-
ایجاد جدول در کاتالوگ محلی با Spark 05:20
-
نصب PySpark به صورت محلی 01:37
-
ایجاد کاتالوگ محلی PySpark روی PyIceberg 02:54
-
ایجاد جدول با PySpark با استفاده از کوئری 05:20
-
ایجاد جدول با PySpark با استفاده از کد 06:06
-
انتخاب رکوردها از کاتالوگ محلی با PySpark 03:06
-
توابع تجمعی PySpark 05:29
-
فیلترهای PySpark روی کاتالوگ 04:30
-
عملیات درج و بروزرسانی روی Iceberg 12:23
-
حذف رکوردها روی Iceberg 07:09
-
سفر در زمان در PyIceberg با PySpark 06:37
-
اتصال به RDBMS (مانند PostgreSQL و غیره) 09:00
-
فرمتهای فایل: CSV 08:46
-
فرمتهای فایل: Parquet 06:08
-
مجموعه داده مجازی (VDS) در مقابل مجموعه داده فیزیکی (PDS) 08:50
-
ساخت ویوها و اشتراکگذاری مجموعه داده 05:17
-
بازتابها چه هستند؟ 05:49
-
بازتابهای خام در مقابل تجمعی 07:03
-
ایجاد و مدیریت بازتابها 05:28
-
معرفی کاتالوگ Nessie 06:29
-
نصب Nessie 03:46
-
اولین مثال کاتالوگ Nessie 10:43
-
فرمان های Nessie 11:11
-
کار با شاخهها در Nessie 09:09
-
ایجاد و حذف شاخهها در Nessie 07:48
-
ایجاد و حذف جدول 04:40
-
بروزرسانی رکوردها 05:46
-
سفر در زمان و کوئریهای اسنپشات 08:27
-
مقدمهای بر Apache Superset 05:11
-
Apache Superset چیست؟ 04:38
-
ویژگیها و قابلیتهای کلیدی 08:44
-
Superset در مقابل سایر ابزارهای BI 12:02
-
نصب Superset با استفاده از Docker (توصیه شده) 08:07
-
نصب Superset با استفاده از Python 09:07
-
درک معماری Superset 06:23
-
ناوبری در رابط کاربری Superset 05:36
-
درک نقشها و مجوزها 09:04
-
نوشتن و ذخیره کوئریهای SQL 04:27
-
ایجاد مجموعه داده 03:35
-
ذخیره مجموعه داده سفارشی 04:28
-
معماری نمودارها 06:46
-
مرور رابط گرافیکی نمودارها 04:21
-
اولین نمودار روی Big Number 04:30
-
ایجاد جدول با استفاده از نمودارها 03:45
-
محصولات فعال با استفاده از Big Number 04:07
-
اعمال ترتیب روی نمودار 04:33
-
شخصیسازی نمودارها 04:35
-
ایجاد مجموعه داده مجازی 04:24
-
نمودار خطی با مجموعه داده مجازی 04:17
-
نمودار دایرهای 04:27
-
نمودار سانکی 06:57
-
صفحه معرفی فیلتر 03:32
-
اعمال فیلترها روی اعداد صحیح 04:20
-
اعمال فیلترها روی فیلدهای رشتهای 02:51
-
فیلتر Like روی فیلدهای رشتهای 01:56
-
فیلتر کردن با شرط IN 02:47
-
فیلتر کردن با شرط Between 01:54
-
شخصیسازی و قالببندی نمودار 01:38
-
قالببندی اعداد در نمودارها 03:48
-
ایجاد اولین داشبورد 02:38
مشخصات آموزش
تسلط به Dremio: راهنمای مقدماتی
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:همه سطوح
- تعداد درس:110
- مدت زمان :10:19:39
- حجم :3.04GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy