فلش‌کارت‌های آموزشی پایگاه‌داده‌های NoSQL و یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایگاه‌داده‌های NoSQL و یادگیری ماشین

موضوع کلی: مدیریت سیستم‌های مبتنی بر یونیکس

موضوع میانی: مدیریت سیستم‌های مدیریت داده‌های توزیع شده برای یادگیری ماشین (Distributed Data Management for Machine Learning)

📋 سرفصل‌های دوره

• 1. پایگاه‌داده‌های NoSQL: مقدمه‌ای و مفاهیم پایه
• 2. انواع پایگاه‌داده‌های NoSQL: کلید-مقدار، ستونی، سندمحور، گراف
• 3. پایگاه‌داده‌های کلید-مقدار: Redis و Memcached
• 4. پایگاه‌داده‌های ستونی: Cassandra و HBase
• 5. پایگاه‌داده‌های سندمحور: MongoDB و CouchDB
• 6. پایگاه‌داده‌های گراف: Neo4j و JanusGraph
• 7. مدل‌سازی داده در پایگاه‌داده‌های NoSQL: اصول و الگوها
• 8. مزایا و معایب پایگاه‌داده‌های NoSQL در مقایسه با پایگاه‌داده‌های رابطه‌ای
• 9. انتخاب پایگاه‌داده NoSQL مناسب برای یک کاربرد خاص
• 10. نصب و پیکربندی MongoDB
• 11. عملیات CRUD در MongoDB: درج، خواندن، به‌روزرسانی، حذف
• 12. جستجو در MongoDB: اپراتورهای پرس و جو و شاخص‌ها
• 13. مجموعه‌ها و اسناد در MongoDB: ساختار و ویژگی‌ها
• 14. MongoDB Aggregation Framework: پردازش داده‌های پیچیده
• 15. MongoDB Replication: افزایش قابلیت اطمینان و دسترس‌پذیری
• 16. MongoDB Sharding: توزیع داده‌ها در چندین سرور
• 17. پایگاه‌داده Cassandra: مقدمه‌ای و مفاهیم پایه
• 18. مدل‌سازی داده در Cassandra: کلید پارتیشن و ستونی
• 19. نوشتن داده‌ها در Cassandra: Consistency Levels
• 20. خواندن داده‌ها در Cassandra: Consistency Levels و Query Options
• 21. Cassandra Query Language (CQL): پرس و جوهای پایه و پیچیده
• 22. Cassandra Data Modeling: Best Practices
• 23. Cassandra Performance Tuning: تنظیمات و بهینه‌سازی‌ها
• 24. Neo4j: مقدمه‌ای و مفاهیم پایه
• 25. مدل‌سازی داده در Neo4j: گره‌ها، روابط و ویژگی‌ها
• 26. Cypher Query Language: پرس و جوهای پایه و پیچیده
• 27. Neo4j Indexes: بهبود عملکرد پرس و جوها
• 28. Neo4j Transactions: مدیریت تراکنش‌ها
• 29. Neo4j Clustering: افزایش قابلیت اطمینان و دسترس‌پذیری
• 30. مقدمه‌ای بر یادگیری ماشین: مفاهیم پایه و کاربردها
• 31. پیش‌پردازش داده‌ها برای یادگیری ماشین: پاکسازی، تبدیل و نرمال‌سازی
• 32. انتخاب ویژگی‌ها: روش‌های فیلتر و پوشه‌ای
• 33. الگوریتم‌های یادگیری ماشین نظارت‌شده: رگرسیون خطی، درخت تصمیم، جنگل تصادفی
• 34. الگوریتم‌های یادگیری ماشین بدون نظارت‌شده: خوشه‌بندی K-means، تحلیل مولفه اصلی
• 35. ارزیابی مدل‌های یادگیری ماشین: معیارهای دقت، صحت و فراخوانی
• 36. مقدمه‌ای بر شبکه‌های عصبی: ساختار و عملکرد
• 37. شبکه‌های عصبی چندلایه: آموزش و تنظیم پارامترها
• 38. شبکه‌های عصبی کانولوشنال: پردازش تصاویر و ویدیوها
• 39. شبکه‌های عصبی بازگشتی: پردازش زبان طبیعی و سری‌های زمانی
• 40. یادگیری عمیق: مفاهیم و کاربردها
• 41. استفاده از کتابخانه‌های یادگیری ماشین: Scikit-learn، TensorFlow، Keras
• 42. کاربرد پایگاه‌داده‌های NoSQL در یادگیری ماشین: ذخیره و پردازش داده‌ها
• 43. پیاده‌سازی یک پروژه یادگیری ماشین با استفاده از پایگاه‌داده NoSQL