اکسپرس 24
کتاب Apache Spark برای پردازش داده‌های هوش مصنوعی

کتاب Apache Spark برای پردازش داده‌های هوش مصنوعی

تگ‌ها: Apache Spark Big Data Data Engineering Distributed Computing Feature Engineering Machine Learning PySpark Spark MLlib Spark SQL پردازش توزیع شده پردازش داده‌های حجیم داده‌کاوی مهندسی داده هوش مصنوعی یادگیری ماشین

انتخاب پلن

افزودنی‌های اختیاری

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 Apache Spark برای پردازش داده‌های هوش مصنوعی

موضوع کلی: هوش مصنوعی بومی و کاربردی

موضوع میانی: Spark

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر پردازش داده‌های حجیم در هوش مصنوعی
  • 2. معماری Apache Spark و اجزای اصلی آن
  • 3. نصب و پیکربندی محیط Spark
  • 4. مفهوم RDD و عملیات Transform و Action
  • 5. کار با Spark DataFrame و Dataset
  • 6. ساختار داده‌های Schema در Spark
  • 7. خواندن داده‌ها از منابع مختلف (CSV, JSON, Parquet)
  • 8. عملیات فیلتر کردن و انتخاب داده‌ها در DataFrame
  • 9. توابع تجمعی و گروه‌بندی داده‌ها (Aggregation & GroupBy)
  • 10. اتصال جداول و عملیات Join در مقیاس بزرگ
  • 11. مدیریت مقادیر گم‌شده و پاکسازی داده‌ها
  • 12. تبدیل انواع داده‌ها و Cast کردن
  • 13. کار با توابع داخلی Spark SQL
  • 14. نوشتن کوئری‌های SQL روی DataFrameها
  • 15. مفهوم Lazy Evaluation و DAG
  • 16. بهینه‌سازی اجرای برنامه‌ها با Spark UI
  • 17. مدیریت حافظه و تنظیمات Memory Management
  • 18. مفهوم Partitioning و Shuffling
  • 19. استراتژی‌های Bucketizing برای بهبود سرعت
  • 20. کار با Spark Streaming برای داده‌های زنده
  • 21. مفهوم Window Functions برای تحلیل سری‌های زمانی
  • 22. تولید ویژگی‌ها (Feature Engineering) با Spark
  • 23. کار با Spark MLlib برای یادگیری ماشین
  • 24. مفهوم VectorAssembler برای آماده‌سازی ورودی‌ها
  • 25. نرمال‌سازی داده‌ها با StandardScaler
  • 26. تبدیل متغیرهای دسته‌ای با StringIndexer و OneHotEncoder
  • 27. ساخت خط لوله‌های پردازشی با Pipeline
  • 28. پیاده‌سازی رگرسیون خطی در مقیاس بزرگ
  • 29. پیاده‌سازی رگرسیون لجستیک برای طبقه‌بندی
  • 30. الگوریتم‌های تصمیم‌گیرنده (Decision Trees) در Spark
  • 31. پیاده‌سازی Random Forest برای داده‌های حجیم
  • 32. الگوریتم Gradient Boosted Trees (GBT)
  • 33. خوشه‌بندی داده‌ها با K-Means
  • 34. کاهش ابعاد با PCA در Spark MLlib
  • 35. سیستم‌های توصیه‌گر با روش ALS
  • 36. ارزیابی مدل‌های یادگیری ماشین با Evaluators
  • 37. تنظیم ابرپارامترها با CrossValidator و ParamGrid
  • 38. ذخیره‌سازی و بارگذاری مدل‌های آموزش‌دیده
  • 39. اتصال Spark به دیتابیس‌های NoSQL (مثل MongoDB و Cassandra)
  • 40. پردازش داده‌های متنی با Spark NLP
  • 41. تکنیک‌های Tokenization و Stop-words removal
  • 42. استخراج ویژگی‌های متنی با TF-IDF
  • 43. کار با Word2Vec در Spark
  • 44. پیاده‌سازی مدل‌های تحلیل احساسات (Sentiment Analysis)
  • 45. بهینه‌سازی Joinها با Broadcast Variables
  • 46. استفاده از Accumulators برای شمارش سراسری
  • 47. مدیریت خطاها و Debugging در Spark
  • 48. کار با PySpark در محیط Jupyter Notebook
  • 49. استقرار Spark روی کلاستر Hadoop YARN
  • 50. استفاده از Spark در محیط‌های ابری (Databricks, AWS EMR)
  • 51. تکنیک‌های Caching و Persistence
  • 52. بهبود عملکرد با استفاده از Catalyst Optimizer
  • 53. کار با داده‌های ساختارنیافته در مقیاس پتا‌بایت
  • 54. پایش عملکرد کلاستر و شناسایی گلوگاه‌ها
  • 55. یکپارچه‌سازی Spark با مدل‌های Deep Learning (مثل Horovod)
  • 56. آماده‌سازی داده‌های آموزشی برای مدل‌های Transformer
  • 57. استخراج ویژگی‌های پیچیده برای مدل‌های هوش مصنوعی
  • 58. مدیریت داده‌های نامتوازن (Imbalanced Data) در Spark
  • 59. تولید گزارشات تحلیلی از داده‌های پردازش شده
  • 60. پیاده‌سازی یک پروژه کامل پردازش داده تا مدل‌سازی

📚 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.