کتاب داده‌های بزرگ، استدلال‌های کوچک با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره داده‌های بزرگ، استدلال‌های کوچک

موضوع کلی: علم داده

موضوع میانی: تفکر انتقادی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های بزرگ و کاربردهای آن
• 2. مفاهیم کلیدی در تحلیل داده‌های بزرگ
• 3. معماری‌های ذخیره‌سازی داده‌های بزرگ
• 4. Hadoop: معرفی و نصب
• 5. Hadoop Distributed File System (HDFS)
• 6. پردازش داده با MapReduce
• 7. یادگیری برنامه‌نویسی با Apache Pig
• 8. تحلیل داده با Apache Hive
• 9. پایگاه‌داده‌های NoSQL: معرفی و انواع
• 10. MongoDB: نصب، پیکربندی و استفاده
• 11. Cassandra: مدل‌سازی داده و عملیات پایه
• 12. Redis: حافظه داده درونی و کاربردها
• 13. استفاده از Spark برای پردازش داده‌های بزرگ
• 14. Spark SQL: کوئری زدن به داده‌ها با SQL
• 15. Spark Streaming: پردازش جریان داده
• 16. یادگیری ماشین در Spark MLlib
• 17. پیش‌بینی با استفاده از رگرسیون خطی
• 18. خوشه‌بندی با استفاده از الگوریتم K-Means
• 19. شناسایی الگوها با استفاده از درخت‌های تصمیم
• 20. ارزیابی مدل‌های یادگیری ماشین
• 21. تجسم داده‌ها با استفاده از Tableau
• 22. تجسم داده‌ها با استفاده از Power BI
• 23. معرفی زبان Python برای تحلیل داده
• 24. کتابخانه‌های Pandas و NumPy در Python
• 25. کتابخانه Matplotlib برای رسم نمودارها
• 26. کتابخانه Scikit-learn برای یادگیری ماشین
• 27. پیش‌پردازش داده‌ها و پاکسازی
• 28. انتخاب ویژگی‌های مهم در داده‌ها
• 29. مهندسی ویژگی‌ها و ایجاد متغیرهای جدید
• 30. تحلیل سری‌های زمانی
• 31. تحلیل احساسات (Sentiment Analysis)
• 32. پردازش زبان طبیعی (NLP) مقدماتی
• 33. استخراج اطلاعات از متن
• 34. تحلیل شبکه‌های اجتماعی
• 35. تحلیل سبد خرید (Market Basket Analysis)
• 36. سیستم‌های توصیه‌گر (Recommender Systems)
• 37. امنیت داده‌های بزرگ و حریم خصوصی
• 38. ملاحظات قانونی در مورد داده‌های بزرگ
• 39. مقیاس‌پذیری و بهینه‌سازی سیستم‌های داده بزرگ
• 40. استقرار و مدیریت سیستم‌های داده بزرگ در فضای ابری
• 41. معرفی ابزارهای مانیتورینگ و لاگینگ
• 42. تحلیل داده‌های جغرافیایی (Geospatial Data)
• 43. استفاده از داده‌های بزرگ در بازاریابی
• 44. کاربرد داده‌های بزرگ در حوزه سلامت
• 45. تحلیل ریسک با استفاده از داده‌های بزرگ