مجموعه عظیم کتاب های هوش‌مندسازی داده با Spark: از تحلیل تا یادگیری ماشین در ابر

مجموعه عظیم کتاب های هوش‌مندسازی داده با Spark: از تحلیل تا یادگیری ماشین در ابر

🎁 این محصول شامل دوره‌های زیر است

تعداد کل دوره‌ها: 10

• 📘دوره کاوش در داده‌های بزرگ با Spark
• 📘دوره Spark و پردازش جریان داده
• 📘دوره تحلیل داده‌های حجیم با پایتون و Spark
• 📘دوره مقدمه‌ای بر Spark MLlib و یادگیری ماشین
• 📘دوره Spark و معماری دریاچه داده
• 📘دوره بهینه‌سازی Spark برای مقیاس‌پذیری
• 📘دوره Spark و داده‌کاوی پیشرفته
• 📘دوره Spark در محیط ابری: AWS، Azure، GCP
• 📘دوره تجسم داده با Spark و ابزارهای BI
• 📘دوره Spark و توسعهٔ برنامه‌های کاربردی هوشمند

📦 محتوای مجموعه

📋 سرفصل‌های دوره کاوش در داده‌های بزرگ با Spark

تعداد: 45 سرفصل

• 1. مقدمه‌ای بر داده‌های بزرگ
• 2. مفاهیم کلیدی داده‌های بزرگ
• 3. ویژگی‌های داده‌های بزرگ: حجم، سرعت و تنوع
• 4. معماری‌های ذخیره‌سازی داده‌های بزرگ
• 5. Hadoop: معرفی و اجزای اصلی
• 6. سیستم فایل توزیع‌شده Hadoop (HDFS)
• 7. پردازش دسته‌ای با MapReduce
• 8. بهینه‌سازی MapReduce
• 9. معرفی Spark: مزایا و تفاوت‌ها با Hadoop
• 10. معماری Spark: RDD، Driver و Executor
• 11. زبان Scala: اصول اولیه
• 12. نصب و راه‌اندازی Spark
• 13. ایجاد RDD در Spark
• 14. تبدیل RDD: Map، Filter و Reduce
• 15. عملیات RDD: Join و Group By
• 16. ذخیره‌سازی RDD: پارتیشن‌بندی و فرمت‌ها
• 17. Spark SQL: معرفی و کاربردها
• 18. کار با DataFrames در Spark
• 19. DataFrames: خواندن و نوشتن داده‌ها
• 20. DataFrames: تبدیل و فیلتر کردن داده‌ها
• 21. DataFrames: جمع‌آوری و گروه‌بندی داده‌ها
• 22. Spark Streaming: پردازش داده‌های جریانی
• 23. مقدمه‌ای بر MLlib: کتابخانه یادگیری ماشین Spark
• 24. مدل‌سازی رگرسیون با MLlib
• 25. مدل‌سازی خوشه‌بندی با MLlib
• 26. ارزیابی مدل‌های یادگیری ماشین در Spark
• 27. بهینه‌سازی عملکرد Spark
• 28. مانیتورینگ و عیب‌یابی Spark
• 29. Spark GraphX: تحلیل گراف در Spark
• 30. کار با GraphFrames
• 31. Spark و پایگاه داده‌های NoSQL
• 32. ادغام Spark با Hive
• 33. استفاده از Spark در محیط ابری
• 34. Spark و AWS
• 35. Spark و Azure
• 36. Spark و Google Cloud
• 37. بهینه‌سازی پارتیشن‌بندی داده‌ها
• 38. کنترل دسترسی به داده‌ها در Spark
• 39. امنیت در Spark
• 40. استفاده از Spark برای ETL
• 41. تحلیل داده‌های حسگر با Spark
• 42. پیش‌بینی سری‌های زمانی با Spark
• 43. کاربرد Spark در سیستم‌های توصیه‌گر
• 44. تحلیل شبکه‌های اجتماعی با Spark
• 45. نمونه‌های کاربردی Spark در صنعت

