کتاب فریم‌ورک‌های مدرن در مدیریت داده‌های عظیم و هوش مصنوعی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 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 داده‌های عظیم و هوش مصنوعی
• 2. مفاهیم کلیدی داده‌های عظیم: حجم، سرعت، تنوع
• 3. معماری‌های ذخیره‌سازی داده‌های عظیم: Hadoop Distributed File System (HDFS)
• 4. پردازش دسته‌ای داده‌های عظیم با MapReduce
• 5. معرفی Apache Spark: یک موتور پردازش داده‌های سریع
• 6. برنامه‌نویسی با Spark: Scala و Python
• 7. تحلیل داده‌ها با Spark SQL
• 8. یادگیری ماشین در Spark MLlib
• 9. پردازش جریانی داده‌ها با Apache Kafka
• 10. Apache Flink: یک چارچوب پردازش جریانی
• 11. پایگاه‌داده‌های NoSQL: MongoDB
• 12. پایگاه‌داده‌های NoSQL: Cassandra
• 13. پایگاه‌داده‌های NoSQL: Redis
• 14. انبار داده‌های ابری: Amazon Redshift
• 15. انبار داده‌های ابری: Google BigQuery
• 16. انبار داده‌های ابری: Azure Synapse Analytics
• 17. مدل‌سازی داده برای داده‌های عظیم
• 18. کیفیت داده و پاکسازی داده
• 19. ادغام داده‌ها از منابع مختلف
• 20. تصویرسازی داده‌ها با Tableau
• 21. تصویرسازی داده‌ها با Power BI
• 22. آشنایی با ابزارهای ETL
• 23. استفاده از Python برای تحلیل داده‌های عظیم
• 24. استفاده از R برای تحلیل داده‌های عظیم
• 25. مفاهیم کلیدی یادگیری ماشین
• 26. رگرسیون خطی و لجستیک
• 27. درخت‌های تصمیم‌گیری و جنگل تصادفی
• 28. ماشین‌های بردار پشتیبان (SVM)
• 29. خوشه‌بندی K-Means
• 30. شبکه‌های عصبی مصنوعی: مفاهیم پایه
• 31. شبکه‌های عصبی مصنوعی: معماری‌ها و الگوریتم‌ها
• 32. یادگیری عمیق با TensorFlow
• 33. یادگیری عمیق با Keras
• 34. یادگیری عمیق با PyTorch
• 35. پردازش زبان طبیعی (NLP)
• 36. تحلیل احساسات با استفاده از NLP
• 37. تشخیص موجودیت‌های نام‌گذاری شده (NER)
• 38. مدل‌های زبانی (Language Models)
• 39. بینایی کامپیوتر (Computer Vision)
• 40. تشخیص اشیا در تصاویر
• 41. دسته‌بندی تصاویر
• 42. شبکه‌های کانولوشنال (CNN)
• 43. یادگیری تقویتی (Reinforcement Learning)
• 44. مفاهیم پایه‌ای یادگیری تقویتی
• 45. Q-Learning و Deep Q-Networks
• 46. کاربردهای یادگیری تقویتی
• 47. اخلاق در هوش مصنوعی
• 48. حریم خصوصی داده‌ها و امنیت
• 49. تفسیرپذیری مدل‌های یادگیری ماشین
• 50. استقرار مدل‌های یادگیری ماشین
• 51. نظارت بر عملکرد مدل‌ها
• 52. بهینه‌سازی مدل‌های یادگیری ماشین
• 53. مقایسه فریم‌ورک‌های یادگیری ماشین
• 54. کار با داده‌های نامتوازن
• 55. انتخاب ویژگی (Feature Selection)
• 56. کاهش ابعاد (Dimensionality Reduction)
• 57. مقدمه‌ای بر داده‌کاوی
• 58. تحلیل سری‌های زمانی
• 59. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 60. تحلیل شبکه‌های اجتماعی
• 61. مفاهیم کلیدی تحلیل شبکه‌های اجتماعی
• 62. استخراج الگوهای پنهان از داده‌ها
• 63. کاربرد داده‌های عظیم در بازاریابی
• 64. کاربرد داده‌های عظیم در بهداشت و درمان
• 65. کاربرد داده‌های عظیم در امور مالی
• 66. کاربرد داده‌های عظیم در زنجیره تامین
• 67. آینده داده‌های عظیم و هوش مصنوعی
• 68. چالش‌ها و فرصت‌های پیش رو