فلش‌کارت‌های آموزشی پیاده‌سازی راهکارهای تحلیل داده با استفاده از Azure Databricks

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی راهکارهای تحلیل داده با استفاده از Azure Databricks

موضوع کلی: مهندسی نرم‌افزار و فناوری اطلاعات

موضوع میانی: تحلیل داده و کلان‌داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده و کلان‌داده
• 2. مبانی مهندسی نرم‌افزار و فنّاوری اطلاعات
• 3. مفاهیم کلیدی در تحلیل داده
• 4. کاربرد تحلیل داده در صنایع مختلف
• 5. معرفی پلتفرم Azure Databricks
• 6. معماری Azure Databricks
• 7. نصب و پیکربندی محیط Databricks
• 8. مخازن داده در Azure
• 9. اتصال به منابع داده متنوع
• 10. مبانی کار با Apache Spark
• 11. Spark SQL برای تحلیل داده
• 12. Spark Streaming برای داده‌های زنده
• 13. Machine Learning با Spark MLlib
• 14. مقدمه‌ای بر یادگیری ماشین
• 15. انواع الگوریتم‌های یادگیری ماشین
• 16. پیش‌پردازش داده‌ها در Databricks
• 17. مهندسی ویژگی (Feature Engineering)
• 18. انتخاب و ارزیابی مدل‌های یادگیری ماشین
• 19. مدل‌های طبقه‌بندی (Classification)
• 20. مدل‌های رگرسیون (Regression)
• 21. مدل‌های خوشه‌بندی (Clustering)
• 22. مدل‌های سری زمانی (Time Series)
• 23. مدیریت چرخه حیات مدل‌های یادگیری ماشین
• 24. بهینه‌سازی عملکرد مدل‌ها
• 25. استقرار مدل‌ها در Azure
• 26. ابزارهای بصری‌سازی داده در Databricks
• 27. مقدمه‌ای بر بصری‌سازی داده
• 28. نمودارهای رایج و کاربرد آن‌ها
• 29. طراحی داشبوردهای تحلیلی
• 30. مقدمه‌ای بر کلان‌داده (Big Data)
• 31. چالش‌های کلان‌داده
• 32. معماری‌های کلان‌داده
• 33. ذخیره‌سازی کلان‌داده (Data Lakes)
• 34. پردازش کلان‌داده
• 35. ابزارهای اکوسیستم کلان‌داده
• 36. مبانی Apache Hadoop
• 37. HDFS و YARN
• 38. MapReduce (مفهومی)
• 39. Apache Hive
• 40. Apache Spark (مرور عمیق‌تر)
• 41. Spark Core API
• 42. Spark SQL (کاربردهای پیشرفته)
• 43. Spark Streaming (کاربردهای پیشرفته)
• 44. Spark MLlib (کاربردهای پیشرفته)
• 45. Spark GraphX (مقدماتی)
• 46. امنیت در محیط Databricks
• 47. مدیریت دسترسی و احراز هویت
• 48. امنیت داده‌ها و رمزنگاری
• 49. حفظ حریم خصوصی داده‌ها
• 50. اصول حاکمیت داده (Data Governance)
• 51. استانداردهای کیفیت داده
• 52. مدیریت فراداده (Metadata Management)
• 53. ابزارهای مدیریت فراداده
• 54. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 55. تفاوت تحلیل داده و هوش تجاری
• 56. نرم‌افزارهای هوش تجاری
• 57. طراحی انبار داده (Data Warehousing)
• 58. مفاهیم انبار داده
• 59. مدل‌سازی ابعادی (Dimensional Modeling)
• 60. ETL (Extract, Transform, Load)
• 61. مقدمه‌ای بر Azure Data Factory
• 62. ساخت پایپ‌لاین‌های ETL/ELT
• 63. اتوماسیون فرآیندهای داده
• 64. مانیتورینگ و گزارش‌دهی در Databricks
• 65. Logging و Auditing
• 66. Troubleshooting در Databricks
• 67. بهینه‌سازی هزینه‌ها در Azure Databricks
• 68. مدیریت منابع محاسباتی
• 69. انتخاب مناسب ماشین‌ها (VMs)
• 70. استفاده از Spot Instances (در صورت امکان و انطباق)
• 71. مقدمه‌ای بر DevOps برای تحلیل داده
• 72. CI/CD در Databricks
• 73. خودکارسازی تست‌ها
• 74. پایش عملکرد سیستم‌های تحلیل داده
• 75. نکات پیشرفته در Spark SQL
• 76. بهینه‌سازی کوئری‌های Spark
• 77. استفاده از Caching و Persistence
• 78. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 79. کاربرد یادگیری عمیق در تحلیل داده
• 80. کتابخانه‌های یادگیری عمیق (TensorFlow/PyTorch - مفهومی)
• 81. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 82. کاربرد NLP در تحلیل داده
• 83. تکنیک‌های پایه NLP
• 84. مقدمه‌ای بر بینایی ماشین (Computer Vision)
• 85. کاربرد بینایی ماشین در تحلیل داده
• 86. تکنیک‌های پایه بینایی ماشین
• 87. مدیریت پروژه‌های تحلیل داده
• 88. فازهای مختلف پروژه تحلیل داده
• 89. تیم‌سازی و نقش‌ها در پروژه
• 90. اخلاق در تحلیل داده
• 91. سوگیری در داده‌ها و مدل‌ها
• 92. تفسیرپذیری مدل‌های یادگیری ماشین (Explainable AI)
• 93. ملاحظات قانونی و مقرراتی (با تأکید بر قوانین ایران)
• 94. حفظ امنیت و محرمانگی داده‌های حساس
• 95. تحلیل داده برای تصمیم‌گیری استراتژیک
• 96. مطالعات موردی موفق در ایران
• 97. آینده تحلیل داده و کلان‌داده
• 98. روندهای نوظهور در صنعت داده
• 99. نتیجه‌گیری و جمع‌بندی مباحث