📋 سرفصل‌های دوره Spark و پردازش جریان داده

تعداد: 45 سرفصل

• 1. مقدمه‌ای بر چارچوب Spark
• 2. نصب و پیکربندی Spark
• 3. آشنایی با رابط کاربری Spark
• 4. RDD: مفاهیم و کاربردها
• 5. ایجاد RDD در Spark
• 6. تبدیلات RDD: Map و Filter
• 7. تبدیلات RDD: FlatMap و Distinct
• 8. عملیات RDD: Reduce و Aggregate
• 9. عملیات RDD: GroupByKey و SortByKey
• 10. RDD و حافظه: مفهوم Cache و Persistence
• 11. پارتیشن‌بندی RDD: اهمیت و روش‌ها
• 12. Broadcast Variables: بهینه‌سازی عملکرد
• 13. Accumulators: شمارش و جمع‌آوری داده‌ها
• 14. Spark SQL: مقدمه و مفاهیم
• 15. DataFrame: ساختار و مزایا
• 16. ایجاد DataFrame از منابع مختلف
• 17. انتخاب، فیلتر و مرتب‌سازی داده‌ها در DataFrame
• 18. عملیات گروهی و تجمیعی در DataFrame
• 19. Join کردن DataFrame‌ها
• 20. UDF: توابع تعریف شده توسط کاربر در Spark SQL
• 21. Dataset: مفاهیم و تفاوت با DataFrame
• 22. Spark Streaming: مقدمه و معماری
• 23. دریافت داده از منابع Streaming
• 24. تبدیلات و عملیات بر روی Stream
• 25. Windowing در Spark Streaming
• 26. Stateful Streaming: حفظ وضعیت در طول زمان
• 27. Checkpointing در Spark Streaming
• 28. Spark MLlib: معرفی کتابخانه یادگیری ماشین
• 29. رگرسیون خطی در Spark MLlib
• 30. دسته‌بندی با استفاده از الگوریتم‌های MLlib
• 31. خوشه‌بندی با استفاده از K-Means
• 32. ارزیابی مدل‌های یادگیری ماشین
• 33. تنظیم پارامترهای مدل در MLlib
• 34. Pipeline: ایجاد خط لوله یادگیری ماشین
• 35. Feature Engineering: آماده‌سازی داده‌ها برای ML
• 36. انتخاب ویژگی: روش‌های کاهش ابعاد
• 37. Spark GraphX: مقدمه و مفاهیم
• 38. نمایش گراف‌ها در Spark GraphX
• 39. الگوریتم‌های گراف در Spark GraphX
• 40. تحلیل مسیر در گراف‌ها
• 41. مرکزیت در گراف‌ها
• 42. Spark و Hadoop: یکپارچگی و همکاری
• 43. Spark و Kafka: پردازش داده‌های Streaming
• 44. Spark و Cassandra: ذخیره‌سازی داده‌ها
• 45. بهینه‌سازی عملکرد Spark: تنظیم پارامترها

📋 سرفصل‌های دوره تحلیل داده‌های حجیم با پایتون و Spark

تعداد: 45 سرفصل

• 1. مقدمه‌ای بر تحلیل داده‌های حجیم
• 2. آشنایی با محیط پایتون برای تحلیل داده
• 3. نصب و پیکربندی پایتون و کتابخانه‌های مورد نیاز
• 4. مبانی کار با داده‌ها در پایتون
• 5. خواندن و نوشتن داده‌ها از فایل‌های مختلف
• 6. آشنایی با ساختارهای داده‌ای پایتون
• 7. کار با آرایه‌ها و لیست‌ها در پایتون
• 8. کار با دیکشنری‌ها و مجموعه‌ها در پایتون
• 9. مقدمه‌ای بر Spark و کاربردهای آن
• 10. نصب و پیکربندی Spark
• 11. معماری Spark و اجزای اصلی آن
• 12. RDDها: مفاهیم و کاربردها
• 13. تبدیل داده‌ها در RDDها
• 14. عملیات RDD: فیلتر، نگاشت و کاهش
• 15. DataFrameها: مفاهیم و مزایا
• 16. ایجاد DataFrame از منابع مختلف
• 17. عملیات DataFrame: انتخاب، فیلتر و گروه‌بندی
• 18. کار با SQL در Spark
• 19. پیوستن DataFrameها
• 20. تجمیع داده‌ها در Spark
• 21. مقدمه‌ای بر Spark Streaming
• 22. پردازش داده‌های جریانی با Spark
• 23. کار با پنجره‌ها در Spark Streaming
• 24. ذخیره نتایج Spark Streaming
• 25. بهینه‌سازی عملکرد Spark
• 26. پارتیشن‌بندی داده‌ها
• 27. Broadcast Variables و Accumulators
• 28. تنظیم حافظه و منابع Spark
• 29. مقدمه‌ای بر یادگیری ماشین در Spark
• 30. خوشه‌بندی K-Means با Spark
• 31. رگرسیون خطی با Spark
• 32. طبقه‌بندی با استفاده از درخت تصمیم
• 33. ارزیابی مدل‌های یادگیری ماشین در Spark
• 34. مصورسازی داده‌ها با استفاده از Matplotlib و Seaborn
• 35. کار با کتابخانه Pandas در Spark
• 36. ادغام Pandas DataFrame با Spark DataFrame
• 37. استفاده از Spark برای پردازش داده‌های متنی
• 38. تحلیل لاگ‌ها با Spark
• 39. تحلیل احساسات با استفاده از Spark
• 40. کار با داده‌های جغرافیایی در Spark
• 41. مقدمه‌ای بر پایگاه داده NoSQL و Spark
• 42. اتصال به پایگاه داده‌های NoSQL از طریق Spark
• 43. ذخیره داده‌ها در پایگاه داده NoSQL با Spark
• 44. استفاده از Spark برای ETL (استخراج، تبدیل، بارگذاری)
• 45. کار با داده‌های بزرگ در فضای ابری

