فلش‌کارت‌های آموزشی کاتلین برای توسعه دهندگان Big Data Analytics

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کاتلین برای توسعه دهندگان Big Data Analytics

موضوع کلی: برنامه نویسی

موضوع میانی: کاتلین (Kotlin)

📋 سرفصل‌های دوره

• 1. آشنایی با برنامه نویسی و کاتلین
• 2. چرا کاتلین برای Big Data Analytics؟
• 3. نصب و راه‌اندازی محیط توسعه کاتلین (IDE)
• 4. اولین برنامه در کاتلین: "Hello, World!"
• 5. انواع داده‌های اولیه در کاتلین (Int, Double, Boolean, String)
• 6. متغیرها: var و val
• 7. عملگرهای محاسباتی و منطقی
• 8. عبارات شرطی: if, else if, else
• 9. دستورات شرطی: when
• 10. حلقه‌های تکرار: for
• 11. حلقه‌های تکرار: while و do-while
• 12. بررسی و دستکاری رشته‌ها (String Manipulation)
• 13. کلاس‌ها و اشیاء در کاتلین
• 14. سازنده‌ها (Constructors)
• 15. خاصیت‌ها (Properties) و متدها (Methods)
• 16. کپسوله‌سازی (Encapsulation)
• 17. وراثت (Inheritance)
• 18. کلاس‌های انتزاعی (Abstract Classes)
• 19. اینترفیس‌ها (Interfaces)
• 20. پلی‌مورفیسم (Polymorphism)
• 21. کلاس‌های داده (Data Classes)
• 22. کلاس‌های توکار (Sealed Classes)
• 23. کلاس‌های داخلی (Inner Classes)
• 24. کلاس‌های هم‌جوار (Nested Classes)
• 25. اشیاء تک‌نمونه (Singleton Objects)
• 26. توابع (Functions)
• 27. توابع پارامتری (Parameter Functions)
• 28. توابع بازگشتی (Recursive Functions)
• 29. توابع lambda
• 30. توابع مرتبه بالا (Higher-Order Functions)
• 31. توابع گسترش (Extension Functions)
• 32. توابع درونی (Infix Functions)
• 33. توابع overload شده
• 34. مدیریت خطا و استثناها (Exception Handling)
• 35. try, catch, finally
• 36. throw
• 37. Null Safety در کاتلین
• 38. عملگرهای ? و !!
• 39. الگوهای Null Safety
• 40. کالکشن‌ها (Collections) در کاتلین
• 41. لیست‌ها (Lists)
• 42. مجموعه‌ها (Sets)
• 43. نگاشت‌ها (Maps)
• 44. کار با کالکشن‌ها: map, filter, reduce, fold
• 45. کار با کالکشن‌ها: forEach, groupBy, partition
• 46. کار با کالکشن‌ها: distinct, sorted, shuffled
• 47. کالکشن‌های تغییرناپذیر (Immutable Collections)
• 48. کالکشن‌های تغییرپذیر (Mutable Collections)
• 49. مفاهیم پایه Apache Spark
• 50. معماری Apache Spark
• 51. SparkSession
• 52. RDDs (Resilient Distributed Datasets)
• 53. ایجاد RDD از منابع مختلف
• 54. عملیات روی RDDs: transformation و action
• 55. تبدیلات RDD: map, flatMap, filter, distinct
• 56. تبدیلات RDD: reduceByKey, groupBy, sortByKey
• 57. تبدیلات RDD: join, union, intersection
• 58. عملیات RDD: count, collect, take, reduce
• 59. آشنایی با Apache Spark SQL
• 60. DataFrames در Spark
• 61. ایجاد DataFrame از منابع مختلف
• 62. عملیات روی DataFrames
• 63. دستورات SQL در Spark SQL
• 64. توابع UDF (User Defined Functions) در Spark SQL
• 65. Spark Streaming
• 66. مفاهیم پایه Spark Streaming
• 67. DStreams (Discretized Streams)
• 68. پردازش داده‌های جریانی
• 69. فریم‌ورک‌های دیگر برای Big Data Analytics
• 70. Apache Kafka آشنایی کلی
• 71. Apache Flink آشنایی کلی
• 72. Apache Beam آشنایی کلی
• 73. مدل داده در Big Data Analytics
• 74. پردازش داده‌های حجیم و توزیع شده
• 75. اصول طراحی الگوریتم برای Big Data
• 76. بهینه‌سازی کد کاتلین برای Big Data
• 77. استفاده از کتابخانه‌های کاتلین برای Big Data
• 78. کاتلین و ادغام با Hadoop
• 79. کاتلین و ادغام با Spark
• 80. کار با فایل‌های بزرگ (CSV, JSON, Parquet)
• 81. خواندن و نوشتن داده‌های بزرگ
• 82. اصول تحلیل داده در مقیاس بزرگ
• 83. بصری‌سازی داده‌های Big Data با کاتلین
• 84. کار با پایگاه‌داده‌های NoSQL
• 85. کاتلین و پایگاه‌داده‌های Graph
• 86. مفاهیم Data Lake و Data Warehouse
• 87. مدیریت داده‌های حجیم (Data Governance)
• 88. امنیت در Big Data Analytics
• 89. مقدمه‌ای بر یادگیری ماشین با کاتلین
• 90. کار با کتابخانه‌های یادگیری ماشین (مثال)
• 91. مقدمه‌ای بر پردازش زبان طبیعی (NLP) با کاتلین
• 92. کار با کتابخانه‌های NLP (مثال)
• 93. ساخت API با کاتلین برای سرویس‌های Big Data
• 94. مقدمه‌ای بر Orchestration با ابزارهایی مانند Apache Airflow
• 95. اصول طراحی سیستم‌های Big Data Scalable
• 96. نکات پیشرفته در Spark Performance Tuning
• 97. کار با Giga- and Tera-scale Datasets
• 98. پروژه‌های عملی و نمونه
• 99. تکنیک‌های Debugging در محیط Big Data
• 100. مقایسه کاتلین با زبان‌های دیگر در Big Data (Scala, Python)