اکسپرس 24
کتاب پردازش داده‌های حجیم با آپاچی اسپارک برای یادگیری ماشین مقیاس‌پذیر

کتاب پردازش داده‌های حجیم با آپاچی اسپارک برای یادگیری ماشین مقیاس‌پذیر

تگ‌ها: Apache Spark Big Data Machine Learning آپاچی اسپارک بیگ دیتا پردازش داده حجیم داده‌های بزرگ مقیاس‌پذیر هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش داده‌های حجیم با آپاچی اسپارک برای یادگیری ماشین مقیاس‌پذیر

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: یادگیری ماشین و هوش مصنوعی

📋 سرفصل‌های دوره

  • 1. مبانی پردازش داده‌های حجیم
  • 2. آشنایی با آپاچی اسپارک
  • 3. معماری اسپارک
  • 4. مفاهیم RDD در اسپارک
  • 5. عملیات ترنسفورمیتیو RDD
  • 6. عملیات اکشن RDD
  • 7. کار با داده‌های ساختاریافته در اسپارک
  • 8. مقدمه‌ای بر اسپارک SQL
  • 9. عملیات فیلترینگ و انتخاب داده
  • 10. عملیات نگاشت و تبدیل داده
  • 11. عملیات کاهش و تجمیع داده
  • 12. عملیات مرتب‌سازی و گروه‌بندی داده
  • 13. کتابخانه اسپارک استریمینگ
  • 14. پردازش داده‌های زنده
  • 15. مفاهیم پنجره زمانی در استریمینگ
  • 16. کار با منابع داده در استریمینگ
  • 17. خروجی‌گیری از اسپارک استریمینگ
  • 18. مقدمه‌ای بر اسپارک MLlib
  • 19. کار با داده‌های برداری
  • 20. پیش‌پردازش داده‌ها برای یادگیری ماشین
  • 21. تکمیل داده‌های گمشده
  • 22. استانداردسازی و نرمال‌سازی داده‌ها
  • 23. کدگذاری داده‌های دسته‌ای
  • 24. انتخاب ویژگی
  • 25. روش‌های انتخاب ویژگی مبتنی بر فیلتر
  • 26. روش‌های انتخاب ویژگی مبتنی بر wrapper
  • 27. روش‌های انتخاب ویژگی مبتنی بر embedded
  • 28. مدل‌های یادگیری ماشین در MLlib
  • 29. رگرسیون خطی
  • 30. رگرسیون لجستیک
  • 31. ماشین‌های بردار پشتیبان (SVM)
  • 32. درخت‌های تصمیم
  • 33. جنگل‌های تصادفی
  • 34. مدل‌های خوشه‌بندی
  • 35. الگوریتم K-Means
  • 36. مدل‌های کاهش ابعاد
  • 37. تحلیل مولفه‌های اصلی (PCA)
  • 38. نکات کلیدی در ارزیابی مدل
  • 39. معیارهای ارزیابی مدل رگرسیون
  • 40. معیارهای ارزیابی مدل طبقه‌بندی
  • 41. اعتبارسنجی متقابل
  • 42. تنظیم هایپرپارامترها
  • 43. تنظیم گرادیان کاهشی
  • 44. تنظیم پارامترهای درخت تصمیم
  • 45. تنظیم پارامترهای جنگل تصادفی
  • 46. تنظیم پارامترهای K-Means
  • 47. یادگیری عمیق با اسپارک
  • 48. مقدمه‌ای بر شبکه‌های عصبی
  • 49. لایه‌های کانولوشنال
  • 50. لایه‌های بازگشتی
  • 51. کار با چارچوب‌های یادگیری عمیق
  • 52. استفاده از TensorFlow با اسپارک
  • 53. استفاده از PyTorch با اسپارک
  • 54. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
  • 55. پردازش متن با اسپارک
  • 56. استخراج ویژگی از متن
  • 57. مدل‌سازی موضوعی
  • 58. تحلیل احساسات
  • 59. سیستم‌های توصیه‌گر
  • 60. فیلترینگ مشارکتی
  • 61. فیلترینگ مبتنی بر محتوا
  • 62. ترکیب روش‌های توصیه‌گر
  • 63. پردازش داده‌های مکانی-زمانی
  • 64. تجزیه و تحلیل داده‌های حسگر
  • 65. مدل‌سازی پیش‌بینی‌کننده
  • 66. کاربردها در حوزه سلامت
  • 67. کاربردها در حوزه مالی
  • 68. کاربردها در حوزه تجارت الکترونیک
  • 69. کاربردها در حوزه حمل و نقل
  • 70. کاربردها در حوزه انرژی
  • 71. کاربردها در حوزه دولتی
  • 72. امنیت داده‌ها در اسپارک
  • 73. مدیریت دسترسی و احراز هویت
  • 74. رمزنگاری داده‌ها
  • 75. حفاظت از حریم خصوصی داده‌ها
  • 76. قوانین و مقررات حفاظت از داده‌ها
  • 77. مقیاس‌پذیری پردازش داده‌ها
  • 78. بهینه‌سازی عملکرد اسپارک
  • 79. تنظیم پارامترهای اسپارک
  • 80. توزیع بار کاری در اسپارک
  • 81. مدیریت حافظه در اسپارک
  • 82. کار با فایل سیستم‌های توزیع شده
  • 83. HDFS و ذخیره‌سازی داده‌ها
  • 84. Amazon S3 و ذخیره‌سازی داده‌ها
  • 85. Azure Data Lake Storage و ذخیره‌سازی داده‌ها
  • 86. مقدمه‌ای بر معماری‌های داده مدرن
  • 87. انبارهای داده (Data Warehouses)
  • 88. دریاچه‌های داده (Data Lakes)
  • 89. مفاهیم Data Mesh
  • 90. داده‌های سازمان یافته و بدون ساختار
  • 91. استفاده از داده‌های گراف
  • 92. مقدمه‌ای بر پردازش گراف در اسپارک
  • 93. کتابخانه GraphX در اسپارک
  • 94. الگوریتم‌های پردازش گراف
  • 95. کاربرد پردازش گراف در شبکه‌های اجتماعی
  • 96. کاربرد پردازش گراف در تحلیل داده‌های متصل
  • 97. مباحث پیشرفته در یادگیری ماشین مقیاس‌پذیر
  • 98. یادگیری فعال (Active Learning)
  • 99. یادگیری تقویتی (Reinforcement Learning)
  • 100. یادگیری انتقالی (Transfer Learning)

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.