📋 سرفصل‌های دوره مقدمه‌ای بر Spark MLlib و یادگیری ماشین

تعداد: 45 سرفصل

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. داده‌کاوی و آماده‌سازی داده‌ها
• 3. مفاهیم آماری در یادگیری ماشین
• 4. مروری بر کتابخانه‌های پایتون برای یادگیری ماشین
• 5. معرفی Spark MLlib
• 6. نصب و پیکربندی Spark MLlib
• 7. ساختارهای داده‌ای در Spark MLlib
• 8. تبدیل داده‌ها در Spark MLlib
• 9. انتخاب ویژگی و کاهش ابعاد
• 10. الگوریتم‌های دسته‌بندی در Spark MLlib
• 11. رگرسیون خطی در Spark MLlib
• 12. درخت‌های تصمیم‌گیری در Spark MLlib
• 13. جنگل تصادفی در Spark MLlib
• 14. ماشین‌های بردار پشتیبان در Spark MLlib
• 15. خوشه‌بندی K-Means در Spark MLlib
• 16. خوشه‌بندی سلسله‌مراتبی در Spark MLlib
• 17. ارزیابی مدل‌های یادگیری ماشین
• 18. تنظیم پارامترهای مدل
• 19. اعتبارسنجی متقابل
• 20. مدل‌های ترکیبی
• 21. یادگیری ماشین توزیع‌شده
• 22. بهینه‌سازی عملکرد Spark MLlib
• 23. مقیاس‌پذیری در Spark MLlib
• 24. مدیریت حافظه در Spark MLlib
• 25. کار با داده‌های بزرگ
• 26. پیش‌پردازش متن در Spark MLlib
• 27. مدل‌سازی زبان با Spark MLlib
• 28. تحلیل احساسات با Spark MLlib
• 29. سیستم‌های توصیه‌گر با Spark MLlib
• 30. فیلترسازی مشارکتی
• 31. توصیه‌گرهای مبتنی بر محتوا
• 32. تحلیل شبکه‌های اجتماعی با Spark MLlib
• 33. تشخیص الگو در داده‌های زمانی
• 34. پیش‌بینی سری‌های زمانی با Spark MLlib
• 35. یادگیری تقویتی با Spark MLlib
• 36. به‌کارگیری مدل‌های یادگیری ماشین در Spark Streaming
• 37. نظارت بر مدل‌های یادگیری ماشین
• 38. به‌روزرسانی مدل‌های یادگیری ماشین
• 39. استفاده از Spark MLlib در محیط ابری
• 40. ادغام Spark MLlib با سایر ابزارها
• 41. مدیریت خطاهای مدل
• 42. تفسیرپذیری مدل‌های یادگیری ماشین
• 43. ملاحظات اخلاقی در یادگیری ماشین
• 44. بهینه‌سازی برای دقت و سرعت
• 45. استفاده از Pipelines در Spark MLlib

