کتاب پیش‌بینی و مدل‌سازی با داده‌های بزرگ با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی و مدل‌سازی با داده‌های بزرگ

موضوع کلی: مدیریت داده و فناوری‌های اطلاعاتی

موضوع میانی: بیگ‌دیتا و تحلیل داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مفاهیم پایه‌ای داده‌های بزرگ
• 2. معماری سیستم‌های پردازش داده‌های بزرگ
• 3. مقدمه‌ای بر Hadoop و اکوسیستم آن
• 4. نصب و پیکربندی Hadoop
• 5. HDFS: سیستم فایل توزیع‌شده Hadoop
• 6. MapReduce: مدل برنامه‌نویسی موازی
• 7. نوشتن اولین برنامه MapReduce
• 8. بهینه‌سازی برنامه‌های MapReduce
• 9. مقدمه‌ای بر پایگاه‌داده‌های NoSQL
• 10. انواع پایگاه‌داده‌های NoSQL
• 11. MongoDB: نصب و پیکربندی
• 12. مدل‌سازی داده‌ها در MongoDB
• 13. پرس‌وجو و عملیات CRUD در MongoDB
• 14. Apache Cassandra: مفاهیم کلیدی
• 15. مدل‌سازی داده‌ها در Cassandra
• 16. Apache Spark: معرفی و معماری
• 17. Spark Core: عملیات پایه‌ای
• 18. Spark SQL: کار با داده‌های ساختاریافته
• 19. DataFrames و Datasets در Spark
• 20. یادگیری ماشین با Spark MLlib
• 21. پیش‌بینی با استفاده از رگرسیون خطی
• 22. پیش‌بینی با استفاده از رگرسیون لجستیک
• 23. خوشه‌بندی با استفاده از K-Means
• 24. تحلیل سری‌های زمانی با Spark
• 25. مقدمه‌ای بر پردازش جریان داده‌ها
• 26. Apache Kafka: مفاهیم کلیدی
• 27. Kafka Streams: پردازش جریان داده‌ها
• 28. Apache Flink: معرفی و امکانات
• 29. پایپ‌لاین‌های پردازش داده با Flink
• 30. مقدمه‌ای بر ابزارهای تجسم داده
• 31. Tableau: مفاهیم و کاربردها
• 32. Power BI: مفاهیم و کاربردها
• 33. استفاده از Python برای تحلیل داده‌های بزرگ
• 34. کتابخانه‌های Pandas و NumPy
• 35. کتابخانه Scikit-learn برای یادگیری ماشین
• 36. ارزیابی مدل‌های پیش‌بینی
• 37. استقرار مدل‌های یادگیری ماشین
• 38. تکنیک‌های کاهش ابعاد داده
• 39. انتخاب ویژگی‌های مهم
• 40. مدیریت کیفیت داده‌ها
• 41. امنیت داده‌ها در سیستم‌های بزرگ
• 42. مقیاس‌پذیری و بهینه‌سازی سیستم‌های داده بزرگ
• 43. مقدمه‌ای بر داده‌کاوی
• 44. تحلیل سبد خرید با استفاده از الگوریتم Apriori
• 45. تشخیص ناهنجاری در داده‌های بزرگ