کتاب صوتی کتاب جامع عملکرد بالا در Apache Spark: اصول حرفه‌ای برای مقیاس‌پذیری و بهینه‌سازی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع عملکرد بالا در Apache Spark: اصول حرفه‌ای برای مقیاس‌پذیری و بهینه‌سازی

موضوع کلی: مهندسی داده و تحلیل کلان داده

موضوع میانی: بهینه‌سازی و مقیاس‌پذیری Apache Spark

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی داده و تحلیل کلان داده
• 2. آشنایی با Apache Spark و اکوسیستم آن
• 3. مروری بر معماری Spark: Driver, Executors, Cluster Manager
• 4. نصب و راه‌اندازی Spark: Local, Standalone, YARN, Mesos
• 5. آشنایی با Spark Shell و استفاده از آن
• 6. SparkContext و SparkSession: نقطه ورود به Spark
• 7. RDD: معرفی، ایجاد و عملیات پایه
• 8. DataFrames و Datasets: ساختاردهی به داده‌ها در Spark
• 9. تبدیلات (Transformations) و اعمال (Actions) در Spark
• 10. توابع محاسباتی (Functions) و UDF ها در Spark
• 11. کار با انواع داده‌ها و Schema در Spark
• 12. خواندن و نوشتن داده‌ها: CSV, JSON, Parquet, ORC
• 13. مدیریت منابع: تنظیمات حافظه و CPU در Spark
• 14. پارامترهای پیکربندی Spark: SparkConf و SparkSession
• 15. مدیریت ذخیره‌سازی: Memory و Disk در Spark
• 16. پارتیشن‌بندی داده‌ها: کنترل موازی‌سازی
• 17. بهینه‌سازی پارتیشن‌بندی: استراتژی‌ها و تکنیک‌ها
• 18. Broadcasting و Accumulators: اشتراک‌گذاری داده‌ها
• 19. آشنایی با Spark UI و مانیتورینگ عملکرد
• 20. شناسایی و رفع گلوگاه‌های عملکرد Spark
• 21. بهینه‌سازی I/O: خواندن و نوشتن داده‌ها
• 22. بهینه‌سازی serialization: Kryo و Java serialization
• 23. کار با داده‌های متنی: Text Processing در Spark
• 24. آشنایی با Spark SQL: Querying داده‌های ساختاریافته
• 25. SQL Context و DataFrame API در Spark SQL
• 26. بهینه‌سازی Query Plan در Spark SQL
• 27. کار با توابع داخلی SQL و UDF ها در Spark SQL
• 28. استفاده از Spark SQL برای تجزیه و تحلیل داده‌ها
• 29. آشنایی با Spark Streaming: پردازش داده‌های جریانی
• 30. اجزای Spark Streaming: DStream, Receiver, Transformations
• 31. پنجره‌بندی (Windowing) در Spark Streaming
• 32. ادغام Spark Streaming با Kafka و دیگر منابع داده
• 33. پیاده‌سازی برنامه‌های Spark Streaming
• 34. آشنایی با Spark MLlib: یادگیری ماشین در Spark
• 35. مفاهیم پایه یادگیری ماشین: آموزش و ارزیابی
• 36. کار با انواع الگوریتم‌های یادگیری ماشین در MLlib
• 37. پیاده‌سازی رگرسیون، طبقه‌بندی و خوشه‌بندی در MLlib
• 38. بهینه‌سازی مدل‌های یادگیری ماشین در Spark
• 39. ارزیابی مدل‌های یادگیری ماشین: متریک‌ها و روش‌ها
• 40. Pipeline API در MLlib: ساخت جریان‌های یادگیری
• 41. کار با داده‌های گراف: GraphFrames و GraphX
• 42. آشنایی با GraphFrames: ساخت و تحلیل گراف‌ها
• 43. الگوریتم‌های گراف در GraphFrames
• 44. ادغام Spark با Hadoop: HDFS, YARN
• 45. استفاده از Spark در محیط‌های Hadoop موجود
• 46. بهینه‌سازی Spark در محیط‌های Hadoop
• 47. دسترسی به منابع خارجی در Spark
• 48. بهبود کارایی و عملکرد Spark
• 49. بهینه‌سازی Joins در Spark
• 50. بهینه‌سازی Aggregation در Spark
• 51. استفاده از Cache و Persist در Spark
• 52. بهینه‌سازی Data Locality در Spark
• 53. انتخاب مناسب نوع داده و Schema
• 54. بهینه‌سازی serialization و compression در Spark
• 55. شناسایی مشکلات عملکرد با استفاده از Spark UI
• 56. عیب‌یابی برنامه‌های Spark
• 57. تنظیمات Garbage Collection در Spark
• 58. مدیریت منابع و پیکربندی Spark در YARN
• 59. مدیریت منابع و پیکربندی Spark در Mesos
• 60. مدیریت و مانیتورینگ برنامه‌های Spark در Production
• 61. استفاده از Spark در محیط‌های ابری (AWS, Azure, GCP)
• 62. یکپارچه‌سازی Spark با ابزارهای مختلف (Zeppelin, Jupyter)
• 63. مدیریت وابستگی‌ها و بسته‌ها در Spark
• 64. بهره‌وری از Cache و Persist
• 65. بهینه‌سازی عملیات shuffle
• 66. شناخت و مقابله با داده‌های skew
• 67. استفاده از تکنیک‌های Broadcast Join
• 68. بهینه‌سازی تعداد پارتیشن‌ها
• 69. بهبود عملکرد با استفاده از فایل‌های Parquet و ORC
• 70. شناسایی و رفع bottlenecks در برنامه‌های Spark Streaming
• 71. بهینه‌سازی برنامه‌های Spark Streaming برای throughput بالا
• 72. مدیریت حالت (state) در Spark Streaming
• 73. ایجاد custom receivers در Spark Streaming
• 74. فراخوانی توابع بیرونی در Spark
• 75. استفاده از کتابخانه‌های خارجی در Spark
• 76. آزمایش (testing) برنامه‌های Spark
• 77. مدیریت خطا و استثنائات در Spark
• 78. امنیت در Spark: احراز هویت و مجوزها
• 79. مبانی Spark Structured Streaming
• 80. تبدیل از Spark Streaming به Structured Streaming
• 81. کار با منابع داده و sink ها در Structured Streaming
• 82. Windowing و Aggregation در Structured Streaming
• 83. مدیریت حالت در Structured Streaming
• 84. استفاده از توابع User-Defined در Structured Streaming
• 85. ادغام Structured Streaming با Kafka و دیگر سیستم‌ها
• 86. معرفی Spark Connect
• 87. مفاهیم و معماری Spark Connect
• 88. استفاده از Spark Connect برای تعامل با Spark
• 89. مقایسه Spark Connect با Spark Core
• 90. مزایا و معایب Spark Connect
• 91. نظارت بر Spark Connect
• 92. بهبود مقیاس‌پذیری Spark: Tuning Cluster
• 93. بهبود مقیاس‌پذیری Spark: Parallelism
• 94. بهبود مقیاس‌پذیری Spark: Caching و Persisting
• 95. بهبود مقیاس‌پذیری Spark: I/O Optimization
• 96. بهبود مقیاس‌پذیری Spark: Resource Management
• 97. استفاده از Spark در محیط‌های بزرگ داده
• 98. آینده Apache Spark
• 99. بهترین شیوه‌ها و نکات کلیدی برای توسعه برنامه‌های Spark با عملکرد بالا