📋 سرفصل‌های دوره Spark و معماری دریاچه داده

تعداد: 45 سرفصل

• 1. آشنایی با چارچوب Spark
• 2. مفاهیم پایه پردازش توزیع‌شده
• 3. نصب و پیکربندی Spark
• 4. بررسی ساختار و اجزای Spark
• 5. RDD: مفهوم و کاربردها
• 6. تحولات RDD
• 7. اقدامات RDD
• 8. کار با داده‌های متنی در Spark
• 9. کار با داده‌های JSON در Spark
• 10. کار با داده‌های CSV در Spark
• 11. مقدمه‌ای بر Spark SQL
• 12. استفاده از DataFrame در Spark
• 13. نوشتن کوئری‌های SQL در Spark
• 14. بهینه‌سازی کوئری‌های Spark SQL
• 15. مفاهیم پایگاه داده و Spark
• 16. خواندن و نوشتن داده‌ها از/به پایگاه داده
• 17. استفاده از Spark Streaming
• 18. پردازش داده‌های جریانی در زمان واقعی
• 19. کار با فایل‌های لاگ در Spark Streaming
• 20. مفاهیم پایه‌ای یادگیری ماشین
• 21. پیاده‌سازی الگوریتم‌های یادگیری ماشین در Spark MLlib
• 22. خوشه‌بندی K-Means در Spark
• 23. رگرسیون خطی در Spark
• 24. طبقه‌بندی با استفاده از درخت تصمیم در Spark
• 25. ارزیابی مدل‌های یادگیری ماشین در Spark
• 26. مقدمه‌ای بر Data Lake
• 27. معماری Data Lake
• 28. ابزارهای مورد استفاده در Data Lake
• 29. ذخیره‌سازی داده‌ها در Data Lake
• 30. فرمت‌های ذخیره‌سازی داده در Data Lake (Parquet, ORC, Avro)
• 31. مدیریت متادیتا در Data Lake
• 32. امنیت داده‌ها در Data Lake
• 33. دسترسی به داده‌ها در Data Lake
• 34. ادغام Spark با Data Lake
• 35. تحلیل داده‌ها در Data Lake با استفاده از Spark
• 36. پاکسازی و آماده‌سازی داده‌ها در Data Lake
• 37. تبدیل داده‌ها در Data Lake با استفاده از Spark
• 38. مصورسازی داده‌ها در Data Lake
• 39. مانیتورینگ و نگهداری Data Lake
• 40. بهینه‌سازی عملکرد Spark در Data Lake
• 41. استفاده از Spark برای ETL در Data Lake
• 42. کار با داده‌های حجیم در Data Lake
• 43. مفاهیم Data Governance در Data Lake
• 44. پشتیبان‌گیری و بازیابی داده‌ها در Data Lake
• 45. مقایسه Data Lake با Data Warehouse

📋 سرفصل‌های دوره بهینه‌سازی Spark برای مقیاس‌پذیری

تعداد: 45 سرفصل

• 1. مقدمه‌ای بر بهینه‌سازی Spark
• 2. معماری Spark و اجزای اصلی آن
• 3. نصب و پیکربندی Spark
• 4. مبانی کار با RDDها
• 5. تبدیل RDDها: نگاشت، فیلتر و کاهش
• 6. عملیات RDD: join و co-group
• 7. پارتیشن‌بندی داده‌ها در Spark
• 8. بهینه‌سازی عملکرد با پارتیشن‌بندی
• 9. ذخیره‌سازی داده‌ها در حافظه (Caching)
• 10. استفاده از Accumulators در Spark
• 11. بررسی Broadcast Variables
• 12. مقدمه‌ای بر DataFrameها
• 13. ایجاد و دستکاری DataFrameها
• 14. تبدیل DataFrameها
• 15. فیلتر کردن داده‌ها در DataFrame
• 16. گروه‌بندی و تجمیع داده‌ها در DataFrame
• 17. پیوستن DataFrameها (Joins)
• 18. استفاده از SQL در Spark
• 19. بهینه‌سازی کوئری‌های Spark SQL
• 20. مقدمه‌ای بر Spark Streaming
• 21. پردازش داده‌های جریانی با Spark Streaming
• 22. تبدیل داده‌ها در Spark Streaming
• 23. ذخیره‌سازی داده‌های جریانی
• 24. تحلیل داده‌های جریانی
• 25. مقدمه‌ای بر MLlib
• 26. الگوریتم‌های دسته‌بندی در MLlib
• 27. الگوریتم‌های رگرسیون در MLlib
• 28. خوشه‌بندی داده‌ها با MLlib
• 29. کاهش ابعاد با MLlib
• 30. ارزیابی مدل در MLlib
• 31. تنظیم پارامترهای مدل
• 32. بهینه‌سازی Spark برای داده‌های بزرگ
• 33. استفاده از فرمت‌های ذخیره‌سازی بهینه (Parquet, ORC)
• 34. بهینه‌سازی حافظه در Spark
• 35. تنظیم JVM برای Spark
• 36. مانیتورینگ و عیب‌یابی Spark
• 37. استفاده از Spark History Server
• 38. بهینه‌سازی پیکربندی Spark
• 39. استفاده از Spark UI برای تحلیل عملکرد
• 40. مقدمه‌ای بر Spark GraphX
• 41. تحلیل شبکه‌های اجتماعی با GraphX
• 42. الگوریتم‌های گراف در GraphX
• 43. بهینه‌سازی عملیات گراف
• 44. استفاده از Spark برای یادگیری عمیق
• 45. مقدمه‌ای بر Spark Tensor Flow

