اپلیکیشن اندرویدی فلش‌کارت آموزشی آشنایی با مفاهیم Big Data و پایگاه داده‌های بزرگ

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب آشنایی با مفاهیم Big Data و پایگاه داده‌های بزرگ

موضوع کلی: برنامه نویسی

موضوع میانی: پایگاه داده**

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر داده های حجیم
• 2. تعریف داده های حجیم
• 3. ویژگی های داده های حجیم (3 Vs: Volume, Velocity, Variety)
• 4. چالش های داده های حجیم
• 5. فرصت های داده های حجیم
• 6. نمونه های کاربردی داده های حجیم
• 7. تاریخچه مختصر داده های حجیم
• 8. تفاوت داده های حجیم و داده های سنتی
• 9. مفاهیم کلیدی در داده های حجیم
• 10. انواع داده های حجیم (ساختاریافته، نیمه ساختاریافته، بدون ساختار)
• 11. مراحل پردازش داده های حجیم
• 12. معماری های رایج داده های حجیم
• 13. مقدمه ای بر پایگاه داده های سنتی (رابطه ای)
• 14. محدودیت های پایگاه داده های سنتی برای داده های حجیم
• 15. نیاز به پایگاه داده های جدید برای داده های حجیم
• 16. پایگاه داده های NoSQL (Not Only SQL)
• 17. انواع پایگاه داده های NoSQL
• 18. پایگاه داده های کلید-مقدار (Key-Value Stores)
• 19. پایگاه داده های ستون-خانواده (Column-Family Stores)
• 20. پایگاه داده های سند-گرا (Document Stores)
• 21. پایگاه داده های گراف (Graph Databases)
• 22. مقایسه پایگاه داده های NoSQL با یکدیگر
• 23. معماری توزیع شده در پایگاه داده های بزرگ
• 24. مفهوم Sharding
• 25. مفهوم Replication
• 26. مفهوم Consistency Models (CAP Theorem)
• 27. مفهوم Eventual Consistency
• 28. مفهوم Strong Consistency
• 29. مفهوم Partition Tolerance
• 30. مفهوم Availability
• 31. مفهوم Consistency
• 32. مفهوم Latency
• 33. مفهوم Scalability (Horizontal vs Vertical)
• 34. مفهوم Fault Tolerance
• 35. مفهوم Distributed Transactions
• 36. مفهوم Consensus Algorithms (Paxos, Raft)
• 37. پلتفرم ها و ابزارهای کلیدی در اکوسیستم داده های حجیم
• 38. Hadoop Ecosystem
• 39. HDFS (Hadoop Distributed File System)
• 40. MapReduce
• 41. YARN (Yet Another Resource Negotiator)
• 42. Hive
• 43. Spark
• 44. Spark SQL
• 45. Spark Streaming
• 46. MLlib (Machine Learning Library)
• 47. GraphX
• 48. Kafka
• 49. NoSQL Databases (MongoDB, Cassandra, Redis, Neo4j)
• 50. Elasticsearch
• 51. Solr
• 52. Data Warehousing for Big Data
• 53. Data Lakes
• 54. Data Lakehouses
• 55. ETL (Extract, Transform, Load) for Big Data
• 56. ELT (Extract, Load, Transform) for Big Data
• 57. Data Governance in Big Data
• 58. Data Security in Big Data
• 59. Data Privacy in Big Data
• 60. Metadata Management
• 61. Data Cataloging
• 62. Data Lineage
• 63. Data Quality Management
• 64. Real-time Data Processing
• 65. Batch Data Processing
• 66. Stream Processing Frameworks
• 67. Monitoring and Management of Big Data Systems
• 68. Performance Tuning for Big Data
• 69. Cost Optimization for Big Data
• 70. Cloud-based Big Data Solutions (AWS, Azure, GCP)
• 71. Big Data Analytics
• 72. Business Intelligence with Big Data
• 73. Machine Learning on Big Data
• 74. Deep Learning on Big Data
• 75. Natural Language Processing (NLP) on Big Data
• 76. Internet of Things (IoT) Data
• 77. Social Media Data Analytics
• 78. Web Analytics
• 79. Fraud Detection
• 80. Recommendation Systems
• 81. Customer 360 View
• 82. Supply Chain Optimization
• 83. Healthcare Analytics
• 84. Financial Services Analytics
• 85. Ethical Considerations in Big Data
• 86. Future Trends in Big Data
• 87. AI and Big Data Integration
• 88. Edge Computing and Big Data
• 89. Serverless Big Data Architectures
• 90. Quantum Computing and Big Data
• 91. DataOps
• 92. Data Mesh
• 93. The Role of Data Engineers
• 94. The Role of Data Scientists
• 95. The Role of Data Analysts
• 96. Introduction to Data Visualization for Big Data
• 97. Challenges in Big Data Visualization
• 98. Tools for Big Data Visualization
• 99. Case Studies of Big Data Implementation
• 100. Learning Paths for Big Data Professionals