اپلیکیشن اندرویدی فلش‌کارت آموزشی فریم‌ورک‌های مدرن در مدیریت داده‌های عظیم و هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره فریم‌ورک‌های مدرن در مدیریت داده‌های عظیم و هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدیریت داده‌های عظیم
• 2. مفاهیم بنیادی داده‌های عظیم
• 3. معماری سیستم‌های داده‌های عظیم
• 4. اکوسیستم هادوپ: HDFS و MapReduce
• 5. کار با Hadoop Distributed File System (HDFS)
• 6. اصول برنامه‌نویسی MapReduce
• 7. تحلیل داده‌ها با Apache Spark
• 8. مبانی Spark Core
• 9. Spark SQL برای پردازش داده‌های ساختاریافته
• 10. Spark Streaming برای پردازش آنی
• 11. کار با Spark MLlib برای یادگیری ماشین
• 12. ذخیره‌سازی داده‌های عظیم: NoSQL
• 13. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 14. MongoDB: پایگاه داده سند-محور
• 15. Cassandra: پایگاه داده ستون-گسترده
• 16. Redis: ذخیره‌سازی کلید-مقدار در حافظه
• 17. پردازش جریان داده (Stream Processing)
• 18. مقدمه‌ای بر پردازش جریان داده
• 19. Apache Kafka: پلتفرم پیام‌رسانی توزیع‌شده
• 20. Apache Flink برای پردازش جریان داده
• 21. پایپ‌لاین‌های داده (Data Pipelines)
• 22. طراحی و پیاده‌سازی پایپ‌لاین‌های داده
• 23. ابزارهای ارکستراسیون پایپ‌لاین: Apache Airflow
• 24. مدیریت فراداده (Metadata Management)
• 25. کیفیت داده‌ها و پاکسازی داده‌ها
• 26. تکنیک‌های اعتبارسنجی و پاکسازی داده‌ها
• 27. امنیت در سیستم‌های داده‌های عظیم
• 28. ملاحظات امنیتی در HDFS و Spark
• 29. رمزنگاری و کنترل دسترسی در پایگاه‌های داده NoSQL
• 30. هوش مصنوعی و یادگیری ماشین
• 31. مقدمه‌ای بر هوش مصنوعی
• 32. مبانی یادگیری ماشین
• 33. یادگیری نظارت‌شده (Supervised Learning)
• 34. یادگیری بدون نظارت (Unsupervised Learning)
• 35. یادگیری تقویتی (Reinforcement Learning)
• 36. شبکه‌های عصبی و یادگیری عمیق
• 37. مقدمه‌ای بر شبکه‌های عصبی
• 38. شبکه‌های عصبی کانولوشنال (CNN)
• 39. شبکه‌های عصبی بازگشتی (RNN)
• 40. ترنسفورمرها در پردازش زبان طبیعی
• 41. مهندسی ویژگی (Feature Engineering)
• 42. انتخاب و استخراج ویژگی
• 43. تکنیک‌های کاهش ابعاد: PCA
• 44. مدل‌سازی داده‌ها برای هوش مصنوعی
• 45. پیش‌پردازش داده‌ها برای مدل‌سازی
• 46. ارزیابی مدل‌های یادگیری ماشین
• 47. تنظیم فراپارامترها (Hyperparameter Tuning)
• 48. مدیریت چرخه عمر مدل (MLOps)
• 49. استقرار مدل‌های یادگیری ماشین
• 50. نظارت بر عملکرد مدل در محیط عملیاتی
• 51. کاربرد داده‌های عظیم در حوزه‌های مختلف
• 52. تحلیل کلان‌داده در صنعت مالی (با رویکرد اسلامی)
• 53. کاربرد داده‌های عظیم در سلامت (با رویکرد پروتکل‌های وزارت بهداشت)
• 54. تحلیل داده‌های شهری و هوشمندسازی (با تأکید بر منافع ملی)
• 55. پردازش زبان طبیعی (NLP) با داده‌های عظیم
• 56. مقدمه‌ای بر پردازش زبان طبیعی
• 57. تحلیل احساسات (Sentiment Analysis)
• 58. مدل‌سازی موضوعی (Topic Modeling)
• 59. ترجمه ماشینی با استفاده از داده‌های عظیم
• 60. بینایی ماشین (Computer Vision) با داده‌های عظیم
• 61. مقدمه‌ای بر بینایی ماشین
• 62. تشخیص اشیاء (Object Detection)
• 63. دسته‌بندی تصاویر (Image Classification)
• 64. تولید تصاویر با استفاده از شبکه‌های مولد
• 65. سیستم‌های توصیه‌گر (Recommender Systems)
• 66. مبانی سیستم‌های توصیه‌گر
• 67. فیلترینگ مشارکتی (Collaborative Filtering)
• 68. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 69. سیستم‌های توصیه‌گر ترکیبی
• 70. معماری‌های مدرن برای داده‌های عظیم
• 71. معماری‌های مبتنی بر میکروسرویس
• 72. معماری‌های رویداد-محور (Event-Driven Architectures)
• 73. داده‌کاوی (Data Mining) در مقیاس عظیم
• 74. تکنیک‌های خوشه‌بندی (Clustering)
• 75. قوانین وابستگی (Association Rules)
• 76. پیش‌بینی سری‌های زمانی (Time Series Forecasting)
• 77. کاربرد بلاک‌چین در مدیریت داده‌های عظیم (با رویکرد مقرراتی)
• 78. ملاحظات اخلاقی در داده‌های عظیم و هوش مصنوعی
• 79. حریم خصوصی داده‌ها و انطباق با قوانین
• 80. سوگیری در الگوریتم‌ها و راهکارهای مقابله
• 81. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 82. آیندهٔ مدیریت داده‌های عظیم و هوش مصنوعی
• 83. روندهای نوظهور در مدیریت داده‌ها
• 84. نقش هوش مصنوعی در تحولات آینده
• 85. مطالعات موردی (Case Studies) موفق در ایران
• 86. پیاده‌سازی موفق داده‌های عظیم در سازمان‌های ایرانی
• 87. چالش‌ها و فرصت‌های هوش مصنوعی در اکوسیستم ایران