📋 سرفصل‌های دوره Spark و داده‌کاوی پیشرفته

تعداد: 45 سرفصل

• 1. مقدمه‌ای بر Spark و داده‌کاوی
• 2. نصب و پیکربندی Spark
• 3. معماری Spark: اجزا و مفاهیم کلیدی
• 4. RDDها: ساختار و عملیات پایه
• 5. تبدیلات RDD: نگاشت، فیلتر و کاهش
• 6. اقدامات RDD: جمع‌آوری، شمارش و مرتب‌سازی
• 7. کار با فایل‌ها در Spark
• 8. Spark SQL: معرفی و مبانی
• 9. DataFrameها: ساختار و عملیات
• 10. کار با جداول و پایگاه داده‌ها در Spark SQL
• 11. پارتیشن‌بندی داده‌ها در Spark
• 12. بهینه‌سازی عملکرد Spark SQL
• 13. Joins در Spark SQL: انواع و کاربردها
• 14. تحلیل داده‌های متنی با Spark
• 15. یادگیری ماشین با MLlib: مقدمه
• 16. خوشه‌بندی K-Means با MLlib
• 17. رگرسیون خطی و لجستیک با MLlib
• 18. درخت‌های تصمیم و جنگل تصادفی با MLlib
• 19. مدل‌سازی همکارانه با MLlib
• 20. ارزیابی مدل‌های یادگیری ماشین
• 21. تنظیم پارامترهای مدل در MLlib
• 22. پیش‌پردازش داده‌ها برای یادگیری ماشین
• 23. انتخاب ویژگی و کاهش ابعاد
• 24. تحلیل سری‌های زمانی با Spark
• 25. پردازش جریان داده با Spark Streaming
• 26. معماری Spark Streaming
• 27. عملیات پایه در Spark Streaming
• 28. تحلیل داده‌های زنده با Spark Streaming
• 29. ادغام Spark Streaming با منابع داده
• 30. کار با Kafka و Spark Streaming
• 31. ذخیره‌سازی داده‌ها در Spark Streaming
• 32. نظارت و مانیتورینگ Spark Streaming
• 33. استفاده از Spark GraphX برای تحلیل شبکه‌ها
• 34. معرفی GraphX و ساختار داده‌های گراف
• 35. الگوریتم‌های گراف در GraphX
• 36. تحلیل مسیرها در GraphX
• 37. پردازش داده‌های مکانی با Spark
• 38. معرفی داده‌های مکانی و فرمت‌ها
• 39. تحلیل الگوهای مکانی با Spark
• 40. استفاده از Spark GeoMesa برای داده‌های مکانی بزرگ
• 41. بهینه‌سازی Spark برای داده‌های بزرگ
• 42. تنظیم حافظه و منابع Spark
• 43. عیب‌یابی و رفع مشکلات Spark
• 44. استفاده از Spark در محیط ابری
• 45. استفاده از Spark با Kubernetes

