مهندسی داده بر روی آژور ۲۰۲۱
Data Engineering on Azure 2021

**یک پلتفرم داده بر اساس استانداردهای پیشروی صنعت که توسط زیرساخت مایکروسافت ایجاد شده است، بسازید.**

**خلاصه**

در کتاب *مهندسی داده در آژور* یاد خواهید گرفت چگونه:

* سرویس‌های آژور مناسب را برای سناریوهای مختلف داده انتخاب کنید.
* موجودی داده را مدیریت کنید.
* مدل‌سازی داده، تحلیل‌ها و حجم‌های کاری یادگیری ماشین را با کیفیت تولید پیاده‌سازی کنید.
* حاکمیت داده را مدیریت کنید.
* از DevOps برای افزایش قابلیت اطمینان استفاده کنید.
* داده‌ها را دریافت، ذخیره و توزیع کنید.
* بهترین شیوه‌ها را برای انطباق و کنترل دسترسی اعمال کنید.

*مهندسی داده در آژور* الگوها و تکنیک‌های مدیریت داده را نشان می‌دهد که از زیرساخت داده عظیم مایکروسافت پشتیبانی می‌کنند. ولاد ریسکوتیا، نویسنده کتاب و مهندس داده در مایکروسافت، به شما می‌آموزد که چگونه دقت مهندسی را به پلتفرم داده خود بیاورید و اطمینان حاصل کنید که نمونه‌های اولیه داده شما به همان خوبی که در آزمایشگاه کار می‌کنند، در شرایط سخت تولید نیز عمل می‌کنند. الگوهای رایج مدل‌سازی داده را پیاده‌سازی می‌کنید، پلتفرم‌های داده ابری بومی را در آژور راه‌اندازی می‌کنید و با DevOps برای تجزیه و تحلیل و یادگیری ماشین آشنا می‌شوید.

خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از انتشارات Manning است.

**درباره فناوری**

پلتفرم‌های داده امن و پایداری بسازید که می‌توانند به هر اندازه‌ای مقیاس‌پذیر باشند. هنگامی که یک پروژه از آزمایشگاه به مرحله تولید می‌رود، باید اطمینان داشته باشید که می‌تواند در برابر چالش‌های دنیای واقعی مقاومت کند. این کتاب به شما می‌آموزد که زیرساخت داده مبتنی بر ابر را طراحی و پیاده‌سازی کنید که به راحتی قابل نظارت، مقیاس‌بندی و اصلاح باشد.

**درباره کتاب**

در کتاب مهندسی داده در آژور، مهارت‌های مورد نیاز برای ساخت و نگهداری پلتفرم‌های داده بزرگ در شرکت‌های بزرگ را یاد خواهید گرفت. این راهنمای ارزشمند شامل راهنمایی‌های واضح و عملی برای تنظیم زیرساخت، هماهنگ‌سازی، حجم‌های کاری و حاکمیت است. در حین پیشرفت، خطوط لوله یادگیری ماشین کارآمد راه‌اندازی خواهید کرد و سپس بر اتوماسیون و راه‌حل‌های DevOps صرفه‌جویی در زمان مسلط خواهید شد. مثال‌های مبتنی بر آژور به راحتی در سایر پلتفرم‌های ابری قابل تکرار هستند.

**مطالب داخل کتاب**

* موجودی داده و حاکمیت داده
* تضمین کیفیت، انطباق و توزیع داده
* ساخت خطوط لوله خودکار برای افزایش قابلیت اطمینان
* دریافت، ذخیره و توزیع داده
* مدل‌سازی داده، تجزیه و تحلیل و یادگیری ماشین با کیفیت تولید

**درباره خواننده**

برای مهندسان داده آشنا به محاسبات ابری و DevOps.

**درباره نویسنده**

**ولاد ریسکوتیا** معمار نرم افزار در مایکروسافت است.

فهرست مطالب

1 مقدمه
بخش 1 زیرساخت
2 ذخیره سازی
3 DevOps
4 ارکستراسیون
بخش 2 حجم کار
5 پردازش
6 تجزیه و تحلیل
7 یادگیری ماشین
بخش 3 حاکمیت
8 فراداده
9 کیفیت داده
10 انطباق
11 توزیع داده

Build a data platform to the industry-leading standards set by Microsoft’s own infrastructure.

Summary
In Data Engineering on Azure you will learn how to:

Pick the right Azure services for different data scenarios
Manage data inventory
Implement production quality data modeling, analytics, and machine learning workloads
Handle data governance
Using DevOps to increase reliability
Ingesting, storing, and distributing data
Apply best practices for compliance and access control

Data Engineering on Azure reveals the data management patterns and techniques that support Microsoft’s own massive data infrastructure. Author Vlad Riscutia, a data engineer at Microsoft, teaches you to bring an engineering rigor to your data platform and ensure that your data prototypes function just as well under the pressures of production. You’ll implement common data modeling patterns, stand up cloud-native data platforms on Azure, and get to grips with DevOps for both analytics and machine learning.

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the technology
Build secure, stable data platforms that can scale to loads of any size. When a project moves from the lab into production, you need confidence that it can stand up to real-world challenges. This book teaches you to design and implement cloud-based data infrastructure that you can easily monitor, scale, and modify.

About the book
In Data Engineering on Azure you’ll learn the skills you need to build and maintain big data platforms in massive enterprises. This invaluable guide includes clear, practical guidance for setting up infrastructure, orchestration, workloads, and governance. As you go, you’ll set up efficient machine learning pipelines, and then master time-saving automation and DevOps solutions. The Azure-based examples are easy to reproduce on other cloud platforms.

What’s inside

Data inventory and data governance
Assure data quality, compliance, and distribution
Build automated pipelines to increase reliability
Ingest, store, and distribute data
Production-quality data modeling, analytics, and machine learning

About the reader
For data engineers familiar with cloud computing and DevOps.

About the author
Vlad Riscutia is a software architect at Microsoft.

Table of Contents

1 Introduction
PART 1 INFRASTRUCTURE
2 Storage
3 DevOps
4 Orchestration
PART 2 WORKLOADS
5 Processing
6 Analytics
7 Machine learning
PART 3 GOVERNANCE
8 Metadata
9 Data quality
10 Compliance
11 Distributing data