دوره مهاجرت به Apache Spark همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهاجرت به Apache Spark

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Apache Spark

📋 سرفصل‌های دوره

• 1. آشنایی با مفاهیم کلان داده
• 2. مقدمه‌ای بر Apache Spark
• 3. تاریخچه و تکامل Apache Spark
• 4. معماری Spark: اجزا و مفاهیم کلیدی
• 5. Spark Core: موتور پردازش توزیع شده
• 6. مفاهیم RDD (Resilient Distributed Datasets)
• 7. عملیات روی RDD: تبدیل‌ها و اقدامات
• 8. ساخت و مدیریت RDDها
• 9. کار با پارتیشن‌های RDD
• 10. بهینه‌سازی عملکرد RDD
• 11. Spark SQL: پردازش داده‌های ساختاریافته
• 12. مقدمه‌ای بر Spark SQL و DataFrame
• 13. ساخت و کار با DataFrameها
• 14. عملیات روی DataFrameها
• 15. استفاده از SQL در Spark
• 16. پشتیبانی از فرمت‌های داده متنوع (JSON, Parquet, ORC)
• 17. بهینه‌سازی کوئری‌های Spark SQL
• 18. Spark Streaming: پردازش داده‌های جریانی
• 19. مفاهیم پردازش جریانی در Spark
• 20. دریچه‌ها (Windows) در Spark Streaming
• 21. مدیریت وضعیت در Spark Streaming
• 22. اتصال به منابع داده جریانی
• 23. Spark MLlib: یادگیری ماشین در Spark
• 24. مقدمه‌ای بر MLlib
• 25. الگوریتم‌های طبقه‌بندی در MLlib
• 26. الگوریتم‌های رگرسیون در MLlib
• 27. الگوریتم‌های خوشه‌بندی در MLlib
• 28. تکنیک‌های کاهش ابعاد
• 29. ارزیابی مدل‌های یادگیری ماشین
• 30. پیش‌پردازش داده‌ها برای MLlib
• 31. Spark GraphX: پردازش گراف
• 32. مفاهیم گراف در GraphX
• 33. عملیات روی گراف‌ها
• 34. الگوریتم‌های گراف (PageRank, Connected Components)
• 35. کار با VertexRDD و EdgeRDD
• 36. Spark برای تحلیل داده‌های شبکه‌ای
• 37. استقرار Spark: محیط‌های مختلف
• 38. نصب و پیکربندی Spark Standalone
• 39. استقرار Spark روی Apache Mesos
• 40. استقرار Spark روی Hadoop YARN
• 41. استقرار Spark روی Kubernetes
• 42. تنظیمات و پارامترهای Spark
• 43. مانیتورینگ و عیب‌یابی Spark
• 44. مدیریت منابع در Spark
• 45. Spark و کلان داده در ایران
• 46. چالش‌های مهاجرت به Spark
• 47. راهکارهای پیاده‌سازی Spark در سازمان‌ها
• 48. مطالعات موردی موفق Spark در ایران
• 49. کاربرد Spark در حوزه سلامت
• 50. کاربرد Spark در حوزه مالی
• 51. کاربرد Spark در حوزه صنعت
• 52. کاربرد Spark در حوزه دولتی
• 53. کاربرد Spark در حوزه آموزش
• 54. کاربرد Spark در حوزه انرژی
• 55. کاربرد Spark در حوزه نفت و گاز
• 56. کاربرد Spark در حوزه کشاورزی
• 57. کاربرد Spark در حوزه حمل و نقل
• 58. کاربرد Spark در حوزه گردشگری
• 59. کاربرد Spark در حوزه مخابرات
• 60. کاربرد Spark در حوزه هوش تجاری
• 61. کاربرد Spark در تحلیل داده‌های بزرگ
• 62. کاربرد Spark در پردازش زبان طبیعی
• 63. کاربرد Spark در پردازش تصویر
• 64. کاربرد Spark در سیستم‌های توصیه‌گر
• 65. کاربرد Spark در اینترنت اشیاء (IoT)
• 66. کاربرد Spark در بلاکچین (با رویکرد مجاز)
• 67. امنیت در Spark
• 68. مدیریت دسترسی و احراز هویت
• 69. رمزنگاری داده‌ها در Spark
• 70. پایش امنیتی Spark
• 71. بهینه‌سازی عملکرد Spark: تکنیک‌های پیشرفته
• 72. حافظه پنهان (Caching) و ماندگاری (Persistence)
• 73. توزیع داده‌ها و پارتیشن‌بندی
• 74. تنظیمات پیشرفته Spark Core
• 75. تنظیمات پیشرفته Spark SQL
• 76. تنظیمات پیشرفته Spark Streaming
• 77. تنظیمات پیشرفته Spark MLlib
• 78. تنظیمات پیشرفته Spark GraphX
• 79. مدیریت حافظه در Spark
• 80. Garbage Collection در Spark
• 81. مفاهیم Shuffle در Spark
• 82. بهینه‌سازی I/O در Spark
• 83. انواع مختلف اجرای کوئری در Spark
• 84. Spark Architecture Patterns
• 85. Best Practices for Spark Development
• 86. Spark Ecosystem Integration
• 87. Monitoring and Performance Tuning Tools
• 88. Future of Apache Spark