📋 سرفصل‌های دوره Spark در محیط ابری: AWS، Azure، GCP

تعداد: 45 سرفصل

• 1. بررسی زیرساخت ابری و مفاهیم پایه
• 2. آشنایی با خدمات محاسباتی ابری
• 3. مقدمه‌ای بر AWS و معماری آن
• 4. معرفی Azure و ویژگی‌های کلیدی
• 5. بررسی GCP و قابلیت‌های اصلی
• 6. راه‌اندازی و پیکربندی AWS
• 7. استفاده از Azure Portal برای مدیریت منابع
• 8. راه‌اندازی محیط GCP و ابزارهای آن
• 9. ذخیره‌سازی داده در فضای ابری: AWS S3
• 10. ذخیره‌سازی داده در Azure Blob Storage
• 11. مدیریت داده در Google Cloud Storage
• 12. شبکه‌سازی در محیط ابری: VPC در AWS
• 13. شبکه‌سازی در Azure Virtual Network
• 14. شبکه‌سازی در Google Cloud VPC
• 15. امنیت در فضای ابری: IAM در AWS
• 16. امنیت در Azure Active Directory
• 17. مدیریت دسترسی در Google Cloud IAM
• 18. محاسبات سروری در AWS EC2
• 19. محاسبات سروری در Azure Virtual Machines
• 20. محاسبات سروری در Google Compute Engine
• 21. استفاده از کانتینرها با Docker
• 22. استفاده از کانتینرها با Kubernetes در AWS
• 23. استفاده از Kubernetes در Azure Kubernetes Service
• 24. مدیریت کانتینرها در Google Kubernetes Engine
• 25. پایگاه‌داده‌های رابطه‌ای در AWS RDS
• 26. پایگاه‌داده‌های NoSQL در AWS DynamoDB
• 27. پایگاه‌داده‌های Azure SQL Database
• 28. پایگاه‌داده‌های Cosmos DB در Azure
• 29. پایگاه‌داده‌های Cloud SQL در GCP
• 30. مانیتورینگ و لاگ‌گیری در AWS CloudWatch
• 31. مانیتورینگ و لاگ‌گیری در Azure Monitor
• 32. مانیتورینگ و لاگ‌گیری در Google Cloud Monitoring
• 33. استفاده از AWS Lambda برای محاسبات بدون سرور
• 34. استفاده از Azure Functions برای محاسبات بدون سرور
• 35. استفاده از Google Cloud Functions
• 36. مقایسه خدمات AWS، Azure و GCP
• 37. بهینه‌سازی هزینه‌ها در فضای ابری
• 38. برنامه‌ریزی ظرفیت و مقیاس‌پذیری در ابر
• 39. استفاده از ابزارهای CI/CD در فضای ابری
• 40. استفاده از Terraform برای مدیریت زیرساخت ابری
• 41. استفاده از CloudFormation در AWS
• 42. استفاده از Azure Resource Manager
• 43. استفاده از Deployment Manager در GCP
• 44. بررسی سرویس‌های صف و پیام‌رسانی
• 45. بررسی سرویس‌های تحلیل داده ابری

