اپلیکیشن اندرویدی فلش‌کارت آموزشی تحلیل داده‌های کلان با SQL: مبانی تا کاربردهای پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های کلان با SQL: مبانی تا کاربردهای پیشرفته

موضوع کلی: علوم داده و تحلیل اطلاعات

موضوع میانی: تحلیل داده‌های حجیم با استفاده از ابزارهای پایگاه داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل اطلاعات
• 2. مبانی پایگاه داده رابطه‌ای
• 3. مفاهیم کلیدی SQL
• 4. نصب و پیکربندی پایگاه داده
• 5. ایجاد و مدیریت جداول
• 6. انواع داده‌ها در SQL
• 7. درج، به‌روزرسانی و حذف داده‌ها
• 8. پرس‌وجوهای اساسی SELECT
• 9. فیلتر کردن داده‌ها با WHERE
• 10. مرتب‌سازی نتایج با ORDER BY
• 11. محدود کردن تعداد نتایج با LIMIT
• 12. توابع تجمعی SUM, AVG, COUNT, MIN, MAX
• 13. گروه‌بندی داده‌ها با GROUP BY
• 14. فیلتر کردن گروه‌ها با HAVING
• 15. اتصال جداول با JOIN
• 16. انواع مختلف JOIN (INNER, LEFT, RIGHT, FULL)
• 17. زیرپرس‌وجوها (Subqueries)
• 18. پرس‌وجوهای همبسته (Correlated Subqueries)
• 19. نمایه‌ها (Indexes) و بهینه‌سازی پرس‌وجو
• 20. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 21. چالش‌های تحلیل داده‌های حجیم
• 22. معرفی ابزارهای تحلیل داده‌های حجیم
• 23. آشنایی با Hadoop و اکوسیستم آن
• 24. مقدمه‌ای بر Spark
• 25. نصب و پیکربندی Spark
• 26. Spark SQL
• 27. تفاوت Spark SQL با SQL سنتی
• 28. کار با فایل‌های بزرگ در Spark
• 29. پردازش موازی در Spark
• 30. مفاهیم DataFrames و Datasets
• 31. عملیات بر روی DataFrames
• 32. تبدیل DataFrames به SQL Tables
• 33. ذخیره‌سازی داده‌های حجیم (HDFS, S3)
• 34. فرمت‌های فایل برای داده‌های حجیم (Parquet, ORC)
• 35. مقدمه‌ای بر پایگاه داده‌های NoSQL
• 36. انواع پایگاه داده‌های NoSQL (Key-Value, Document, Column-Family)
• 37. کاربرد پایگاه داده‌های NoSQL در تحلیل داده‌های حجیم
• 38. مقدمه‌ای بر تحلیل سری‌های زمانی
• 39. تحلیل داده‌های مکانی (Spatial Data Analysis)
• 40. مقدمه‌ای بر یادگیری ماشین
• 41. یادگیری نظارت شده (Supervised Learning)
• 42. یادگیری بدون نظارت (Unsupervised Learning)
• 43. رگرسیون خطی با SQL
• 44. طبقه‌بندی با SQL
• 45. خوشه‌بندی با SQL
• 46. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 47. تحلیل احساسات با SQL
• 48. مقدمه‌ای بر مصورسازی داده‌ها (Data Visualization)
• 49. ابزارهای مصورسازی داده‌ها (Tableau, Power BI)
• 50. ساخت داشبوردهای تحلیلی
• 51. استفاده از SQL در ابزارهای مصورسازی
• 52. تحلیل داده‌های شبکه‌های اجتماعی
• 53. استخراج و تحلیل داده از APIها
• 54. امنیت در پایگاه داده‌های حجیم
• 55. حریم خصوصی داده‌ها
• 56. ملاحظات اخلاقی در تحلیل داده‌ها
• 57. مدل‌سازی داده‌های حجیم
• 58. بهینه‌سازی عملکرد پایگاه داده‌های حجیم
• 59. استفاده از پایگاه داده‌های ابری (Cloud Databases)
• 60. Amazon RDS
• 61. Amazon Redshift
• 62. Google Cloud SQL
• 63. Google BigQuery
• 64. Microsoft Azure SQL Database
• 65. Microsoft Azure Synapse Analytics
• 66. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 67. قوانین وابستگی (Association Rules)
• 68. کشف الگوهای پرتکرار (Frequent Pattern Mining)
• 69. کشف ناهنجاری (Anomaly Detection)
• 70. تحلیل سبد خرید (Market Basket Analysis)
• 71. مقدمه‌ای بر داده‌های جریانی (Streaming Data)
• 72. تحلیل داده‌های جریانی با Spark Streaming
• 73. تحلیل داده‌های جریانی با Flink
• 74. کاربرد تحلیل داده‌های حجیم در کسب‌وکار
• 75. تحلیل داده‌های مالی
• 76. تحلیل داده‌های بازاریابی
• 77. تحلیل داده‌های مشتریان
• 78. تحلیل داده‌های سلامت
• 79. تحلیل داده‌های دولتی
• 80. مقدمه‌ای بر هوش مصنوعی
• 81. یادگیری عمیق (Deep Learning)
• 82. شبکه‌های عصبی کانولوشنی (CNN)
• 83. شبکه‌های عصبی بازگشتی (RNN)
• 84. پردازش تصویر با استفاده از SQL
• 85. پردازش صوت با استفاده از SQL
• 86. مقدمه‌ای بر اینترنت اشیا (IoT)
• 87. تحلیل داده‌های IoT
• 88. امنیت در سیستم‌های IoT
• 89. مقدمه‌ای بر بلاکچین
• 90. تحلیل داده‌های بلاکچین
• 91. کاربرد بلاکچین در مدیریت داده‌ها
• 92. مقدمه‌ای بر محاسبات کوانتومی
• 93. مقدمه‌ای بر علم داده در ایران
• 94. چالش‌ها و فرصت‌های علم داده در ایران
• 95. آینده تحلیل داده‌های حجیم
• 96. کاربرد SQL در سیستم‌های توزیع شده
• 97. روش‌های مقابله با داده‌های ناقص
• 98. روش‌های مقابله با داده‌های پرت
• 99. ارزیابی مدل‌های یادگیری ماشین
• 100. تنظیم ابرپارامترها (Hyperparameter Tuning)