کتاب صوتی تحلیل داده‌های کلان با زبان R و Apache Spark

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل داده‌های کلان با زبان R و Apache Spark

موضوع کلی: علوم کامپیوتر و فناوری اطلاعات

موضوع میانی: تحلیل داده‌های کلان و هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تحلیل داده های کلان
• 2. مفاهیم کلیدی داده های کلان
• 3. چالش های داده های کلان
• 4. معماری داده های کلان
• 5. آشنایی با زبان برنامه نویسی R
• 6. نصب و پیکربندی R
• 7. مبانی R برای تحلیل داده
• 8. ساختارهای داده در R
• 9. عملیات پایه بر روی داده ها در R
• 10. مقدمه ای بر Apache Spark
• 11. معماری Apache Spark
• 12. اجزای کلیدی Spark
• 13. نصب و پیکربندی Spark
• 14. Spark Core API
• 15. مفاهیم RDD
• 16. عملیات بر روی RDD ها
• 17. تبدیلات و اعمال در RDD ها
• 18. Spark SQL
• 19. مفاهیم DataFrame
• 20. عملیات بر روی DataFrame ها
• 21. توابع پنجره ای در Spark SQL
• 22. Spark Streaming
• 23. مفاهیم پردازش جریانی
• 24. عملیات پایه در Spark Streaming
• 25. پردازش داده های بلادرنگ
• 26. Spark MLlib
• 27. مفاهیم یادگیری ماشین در Spark
• 28. الگوریتم های طبقه بندی در MLlib
• 29. الگوریتم های رگرسیون در MLlib
• 30. الگوریتم های خوشه بندی در MLlib
• 31. کاهش ابعاد در MLlib
• 32. مدل های تشخیص ناهنجاری
• 33. مقدمه ای بر تحلیل داده های کلان با R و Spark
• 34. اتصال R به Spark
• 35. استفاده از SparkR
• 36. کار با DataFrame ها در SparkR
• 37. عملیات آماری در SparkR
• 38. مصورسازی داده ها در R
• 39. تکنیک های مصورسازی پایه
• 40. مصورسازی پیشرفته داده ها
• 41. مقدمه ای بر یادگیری ماشین
• 42. مفاهیم پایه یادگیری ماشین
• 43. انواع یادگیری ماشین
• 44. ارزیابی مدل های یادگیری ماشین
• 45. پیش پردازش داده ها
• 46. پاکسازی داده ها
• 47. مهندسی ویژگی
• 48. انتخاب ویژگی
• 49. مدل های خطی
• 50. رگرسیون خطی
• 51. رگرسیون لجستیک
• 52. مدل های درختی
• 53. درخت تصمیم
• 54. جنگل تصادفی
• 55. تقویت گرادیان
• 56. مدل های بردار پشتیبان (SVM)
• 57. شبکه های عصبی مقدماتی
• 58. مقدمه ای بر یادگیری عمیق
• 59. مفهوم لایه ها در شبکه های عصبی
• 60. توابع فعال سازی
• 61. پس انتشار خطا
• 62. شبکه های عصبی کانولوشنی (CNN)
• 63. کاربرد CNN در بینایی ماشین
• 64. شبکه های عصبی بازگشتی (RNN)
• 65. کاربرد RNN در پردازش زبان طبیعی
• 66. آماده سازی داده ها برای مدل های یادگیری عمیق
• 67. تنظیم ابرپارامترها
• 68. اعتبارسنجی متقابل
• 69. تکنیک های تنظیم مدل
• 70. مقدمه ای بر تحلیل متن
• 71. پردازش اولیه متن
• 72. تکنیک های بازنمایی متن
• 73. مدل های موضوعی
• 74. تحلیل احساسات
• 75. ابزارهای تحلیل متن در R
• 76. کاربرد R و Spark در تحلیل متن
• 77. مقدمه ای بر سیستم های توصیه گر
• 78. انواع سیستم های توصیه گر
• 79. فیلترینگ مبتنی بر محتوا
• 80. فیلترینگ مشارکتی
• 81. مدل های ترکیبی توصیه گر
• 82. پیاده سازی سیستم توصیه گر با Spark
• 83. مقدمه ای بر داده های مکانی-زمانی
• 84. پردازش و تحلیل داده های مکانی-زمانی
• 85. کاربرد R و Spark در تحلیل داده های مکانی-زمانی
• 86. مقدمه ای بر داده های گراف
• 87. مدل سازی داده های گراف
• 88. تحلیل شبکه های اجتماعی
• 89. کاربرد R و Spark در تحلیل داده های گراف
• 90. مقدمه ای بر امنیت داده ها
• 91. حفظ حریم خصوصی در داده ها
• 92. مدیریت دسترسی به داده ها
• 93. رمزنگاری داده ها
• 94. مقدمه ای بر اخلاق در علم داده
• 95. سوگیری در الگوریتم ها
• 96. شفافیت و قابلیت توضیح
• 97. مسئولیت پذیری در علم داده
• 98. آینده تحلیل داده های کلان و هوش مصنوعی