دوره تسلط بر تحلیل و مدیریت داده‌های حجیم با استفاده از PySpark و SQL همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر تحلیل و مدیریت داده‌های حجیم با استفاده از PySpark و SQL

موضوع کلی: علوم داده و مهندسی کلان‌داده

موضوع میانی: پردازش توزیع‌شده داده‌ها با چارچوب Apache Spark

📋 سرفصل‌های دوره

• 1. مبانی اکوسیستم آپاچی اسپارک و معماری پردازش توزیع‌شده
• 2. نصب و راه‌اندازی محیط توسعه PySpark در سیستم‌عامل‌های استاندارد
• 3. آشنایی با ساختار SparkSession و نحوه تعامل با کلاستر
• 4. مفاهیم پایه RDD و گذار به DataFrame در PySpark
• 5. وارد کردن داده‌ها از فرمت‌های مختلف فایل به محیط اسپارک
• 6. ساختار داده‌ای DataFrame و عملیات پایه در PySpark SQL
• 7. مدیریت و مشاهده طرح‌واره داده‌ها با استفاده از Schema
• 8. فیلتر کردن و انتخاب داده‌ها با استفاده از متدهای کتابخانه PySpark
• 9. عملیات مرتب‌سازی و محدودسازی نتایج در مجموعه‌داده‌های حجیم
• 10. کار با توابع ریاضی و آماری در تحلیل‌های ستونی
• 11. مدیریت مقادیر تهی و پاک‌سازی داده‌ها با توابع استاندارد
• 12. استفاده از عبارات شرطی و منطقی در پردازش داده‌ها
• 13. گروه‌بندی داده‌ها و اجرای توابع تجمیعی در مقیاس بزرگ
• 14. کار با داده‌های زمانی و تاریخ در تحلیل‌های داده‌محور
• 15. توابع رشته‌ای و پردازش متن در دیتافریم‌های اسپارک
• 16. مدیریت ساختارهای داده‌ای پیچیده شامل آرایه‌ها و نقشه‌ها
• 17. اتصال جداول و اجرای عملیات Join در محیط توزیع‌شده
• 18. انواع Joinها و بهینه‌سازی عملکرد در ترکیب دیتافریم‌ها
• 19. استفاده از پنجره‌های تحلیلی و توابع Window در PySpark
• 20. اجرای پرس‌وجوهای SQL مستقیم روی دیتافریم‌های ثبت‌شده
• 21. مدیریت حافظه و مفاهیم Cache و Persist در پردازش‌های تکرارپذیر
• 22. آشنایی با پارتیشن‌بندی داده‌ها و تاثیر آن بر کارایی سیستم
• 23. تکنیک‌های بهینه‌سازی پرس‌وجوهای SQL در اسپارک
• 24. مبانی کار با داده‌های غیرساختاریافته و نیمه‌ساختاریافته
• 25. استفاده از UDFهای سفارشی برای عملیات پردازشی خاص
• 26. یکپارچه‌سازی PySpark با پایگاه‌های داده رابطه‌ای از طریق JDBC
• 27. ذخیره‌سازی نتایج تحلیل در فرمت‌های بهینه مانند Parquet و ORC
• 28. مدیریت خطاهای رایج در اجرای پردازش‌های توزیع‌شده
• 29. نظارت بر عملکرد کلاستر با استفاده از Spark UI
• 30. اصول امنیت در دسترسی به داده‌ها در محیط‌های سازمانی
• 31. مقدمه‌ای بر جریان‌های داده‌ای (Spark Streaming) در چارچوب SQL
• 32. بهینه‌سازی تنظیمات کلاستر برای افزایش بهره‌وری منابع
• 33. پیاده‌سازی یک پروژه تحلیل داده‌های حجیم با استفاده از PySpark
• 34. بررسی چالش‌های مقیاس‌پذیری در پردازش داده‌های کلان
• 35. ارائه نتایج تحلیل‌های آماری به صورت گزارش‌های ساختاریافته