دوره یادگیری ماشین با Apache Spark همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین با Apache Spark

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Apache Spark

📋 سرفصل‌های دوره

• 1. مبانی یادگیری ماشین
• 2. مقدمات Apache Spark
• 3. معماری Spark Core
• 4. انواع داده در Spark (RDD)
• 5. عملیات RDD
• 6. مجموعه داده‌های Spark SQL (DataFrame)
• 7. عملیات DataFrame
• 8. Spark Structured Streaming
• 9. مقدمات یادگیری ماشین با Spark MLlib
• 10. ساختار داده‌های MLlib
• 11. پیش‌پردازش داده‌ها در MLlib
• 12. پاکسازی داده‌ها
• 13. مقیاس‌بندی داده‌ها
• 14. کدگذاری داده‌ها
• 15. مهندسی ویژگی
• 16. انتخاب ویژگی
• 17. انواع مدل‌های یادگیری ماشین
• 18. رگرسیون خطی
• 19. رگرسیون لجستیک
• 20. درخت تصمیم
• 21. جنگل تصادفی
• 22. ماشین بردار پشتیبان (SVM)
• 23. شبکه‌های عصبی (مقدماتی)
• 24. خوشه‌بندی (K-Means)
• 25. خوشه‌بندی سلسله مراتبی
• 26. تحلیل مولفه‌های اصلی (PCA)
• 27. تکنیک‌های کاهش ابعاد
• 28. ارزیابی مدل‌های رگرسیون
• 29. معیارهای ارزیابی رگرسیون (MSE, MAE)
• 30. ارزیابی مدل‌های طبقه‌بندی
• 31. معیارهای ارزیابی طبقه‌بندی (Accuracy, Precision, Recall)
• 32. ماتریس درهم‌ریختگی (Confusion Matrix)
• 33. اعتبارسنجی متقابل (Cross-Validation)
• 34. تنظیم هایپرپارامترها
• 35. جستجوی شبکه‌ای (Grid Search)
• 36. جستجوی تصادفی (Random Search)
• 37. مدل‌های یادگیری عمیق با Spark
• 38. مقدمات شبکه‌های عصبی کانولوشنی (CNN)
• 39. مقدمات شبکه‌های عصبی بازگشتی (RNN)
• 40. کاربرد Spark در پردازش زبان طبیعی (NLP)
• 41. توکن‌سازی
• 42. ریشه‌یابی (Stemming) و بن‌واژه‌یابی (Lemmatization)
• 43. نمونه‌سازی متن (TF-IDF)
• 44. مدل‌سازی موضوعی (Topic Modeling)
• 45. تحلیل احساسات (Sentiment Analysis)
• 46. سیستم‌های توصیه‌گر (Recommender Systems)
• 47. فیلترینگ مشارکتی (Collaborative Filtering)
• 48. فیلترینگ مبتنی بر محتوا (Content-Based Filtering)
• 49. یادگیری تقویتی (Reinforcement Learning) - مقدماتی
• 50. معماری‌های یادگیری تقویتی
• 51. کاربرد Spark در پردازش تصویر
• 52. استفاده از Spark برای داده‌های بزرگ
• 53. بهینه‌سازی عملکرد Spark
• 54. تنظیم پارامترهای Spark
• 55. مدیریت حافظه در Spark
• 56. عیب‌یابی در Spark
• 57. امنیت در Spark
• 58. ملاحظات اخلاقی در یادگیری ماشین
• 59. حریم خصوصی داده‌ها
• 60. سوگیری در الگوریتم‌ها
• 61. تفسیرپذیری مدل‌ها
• 62. کاربرد یادگیری ماشین در اقتصاد اسلامی
• 63. بانکداری بدون ربا با Spark
• 64. تحلیل ریسک در مالی اسلامی
• 65. مدل‌سازی پیش‌بینی تقاضا در بازار اسلامی
• 66. کاربرد یادگیری ماشین در مدیریت زنجیره تامین اسلامی
• 67. پیش‌بینی تولید با استفاده از Spark
• 68. تحلیل کیفیت محصولات
• 69. بهینه‌سازی لجستیک
• 70. کاربرد یادگیری ماشین در سلامت (با چارچوب رسمی)
• 71. تشخیص بیماری‌ها با مدل‌های Spark
• 72. پیش‌بینی شیوع بیماری‌ها
• 73. تحلیل داده‌های بالینی
• 74. کاربرد یادگیری ماشین در آموزش (با چارچوب رسمی)
• 75. شخصی‌سازی مسیر یادگیری
• 76. پیش‌بینی موفقیت تحصیلی
• 77. تحلیل بازخورد دانشجویان
• 78. کاربرد یادگیری ماشین در پژوهش‌های علمی
• 79. تحلیل مقالات علمی
• 80. شناسایی روندهای پژوهشی
• 81. پیش‌بینی نتایج آزمایش‌ها
• 82. کاربرد یادگیری ماشین در انرژی (با چارچوب رسمی)
• 83. پیش‌بینی مصرف انرژی
• 84. بهینه‌سازی تولید انرژی
• 85. تحلیل داده‌های سنسورها
• 86. کاربرد یادگیری ماشین در کشاورزی (با چارچوب رسمی)
• 87. پیش‌بینی عملکرد محصول
• 88. مدیریت بهینه منابع آب
• 89. تحلیل کیفیت خاک
• 90. کاربرد یادگیری ماشین در مدیریت شهری (با چارچوب رسمی)
• 91. پیش‌بینی ترافیک
• 92. بهینه‌سازی حمل و نقل عمومی
• 93. تحلیل الگوهای مصرف
• 94. مقدمات یادگیری عمیق با PySpark
• 95. پیاده‌سازی مدل‌های یادگیری عمیق در Spark
• 96. کاربرد Spark در پردازش گراف
• 97. ساختار داده‌های گراف در Spark
• 98. الگوریتم‌های پردازش گراف
• 99. یادگیری ماشین مبتنی بر گراف
• 100. پیش‌بینی سری‌های زمانی با Spark