کتاب صوتی تحلیل و پردازش داده‌های حجیم: ستون فقرات هوش مصنوعی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و پردازش داده‌های حجیم: ستون فقرات هوش مصنوعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدیریت داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل داده‌های حجیم
• 2. مفاهیم کلیدی در داده‌های حجیم
• 3. معماری سیستم‌های داده‌های حجیم
• 4. انواع داده‌های حجیم و منابع آن‌ها
• 5. مراحل جمع‌آوری داده‌های حجیم
• 6. پیش‌پردازش و پاکسازی داده‌های حجیم
• 7. فناوری‌های ذخیره‌سازی داده‌های حجیم
• 8. پایگاه‌های داده رابطه‌ای و NoSQL
• 9. مقایسه پایگاه‌های داده رابطه‌ای و NoSQL
• 10. مفاهیم کلیدی در Hadoop
• 11. اکوسیستم Hadoop: HDFS
• 12. اکوسیستم Hadoop: MapReduce
• 13. کار با MapReduce: اصول اولیه
• 14. کار با MapReduce: الگوریتم‌های کاربردی
• 15. Spark: جایگزین MapReduce
• 16. مفاهیم کلیدی در Spark
• 17. Spark Core: RDDها
• 18. Spark SQL: کار با داده‌های ساختاریافته
• 19. Spark Streaming: پردازش داده‌های جریانی
• 20. Spark MLlib: یادگیری ماشین در Spark
• 21. پایپ‌لاین‌های داده‌های حجیم
• 22. ابزارهای مدیریت جریان داده: Kafka
• 23. مفاهیم کلیدی در Kafka
• 24. کار با Kafka: تولیدکننده و مصرف‌کننده
• 25. امنیت در سیستم‌های داده‌های حجیم
• 26. ملاحظات حریم خصوصی در داده‌های حجیم
• 27. قوانین و مقررات داده‌های حجیم در ایران
• 28. اقتصاد داده‌های حجیم و ارزش‌گذاری آن
• 29. کاربرد تحلیل داده‌های حجیم در صنعت
• 30. تحلیل داده‌های حجیم در حوزه سلامت
• 31. تحلیل داده‌های حجیم در حوزه مالی
• 32. تحلیل داده‌های حجیم در حوزه بازاریابی
• 33. تحلیل داده‌های حجیم در حوزه دولتی
• 34. تحلیل داده‌های حجیم در حوزه تولید
• 35. تحلیل داده‌های حجیم در حوزه انرژی
• 36. تحلیل داده‌های حجیم در حوزه گردشگری
• 37. تحلیل داده‌های حجیم در حوزه کشاورزی
• 38. تحلیل داده‌های حجیم در حوزه آموزش
• 39. تحلیل داده‌های حجیم در حوزه حمل و نقل
• 40. تحلیل داده‌های حجیم در حوزه رسانه
• 41. تحلیل داده‌های حجیم در حوزه حقوقی
• 42. مقدمه‌ای بر یادگیری ماشین
• 43. انواع الگوریتم‌های یادگیری ماشین
• 44. یادگیری ماشین نظارت‌شده
• 45. رگرسیون خطی
• 46. رگرسیون لجستیک
• 47. ماشین بردار پشتیبان (SVM)
• 48. درختان تصمیم
• 49. جنگل‌های تصادفی
• 50. یادگیری ماشین نظارت‌نشده
• 51. خوشه‌بندی K-Means
• 52. تحلیل مؤلفه‌های اصلی (PCA)
• 53. شبکه‌های عصبی مصنوعی
• 54. مقدمه‌ای بر شبکه‌های عصبی عمیق
• 55. شبکه‌های عصبی کانولوشنی (CNN)
• 56. شبکه‌های عصبی بازگشتی (RNN)
• 57. پردازش زبان طبیعی (NLP)
• 58. مدل‌های زبانی
• 59. تحلیل احساسات
• 60. استخراج اطلاعات
• 61. ترجمه ماشینی
• 62. کاربرد NLP در تحلیل داده‌های حجیم
• 63. مقدمه‌ای بر مصورسازی داده‌ها
• 64. اصول طراحی مصورسازی مؤثر
• 65. انواع نمودارها و کاربرد آن‌ها
• 66. ابزارهای مصورسازی داده‌ها: Tableau
• 67. ابزارهای مصورسازی داده‌ها: Power BI
• 68. ابزارهای مصورسازی داده‌ها: Matplotlib
• 69. ابزارهای مصورسازی داده‌ها: Seaborn
• 70. ابزارهای مصورسازی داده‌ها: Plotly
• 71. مصورسازی داده‌های حجیم
• 72. ارزیابی و اعتبارسنجی مدل‌های تحلیل داده
• 73. معیارهای ارزیابی مدل‌های رگرسیون
• 74. معیارهای ارزیابی مدل‌های طبقه‌بندی
• 75. اعتبارسنجی متقابل
• 76. بهینه‌سازی هایپرپارامترها
• 77. مباحث پیشرفته در داده‌های حجیم
• 78. یادگیری تقویتی
• 79. یادگیری عمیق در داده‌های حجیم
• 80. پردازش گراف داده‌ها
• 81. سیستم‌های توصیه‌گر
• 82. تحلیل داده‌های مکانی-زمانی
• 83. کاربرد هوش مصنوعی در زندگی روزمره
• 84. اخلاق در هوش مصنوعی و داده‌های حجیم
• 85. آینده تحلیل داده‌های حجیم
• 86. چالش‌های پیاده‌سازی سیستم‌های داده‌های حجیم
• 87. کاربرد داده‌های حجیم در کسب و کارهای نوین
• 88. مدیریت چرخه عمر داده‌های حجیم
• 89. استراتژی‌های تحلیل داده‌های حجیم
• 90. نکات کلیدی در موفقیت پروژه‌های داده‌های حجیم