اپلیکیشن اندرویدی فلش‌کارت آموزشی داده‌کاوی با Hadoop: کشف الگوها در مجموعه داده‌های عظیم

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره داده‌کاوی با Hadoop: کشف الگوها در مجموعه داده‌های عظیم

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Hadoop

📋 سرفصل‌های دوره

• 1. مقدمه ای بر داده‌کاوی با Hadoop
• 2. مفاهیم کلیدی Hadoop: HDFS و MapReduce
• 3. نصب و پیکربندی Hadoop
• 4. آشنایی با اکوسیستم Hadoop
• 5. کار با فایل سیستم توزیع شده Hadoop (HDFS)
• 6. مبانی MapReduce
• 7. نوشتن اولین برنامه MapReduce
• 8. مدیریت Job های MapReduce
• 9. تنظیمات پیشرفته Hadoop
• 10. مقدمه ای بر Hive
• 11. نصب و پیکربندی Hive
• 12. کار با جداول در Hive
• 13. پرس و جوهای HiveQL
• 14. بهینه‌سازی پرس و جوهای Hive
• 15. مقدمه ای بر Pig
• 16. نصب و پیکربندی Pig
• 17. زبان اسکریپت‌نویسی Pig Latin
• 18. عملیات پایه در Pig
• 19. عملیات پیشرفته در Pig
• 20. کار با داده‌های ساختاریافته در Pig
• 21. مقدمه ای بر Spark
• 22. نصب و پیکربندی Spark
• 23. مبانی Spark Core
• 24. RDD ها در Spark
• 25. عملیات تبدیل و اکشن در Spark
• 26. Spark SQL
• 27. مقدمه ای بر Spark Streaming
• 28. کار با داده‌های زمان واقعی در Spark Streaming
• 29. Spark MLlib برای یادگیری ماشین
• 30. مقدمه ای بر NoSQL
• 31. انواع پایگاه داده‌های NoSQL
• 32. HBase: پایگاه داده ستونی در Hadoop
• 33. نصب و پیکربندی HBase
• 34. کار با جداول HBase
• 35. پرس و جو در HBase
• 36. Cassandra: پایگاه داده توزیع شده
• 37. مقدمه ای بر داده‌کاوی
• 38. مراحل فرآیند داده‌کاوی
• 39. پیش‌پردازش داده‌ها: پاکسازی و ادغام
• 40. پیش‌پردازش داده‌ها: تبدیل و کاهش ابعاد
• 41. کشف الگوهای تکرارشونده
• 42. قوانین وابستگی
• 43. الگوریتم Apriori
• 44. بهینه‌سازی الگوریتم Apriori
• 45. شبکه‌های وابستگی
• 46. مقدمه ای بر طبقه‌بندی
• 47. الگوریتم درخت تصمیم
• 48. بهینه‌سازی درخت تصمیم
• 49. الگوریتم Naive Bayes
• 50. الگوریتم ماشین بردار پشتیبان (SVM)
• 51. ارزیابی مدل‌های طبقه‌بندی
• 52. مقدمه ای بر خوشه‌بندی
• 53. الگوریتم K-Means
• 54. بهینه‌سازی K-Means
• 55. خوشه‌بندی سلسله مراتبی
• 56. ارزیابی مدل‌های خوشه‌بندی
• 57. مقدمه ای بر پیش‌بینی
• 58. رگرسیون خطی
• 59. رگرسیون چندگانه
• 60. سری‌های زمانی
• 61. مدل‌های پیش‌بینی با Spark MLlib
• 62. مقدمه ای بر تحلیل شبکه
• 63. مفاهیم پایه گراف
• 64. یافتن مسیرها در گراف
• 65. مرکزیت در گراف
• 66. تشخیص جوامع در گراف
• 67. کاربرد تحلیل شبکه در داده‌کاوی
• 68. مقدمه ای بر داده‌کاوی متن
• 69. پیش‌پردازش متن
• 70. مدل‌سازی موضوعی (Topic Modeling)
• 71. الگوریتم LDA
• 72. تحلیل احساسات
• 73. مقدمه ای بر داده‌کاوی تصویر
• 74. استخراج ویژگی از تصاویر
• 75. کاربرد داده‌کاوی تصویر
• 76. مقدمه ای بر داده‌کاوی ویدئو
• 77. استخراج ویژگی از ویدئو
• 78. کاربرد داده‌کاوی ویدئو
• 79. ملاحظات اخلاقی در داده‌کاوی
• 80. حفظ حریم خصوصی داده‌ها
• 81. امنیت داده‌ها در Hadoop
• 82. مدیریت داده‌ها در مقیاس بزرگ
• 83. استفاده از Hadoop برای تجزیه و تحلیل کلان داده
• 84. کاربرد داده‌کاوی در صنعت مالی (سازگار با مقررات)
• 85. کاربرد داده‌کاوی در سلامت (سازگار با پروتکل‌ها)
• 86. کاربرد داده‌کاوی در بازاریابی (سازگار با چارچوب رسمی)
• 87. کاربرد داده‌کاوی در تولید (سازگار با چارچوب رسمی)
• 88. مطالعات موردی پیشرفته در Hadoop
• 89. کاربرد Spark برای تجزیه و تحلیل کلان داده
• 90. کاربرد Spark Streaming در سناریوهای واقعی
• 91. کاربرد Spark MLlib در مسائل پیچیده یادگیری ماشین
• 92. مقدمه ای بر معماری‌های نوین کلان داده
• 93. نگاهی به آینده داده‌کاوی با Hadoop و Spark
• 94. چالش‌های پیاده‌سازی کلان داده
• 95. ابزارهای اکوسیستم Hadoop و Spark
• 96. نکات و ترفندهای پیشرفته Hadoop
• 97. نکات و ترفندهای پیشرفته Spark
• 98. مبانی برنامه‌نویسی موازی در Hadoop
• 99. مبانی برنامه‌نویسی موازی در Spark
• 100. بهینه‌سازی عملکرد در Hadoop