📋 سرفصل‌های دوره تجسم داده با Spark و ابزارهای BI

تعداد: 45 سرفصل

• 1. مبانی تجسم داده
• 2. آشنایی با Spark و معماری آن
• 3. نصب و پیکربندی Spark
• 4. بررسی اجمالی ابزارهای BI
• 5. خواندن داده‌ها از منابع مختلف با Spark
• 6. تبدیل و پاکسازی داده‌ها در Spark
• 7. تحلیل داده‌ها با استفاده از Spark SQL
• 8. مقدمه‌ای بر DataFrameها در Spark
• 9. انجام عملیات آماری با Spark
• 10. گروه‌بندی و تجمیع داده‌ها در Spark
• 11. ایجاد نمودارهای پایه با استفاده از Spark
• 12. مقدمه‌ای بر کتابخانه Matplotlib در پایتون
• 13. رسم نمودارهای خطی با Matplotlib
• 14. رسم نمودارهای دایره‌ای با Matplotlib
• 15. رسم نمودارهای پراکنده با Matplotlib
• 16. رسم هیستوگرام با Matplotlib
• 17. مقدمه‌ای بر کتابخانه Seaborn در پایتون
• 18. رسم نمودارهای پیچیده با Seaborn
• 19. استفاده از رنگ‌ها و سایه‌ها در نمودارها
• 20. سفارشی‌سازی نمودارها با Matplotlib و Seaborn
• 21. مقدمه‌ای بر Power BI
• 22. اتصال به منابع داده در Power BI
• 23. ایجاد گزارش‌های تعاملی در Power BI
• 24. استفاده از DAX در Power BI
• 25. ایجاد داشبوردهای پویا در Power BI
• 26. مقدمه‌ای بر Tableau
• 27. اتصال به منابع داده در Tableau
• 28. ایجاد ویژوالیزیشن‌ها در Tableau
• 29. استفاده از فیلترها و پارامترها در Tableau
• 30. ایجاد داشبوردهای تعاملی در Tableau
• 31. بهینه‌سازی عملکرد تجسم داده در Spark
• 32. مقایسه ابزارهای BI: Power BI و Tableau
• 33. انتخاب ابزار مناسب برای تجسم داده
• 34. کار با داده‌های بزرگ در Spark
• 35. استفاده از Spark Streaming برای تجسم داده‌های زنده
• 36. مقدمه‌ای بر ابزارهای تجسم داده مبتنی بر وب
• 37. ایجاد نمودارهای جغرافیایی با استفاده از Spark و ابزارهای BI
• 38. تجسم داده‌های سری زمانی با Spark
• 39. تحلیل روندها و الگوها در داده‌ها
• 40. ایجاد داستان‌گویی با داده‌ها (Data Storytelling)
• 41. بهترین روش‌های تجسم داده
• 42. رعایت اصول طراحی در تجسم داده
• 43. مقدمه‌ای بر تجسم داده سه بعدی
• 44. استفاده از واقعیت افزوده (AR) در تجسم داده
• 45. مقدمه‌ای بر یادگیری ماشین برای تجسم داده

📋 سرفصل‌های دوره Spark و توسعهٔ برنامه‌های کاربردی هوشمند

تعداد: 45 سرفصل

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Spark
• 2. نصب و راه‌اندازی Spark
• 3. آشنایی با محیط توسعهٔ Spark
• 4. ساختارهای داده‌ای اصلی در Spark
• 5. متغیرها و انواع داده در Spark
• 6. عملگرهای ریاضی و منطقی در Spark
• 7. جریان کنترل: شرط‌ها و حلقه‌ها
• 8. توابع در Spark
• 9. آرایه‌ها و لیست‌ها در Spark
• 10. کار با رشته‌ها در Spark
• 11. ورودی و خروجی داده‌ها در Spark
• 12. کار با فایل‌ها در Spark
• 13. مفهوم توزیع داده در Spark
• 14. RDD: مبانی و ساختار
• 15. ایجاد RDD از داده‌های مختلف
• 16. تبدیل RDD: Map و Filter
• 17. تبدیل RDD: Reduce و Aggregate
• 18. تبدیل RDD: Join و GroupBy
• 19. ذخیره‌سازی RDD
• 20. Spark SQL: مقدمه و مبانی
• 21. ایجاد DataFrame از RDD
• 22. پرس‌وجو با Spark SQL
• 23. کار با جداول در Spark SQL
• 24. مدیریت داده‌ها در Spark SQL
• 25. Spark Streaming: مقدمه و مبانی
• 26. پردازش داده‌های جریانی با Spark Streaming
• 27. دریافت داده از منابع جریانی
• 28. تبدیل و تحلیل داده‌های جریانی
• 29. ذخیره‌سازی داده‌های جریانی
• 30. مفاهیم Machine Learning در Spark
• 31. الگوریتم‌های رگرسیون در Spark
• 32. الگوریتم‌های طبقه‌بندی در Spark
• 33. خوشه‌بندی داده‌ها با استفاده از Spark
• 34. ارزیابی مدل‌های Machine Learning در Spark
• 35. بهینه‌سازی عملکرد Spark
• 36. تنظیم پارامترهای Spark
• 37. پارتیشن‌بندی داده‌ها در Spark
• 38. مانیتورینگ و عیب‌یابی Spark
• 39. استفاده از Spark با Hadoop
• 40. ادغام Spark با سایر ابزارهای Big Data
• 41. توسعهٔ برنامه‌های کاربردی هوشمند با Spark
• 42. کاربرد Spark در تحلیل شبکه‌های اجتماعی
• 43. کاربرد Spark در سیستم‌های توصیه‌گر
• 44. کاربرد Spark در پردازش تصاویر و ویدئوها
• 45. توسعهٔ داشبوردهای تعاملی با Spark