کتاب مبانی NoSQL، کلان‌داده و پردازش با Spark با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی NoSQL، کلان‌داده و پردازش با Spark

موضوع کلی: فناوری اطلاعات و پردازش داده

موضوع میانی: مبانی داده‌های کلان و تحلیل داده

📋 سرفصل‌های دوره

• 1. مبانی پردازش داده در عصر دیجیتال
• 2. مقدمه‌ای بر مفاهیم کلان‌داده
• 3. چالش‌های ذخیره‌سازی و پردازش داده‌های حجیم
• 4. معماری سیستم‌های کلان‌داده
• 5. مبانی پایگاه‌های داده رابطه‌ای (SQL)
• 6. محدودیت‌های پایگاه‌های داده رابطه‌ای برای کلان‌داده
• 7. معرفی پایگاه‌های داده NoSQL
• 8. انواع مدل‌های پایگاه داده NoSQL
• 9. پایگاه‌های داده کلید-مقدار (Key-Value)
• 10. کاربردها و مزایای پایگاه‌های داده کلید-مقدار
• 11. پایگاه‌های داده ستون-خانواده (Column-Family)
• 12. کاربردها و مزایای پایگاه‌های داده ستون-خانواده
• 13. پایگاه‌های داده سند-گرا (Document-Oriented)
• 14. کاربردها و مزایای پایگاه‌های داده سند-گرا
• 15. پایگاه‌های داده گراف (Graph Databases)
• 16. کاربردها و مزایای پایگاه‌های داده گراف
• 17. انتخاب پایگاه داده NoSQL مناسب
• 18. ملاحظات امنیتی در پایگاه‌های داده NoSQL
• 19. مبانی پردازش توزیع‌شده
• 20. مدل برنامه‌نویسی MapReduce
• 21. مقدمه‌ای بر Apache Spark
• 22. معماری Spark و اجزای آن
• 23. Spark Core و قابلیت‌های آن
• 24. Spark SQL برای پردازش داده‌های ساختاریافته
• 25. Spark Streaming برای پردازش داده‌های بلادرنگ
• 26. Spark MLlib برای یادگیری ماشین
• 27. Spark GraphX برای پردازش گراف
• 28. نصب و پیکربندی Spark
• 29. اجرای برنامه‌های Spark
• 30. بهینه‌سازی عملکرد برنامه‌های Spark
• 31. مدیریت منابع در Spark
• 32. مفاهیم داده‌های کلان
• 33. مصادر داده‌های کلان
• 34. انواع داده‌های کلان (ساختاریافته، نیمه‌ساختاریافته، بدون ساختار)
• 35. تحلیل داده‌های کلان
• 36. مراحل فرآیند تحلیل داده
• 37. جمع‌آوری و پاکسازی داده‌ها
• 38. اکتشاف و بصری‌سازی داده‌ها
• 39. مدل‌سازی داده‌ها
• 40. ارزیابی و تفسیر نتایج
• 41. کاربرد تحلیل داده در حوزه‌های مختلف
• 42. اخلاق در تحلیل داده‌های کلان
• 43. حریم خصوصی داده‌ها
• 44. قوانین و مقررات مربوط به داده‌ها در ایران
• 45. مبانی هوش تجاری (Business Intelligence)
• 46. ابزارهای هوش تجاری
• 47. تحلیل پیش‌بینانه (Predictive Analytics)
• 48. یادگیری ماشین (Machine Learning)
• 49. انواع الگوریتم‌های یادگیری ماشین
• 50. یادگیری نظارت شده (Supervised Learning)
• 51. یادگیری نظارت نشده (Unsupervised Learning)
• 52. یادگیری تقویتی (Reinforcement Learning)
• 53. کاربرد یادگیری ماشین در پردازش داده‌های کلان
• 54. پردازش زبان طبیعی (Natural Language Processing - NLP)
• 55. مبانی NLP
• 56. تکنیک‌های NLP
• 57. کاربرد NLP در تحلیل متن
• 58. بینایی ماشین (Computer Vision)
• 59. مبانی بینایی ماشین
• 60. تکنیک‌های بینایی ماشین
• 61. کاربرد بینایی ماشین در تحلیل تصویر
• 62. اینترنت اشیاء (Internet of Things - IoT)
• 63. داده‌های تولید شده توسط IoT
• 64. پردازش و تحلیل داده‌های IoT
• 65. فناوری بلاکچین و کاربردهای آن
• 66. مبانی بلاکچین
• 67. کاربرد بلاکچین در مدیریت داده‌ها
• 68. امنیت در سیستم‌های کلان‌داده
• 69. ملاحظات امنیتی در Spark
• 70. روش‌های حفاظت از داده‌ها
• 71. مدیریت چرخه حیات داده
• 72. مستندسازی داده‌ها
• 73. ابزارهای مدیریت فراداده (Metadata Management)
• 74. حاکمیت داده (Data Governance)
• 75. کیفیت داده (Data Quality)
• 76. اهمیت کیفیت داده در تصمیم‌گیری
• 77. تکنیک‌های بهبود کیفیت داده
• 78. داده‌کاوی (Data Mining)
• 79. الگوریتم‌های داده‌کاوی
• 80. قوانین وابستگی (Association Rules)
• 81. خوشه‌بندی (Clustering)
• 82. طبقه‌بندی (Classification)
• 83. پیش‌بینی (Prediction)
• 84. کاربرد داده‌کاوی در کشف الگوها
• 85. بصری‌سازی داده‌ها (Data Visualization)
• 86. اصول بصری‌سازی داده‌ها
• 87. انواع نمودارها و کاربرد آن‌ها
• 88. ابزارهای بصری‌سازی داده‌ها
• 89. ایجاد داشبوردهای مدیریتی
• 90. مبانی تحلیل اکتشافی داده (Exploratory Data Analysis - EDA)
• 91. اهمیت EDA در فهم داده‌ها
• 92. تکنیک‌های EDA
• 93. بصری‌سازی در EDA
• 94. تحلیل سری‌های زمانی (Time Series Analysis)
• 95. مفاهیم سری‌های زمانی
• 96. روش‌های تحلیل سری‌های زمانی
• 97. کاربرد تحلیل سری‌های زمانی در پیش‌بینی
• 98. مبانی پردازش داده‌های مکانی (Spatial Data Processing)
• 99. انواع داده‌های مکانی
• 100. کاربرد داده‌های مکانی در تحلیل