کتاب صوتی مدیریت و تحلیل داده‌های کلان با ابزارهای مایکروسافت

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت و تحلیل داده‌های کلان با ابزارهای مایکروسافت

موضوع کلی: مدیریت و تحلیل داده‌های کلان

موضوع میانی: ابزارها و تکنیک‌های مدیریت داده‌های کلان

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مفاهیم کلان داده
• 2. معماری سیستم‌های کلان داده
• 3. ذخیره‌سازی کلان داده: اصول و رویکردها
• 4. مدل‌های داده برای کلان داده
• 5. انواع منابع داده در مقیاس بزرگ
• 6. پردازش دسته‌ای کلان داده
• 7. پردازش جریانی کلان داده
• 8. مفاهیم NoSQL و پایگاه‌های داده ستونی
• 9. پایگاه‌های داده گراف و کاربردهای آن
• 10. مخازن داده (Data Warehousing) در مقیاس کلان
• 11. انباره‌های داده (Data Lakes)
• 12. اکوسیستم هادوپ (Hadoop Ecosystem)
• 13. HDFS: سیستم فایل توزیع‌شده هادوپ
• 14. YARN: مدیریت منابع در هادوپ
• 15. MapReduce: مدل پردازش موازی
• 16. Apache Spark: پردازش سریع کلان داده
• 17. Spark SQL: کوئری‌نویسی بر روی کلان داده
• 18. Spark Streaming: پردازش داده‌های جریانی با اسپارک
• 19. MLlib: کتابخانه یادگیری ماشین اسپارک
• 20. Apache Hive: انبارش داده مبتنی بر هادوپ
• 21. Apache Pig: زبان اسکریپت‌نویسی برای هادوپ
• 22. Apache Kafka: پلتفرم پیام‌رسانی توزیع‌شده
• 23. Apache Storm: پردازش جریانی بلادرنگ
• 24. Apache Flink: پردازش جریانی و دسته‌ای
• 25. Microsoft Azure Data Lake Storage
• 26. Azure HDInsight: سرویس مدیریت‌شده هادوپ
• 27. Azure Databricks: پلتفرم تحلیلی مبتنی بر اسپارک
• 28. Azure Synapse Analytics: تحلیل داده یکپارچه
• 29. Azure Stream Analytics: پردازش داده‌های جریانی در ابر
• 30. Azure Data Factory: ارکستراسیون داده
• 31. Azure Cosmos DB: پایگاه داده توزیع‌شده چندمدلی
• 32. Azure SQL Data Warehouse (Synapse Dedicated SQL Pool)
• 33. Power BI: ابزار هوش تجاری و مصورسازی داده
• 34. DAX: زبان فرمول‌نویسی در Power BI
• 35. M (Power Query) در Power BI
• 36. مصورسازی داده‌های کلان با Power BI
• 37. تحلیل اکتشافی داده (EDA)
• 38. پیش‌پردازش داده‌های کلان
• 39. پاکسازی داده‌های کلان
• 40. مهندسی ویژگی (Feature Engineering)
• 41. مدل‌های یادگیری ماشین برای کلان داده
• 42. یادگیری نظارت‌شده (Supervised Learning)
• 43. یادگیری نظارت‌نشده (Unsupervised Learning)
• 44. یادگیری تقویتی (Reinforcement Learning)
• 45. الگوریتم‌های طبقه‌بندی (Classification)
• 46. الگوریتم‌های رگرسیون (Regression)
• 47. خوشه‌بندی (Clustering)
• 48. کاهش ابعاد (Dimensionality Reduction)
• 49. شبکه‌های عصبی و یادگیری عمیق
• 50. مقدمه‌ای بر یادگیری عمیق
• 51. شبکه‌های عصبی کانولوشنی (CNN)
• 52. شبکه‌های عصبی بازگشتی (RNN)
• 53. پردازش زبان طبیعی (NLP)
• 54. تحلیل احساسات (Sentiment Analysis)
• 55. مدل‌سازی موضوع (Topic Modeling)
• 56. سیستم‌های توصیه‌گر (Recommender Systems)
• 57. تحلیل شبکه‌های اجتماعی
• 58. امنیت در سیستم‌های کلان داده
• 59. حریم خصوصی داده‌ها
• 60. مدیریت داده‌های کلان در سازمان
• 61. استراتژی‌های کلان داده
• 62. معماری‌های مدرن کلان داده
• 63. مبادلات و چالش‌های پیاده‌سازی کلان داده
• 64. کاربرد کلان داده در صنعت (مثال‌های واقعی)
• 65. کاربرد کلان داده در بهداشت و درمان
• 66. کاربرد کلان داده در امور مالی
• 67. کاربرد کلان داده در بازاریابی
• 68. کاربرد کلان داده در حمل و نقل
• 69. کاربرد کلان داده در حکمرانی
• 70. اخلاق در تحلیل کلان داده
• 71. ارزیابی مدل‌های کلان داده
• 72. اعتبارسنجی مدل‌ها (Model Validation)
• 73. بهینه‌سازی مدل‌ها (Model Optimization)
• 74. استقرار مدل‌ها (Model Deployment)
• 75. نظارت بر عملکرد مدل‌ها
• 76. یادگیری مستمر (Continuous Learning)
• 77. معماری‌های میکروسرویس برای کلان داده
• 78. کانتینرسازی (Containerization) با Docker
• 79. ارکستراسیون کانتینر با Kubernetes
• 80. پردازش توزیع‌شده با Apache Arrow
• 81. داده‌کاوی (Data Mining) در مقیاس بزرگ
• 82. تحلیل پیش‌بینانه (Predictive Analytics)
• 83. تحلیل تجویزی (Prescriptive Analytics)
• 84. مدیریت چرخه حیات داده (Data Lifecycle Management)
• 85. کیفیت داده‌ها (Data Quality)
• 86. حاکمیت داده‌ها (Data Governance)
• 87. متریک‌های کلیدی عملکرد (KPIs) در کلان داده
• 88. ابزارهای مدیریت ابرداده (Metadata Management)
• 89. پلتفرم‌های یکپارچه داده
• 90. ملاحظات قانونی و مقرراتی در تحلیل کلان داده (با تأکید بر قوانین ایران)
• 91. استانداردهای داده در ایران
• 92. فرهنگ داده‌محور در سازمان