فلش‌کارت‌های آموزشی تسلط بر داده‌های بزرگ: تکنیک‌ها و ابزارهای کارآمد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر داده‌های بزرگ: تکنیک‌ها و ابزارهای کارآمد

موضوع کلی: علم داده و تحلیل داده‌های بزرگ

موضوع میانی: پردازش و مدیریت داده‌های حجیم

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علم داده و داده‌های بزرگ
• 2. مفاهیم کلیدی داده‌های بزرگ: حجم، سرعت، تنوع
• 3. معماری‌های ذخیره‌سازی داده‌های بزرگ
• 4. سیستم‌های فایل توزیع‌شده: HDFS
• 5. مقدمه‌ای بر پایگاه‌های داده NoSQL
• 6. پایگاه داده‌های ستونی: Cassandra و HBase
• 7. پایگاه داده‌های گراف: Neo4j
• 8. پردازش دسته‌ای داده‌های بزرگ با MapReduce
• 9. فریم‌ورک Apache Hadoop: اجزا و پیکربندی
• 10. زبان برنامه‌نویسی پایتون برای تحلیل داده‌ها
• 11. کتابخانه‌های پایتون: NumPy و Pandas
• 12. تجسم داده‌ها با Matplotlib و Seaborn
• 13. پردازش جریانی داده‌ها: Apache Kafka
• 14. Apache Spark: مقدمه‌ای و معماری
• 15. پردازش داده‌ها با Spark: RDDها و DataFrameها
• 16. Spark SQL: کوئری زدن به داده‌های ساختاریافته
• 17. یادگیری ماشین در مقیاس بزرگ با MLlib
• 18. پیش‌پردازش داده‌ها: پاکسازی و تبدیل
• 19. انتخاب ویژگی و کاهش ابعاد
• 20. مدل‌های طبقه‌بندی در یادگیری ماشین
• 21. مدل‌های رگرسیون در یادگیری ماشین
• 22. ارزیابی مدل‌های یادگیری ماشین
• 23. بهینه‌سازی مدل‌های یادگیری ماشین
• 24. مقدمه‌ای بر داده‌کاوی
• 25. تحلیل سبد خرید و قوانین وابستگی
• 26. خوشه‌بندی داده‌ها با الگوریتم‌های مختلف
• 27. تشخیص ناهنجاری در داده‌های بزرگ
• 28. مدیریت کیفیت داده‌ها
• 29. امنیت داده‌ها در محیط‌های بزرگ
• 30. مقیاس‌پذیری و تحمل خطا در سیستم‌های داده‌های بزرگ
• 31. استقرار و مدیریت سیستم‌های داده‌های بزرگ در فضای ابری
• 32. مقدمه‌ای بر داده‌دریافت (Data Ingestion)
• 33. ابزارهای ETL (Extract, Transform, Load)
• 34. داده‌گردانی (Data Wrangling)
• 35. کار با فرمت‌های مختلف داده: JSON، CSV، XML
• 36. پردازش داده‌های نیمه‌ساختاریافته
• 37. استفاده از داده‌های بزرگ در بازاریابی
• 38. تحلیل احساسات در شبکه‌های اجتماعی
• 39. پیش‌بینی تقاضا با استفاده از داده‌های بزرگ
• 40. بهینه‌سازی زنجیره تامین با استفاده از داده‌های بزرگ
• 41. داده‌های بزرگ در حوزه سلامت
• 42. داده‌های بزرگ در حوزه مالی
• 43. مقدمه‌ای بر داده‌کاوی متنی
• 44. پردازش زبان طبیعی (NLP)
• 45. تحلیل متن با استفاده از ابزارهای مختلف
• 46. خلاصه‌سازی متن
• 47. شناسایی موجودیت‌های نام‌دار (NER)
• 48. مقدمه‌ای بر داده‌های مکانی
• 49. GIS و تحلیل داده‌های مکانی
• 50. نقشه‌برداری و تجسم داده‌های مکانی
• 51. تحلیل شبکه‌های اجتماعی
• 52. تحلیل گراف و الگوریتم‌های مربوطه
• 53. مقدمه‌ای بر داده‌های زمانی
• 54. سری‌های زمانی و پیش‌بینی
• 55. تحلیل الگوهای زمانی
• 56. بهینه‌سازی عملکرد Spark
• 57. تنظیم پارامترهای Spark
• 58. پایش و عیب‌یابی سیستم‌های Spark
• 59. استفاده از Spark Streaming برای پردازش جریانی
• 60. مقدمه‌ای بر پایگاه داده‌های Time Series
• 61. InfluxDB و Prometheus
• 62. ذخیره‌سازی و تحلیل داده‌های سنسور
• 63. جمع‌آوری و پردازش داده‌های لاگ
• 64. استفاده از داده‌های بزرگ برای تشخیص تقلب
• 65. تحلیل رفتار کاربر و شناسایی الگوهای مشکوک
• 66. مقدمه‌ای بر هوش تجاری (BI) و داشبوردهای داده
• 67. ابزارهای BI: Tableau و Power BI
• 68. ساخت داشبوردهای تعاملی
• 69. گزارش‌گیری از داده‌های بزرگ
• 70. مفاهیم پایه‌ای احتمال و آمار برای تحلیل داده
• 71. آزمون فرضیه
• 72. تحلیل واریانس (ANOVA)
• 73. رگرسیون خطی چندگانه
• 74. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 75. شبکه‌های عصبی کانولوشنال (CNN)
• 76. شبکه‌های عصبی بازگشتی (RNN)
• 77. کاربرد یادگیری عمیق در تحلیل داده‌های بزرگ
• 78. مفاهیم اخلاقی در تحلیل داده‌های بزرگ
• 79. حریم خصوصی داده‌ها و مقررات مربوطه
• 80. مسئولیت‌پذیری در استفاده از داده‌های بزرگ