فلش‌کارت‌های آموزشی تحلیل داده‌های حجیم با استفاده از SQL: مبانی و کاربردها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های حجیم با استفاده از SQL: مبانی و کاربردها

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: پایگاه داده و تحلیل داده

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر علوم داده و تحلیل داده‌های حجیم
• 2. مبانی پایگاه داده رابطه‌ای
• 3. مفهوم جداول، ستون‌ها و ردیف‌ها در SQL
• 4. کلیدهای اصلی و کلیدهای خارجی
• 5. نرمال‌سازی پایگاه داده
• 6. مقدمه‌ای بر زبان SQL
• 7. دستور SELECT برای بازیابی داده‌ها
• 8. فیلتر کردن داده‌ها با WHERE
• 9. مرتب‌سازی نتایج با ORDER BY
• 10. محدود کردن تعداد نتایج با LIMIT
• 11. دستور INSERT برای افزودن داده‌ها
• 12. دستور UPDATE برای اصلاح داده‌ها
• 13. دستور DELETE برای حذف داده‌ها
• 14. عملیات JOIN برای ترکیب جداول
• 15. انواع مختلف JOIN (INNER, LEFT, RIGHT, FULL)
• 16. توابع تجمعی (SUM, AVG, COUNT, MAX, MIN)
• 17. گروه‌بندی داده‌ها با GROUP BY
• 18. فیلتر کردن گروه‌ها با HAVING
• 19. عملیات UNION و UNION ALL
• 20. توابع رشته‌ای در SQL
• 21. توابع عددی در SQL
• 22. توابع تاریخ و زمان در SQL
• 23. کاستن از پیچیدگی با Viewها
• 24. مقدمه‌ای بر شاخص‌گذاری (Indexing)
• 25. انواع شاخص‌ها و کاربرد آن‌ها
• 26. بهینه‌سازی کوئری‌های SQL
• 27. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 28. چالش‌های داده‌های حجیم
• 29. تفاوت پایگاه داده سنتی و داده‌های حجیم
• 30. مقدمه‌ای بر Hadoop و اکوسیستم آن
• 31. مفهوم HDFS (Hadoop Distributed File System)
• 32. مفهوم MapReduce
• 33. مقدمه‌ای بر NoSQL
• 34. انواع پایگاه داده‌های NoSQL (کلید-مقدار، سندی، ستونی، گراف)
• 35. کاربرد پایگاه داده‌های NoSQL
• 36. مقدمه‌ای بر تحلیل داده‌های حجیم
• 37. مراحل تحلیل داده (جمع‌آوری، پاکسازی، اکتشاف، مدل‌سازی، تفسیر)
• 38. پاکسازی داده‌ها (Data Cleaning)
• 39. شناسایی و مدیریت مقادیر گمشده
• 40. شناسایی و مدیریت داده‌های پرت (Outliers)
• 41. مقدمه‌ای بر زبان برنامه‌نویسی Python برای تحلیل داده
• 42. کتابخانه Pandas برای کار با داده‌ها
• 43. ساخت DataFrame با Pandas
• 44. عملیات پایه با DataFrame
• 45. فیلتر کردن و انتخاب داده‌ها در Pandas
• 46. توابع تجمعی در Pandas
• 47. ادغام و ترکیب DataFrameها
• 48. مقدمه‌ای بر مصورسازی داده‌ها (Data Visualization)
• 49. کتابخانه Matplotlib برای مصورسازی
• 50. ایجاد نمودارهای خطی
• 51. ایجاد نمودارهای میله‌ای
• 52. ایجاد نمودارهای دایره‌ای
• 53. ایجاد نمودارهای پراکندگی
• 54. کتابخانه Seaborn برای مصورسازی پیشرفته
• 55. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
• 56. یادگیری تحت نظارت (Supervised Learning)
• 57. یادگیری بدون نظارت (Unsupervised Learning)
• 58. مقدمه‌ای بر رگرسیون خطی
• 59. مقدمه‌ای بر طبقه‌بندی (Classification)
• 60. الگوریتم K-نزدیکترین همسایه (K-NN)
• 61. الگوریتم درخت تصمیم (Decision Tree)
• 62. مقدمه‌ای بر خوشه‌بندی (Clustering)
• 63. الگوریتم K-Means
• 64. ارزیابی مدل‌های یادگیری ماشین
• 65. متریک‌های ارزیابی رگرسیون (MSE, R-squared)
• 66. متریک‌های ارزیابی طبقه‌بندی (Accuracy, Precision, Recall)
• 67. مقدمه‌ای بر تحلیل سری‌های زمانی (Time Series Analysis)
• 68. مفهوم روند (Trend)، فصلی بودن (Seasonality) و نویز (Noise)
• 69. مدل‌های ساده برای پیش‌بینی سری‌های زمانی
• 70. مقدمه‌ای بر تحلیل متن (Text Analysis)
• 71. پردازش اولیه متن (Text Preprocessing)
• 72. شمارش کلمات و فراوانی آن‌ها
• 73. تحلیل احساسات (Sentiment Analysis)
• 74. مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 75. ذخیره‌سازی و پرس‌وجو از داده‌های مکانی
• 76. کاربردهای تحلیل داده‌های مکانی
• 77. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 78. نقش SQL در هوش تجاری
• 79. ساخت داشبوردهای تحلیلی
• 80. مقدمه‌ای بر امنیت داده‌ها
• 81. اصول حفاظت از داده‌ها
• 82. ملاحظات اخلاقی در تحلیل داده‌ها
• 83. کاربرد تحلیل داده در صنایع مختلف
• 84. تحلیل داده در حوزه سلامت
• 85. تحلیل داده در حوزه مالی
• 86. تحلیل داده در حوزه بازاریابی
• 87. مقدمه‌ای بر مهندسی داده (Data Engineering)
• 88. نقش مهندس داده در چرخه حیات داده
• 89. ابزارهای مهندسی داده
• 90. مقدمه‌ای بر مفاهیم پیشرفته SQL
• 91. توابع پنجره‌ای (Window Functions)
• 92. عبارات جدولی مشترک (Common Table Expressions - CTEs)
• 93. پرس‌وجوهای بازگشتی (Recursive Queries)
• 94. مقدمه‌ای بر پردازش موازی داده‌ها
• 95. مفاهیم پایگاه داده توزیع شده
• 96. کاربرد SQL در پایگاه داده‌های توزیع شده
• 97. آینده تحلیل داده‌های حجیم
• 98. روندهای نوظهور در علم داده
• 99. جمع‌بندی و مسیرهای پیش رو