کتاب پردازش و تحلیل داده‌های عظیم برای استخراج دانش با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش و تحلیل داده‌های عظیم برای استخراج دانش

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های عظیم: چالش‌ها و فرصت‌ها
• 2. مفاهیم کلیدی در پردازش داده‌های عظیم
• 3. معماری‌های ذخیره‌سازی داده‌های عظیم: HDFS، NoSQL، Cloud Storage
• 4. مقدمه‌ای بر Hadoop و اکوسیستم آن
• 5. نصب و پیکربندی Hadoop
• 6. MapReduce: اصول و پیاده‌سازی
• 7. تحلیل داده با Pig
• 8. تحلیل داده با Hive
• 9. Spark: مقدمه و مقایسه با Hadoop
• 10. Spark SQL: کار با داده‌های ساخت‌یافته
• 11. Spark Streaming: پردازش جریانی داده‌ها
• 12. MLlib: کتابخانه یادگیری ماشین در Spark
• 13. استفاده از Kafka برای دریافت و انتقال داده‌های عظیم
• 14. Data Wrangling و Data Cleaning در داده‌های عظیم
• 15. Data Visualization با ابزارهای بزرگ‌مقیاس
• 16. مقدمه‌ای بر پایگاه داده‌های NoSQL (MongoDB, Cassandra)
• 17. طراحی شمای داده برای NoSQL
• 18. تحلیل داده‌های متنی با استفاده از NLP
• 19. پردازش لاگ‌ها و داده‌های رویداد
• 20. استفاده از ابزارهای ETL برای داده‌های عظیم
• 21. پیاده‌سازی خطوط لوله داده (Data Pipelines)
• 22. مانیتورینگ و مدیریت خطوط لوله داده
• 23. بهینه‌سازی عملکرد Hadoop و Spark
• 24. امنیت داده‌های عظیم
• 25. مفاهیم Data Governance و Data Quality
• 26. کاربرد یادگیری عمیق در داده‌های عظیم
• 27. استخراج ویژگی (Feature Engineering) برای داده‌های عظیم
• 28. پیش‌بینی و مدل‌سازی سری‌های زمانی
• 29. تحلیل شبکه‌های اجتماعی با داده‌های عظیم
• 30. تحلیل سبد خرید (Market Basket Analysis)
• 31. سیستم‌های توصیه‌گر (Recommender Systems)
• 32. تشخیص تقلب (Fraud Detection) با داده‌های عظیم
• 33. تحلیل احساسات (Sentiment Analysis)
• 34. پردازش تصویر و ویدئو در مقیاس بزرگ
• 35. کاربرد داده‌های عظیم در اینترنت اشیا (IoT)
• 36. Data Lake vs. Data Warehouse
• 37. مبانی Cloud Computing برای داده‌های عظیم (AWS, Azure, GCP)
• 38. استفاده از Kubernetes برای مدیریت کلاسترها
• 39. Data Science Workflow برای داده‌های عظیم
• 40. پیاده‌سازی DataOps