کتاب صوتی مبانی تحلیل داده‌های کلان با PySpark

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی تحلیل داده‌های کلان با PySpark

موضوع کلی: علوم و فناوری اطلاعات

موضوع میانی: پردازش و تحلیل داده‌های بزرگ

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های کلان و اهمیت آن
• 2. چارچوب‌های مفهومی داده‌های کلان
• 3. فناوری‌های کلان داده: مروری بر اکوسیستم
• 4. معرفی Apache Spark: معماری و اجزاء
• 5. نصب و پیکربندی محیط Spark
• 6. مفاهیم پایه‌ای Spark: RDD ها
• 7. عملیات تبدیل RDD (Transformations)
• 8. عملیات اقدام RDD (Actions)
• 9. بهینه‌سازی عملکرد RDD
• 10. مقدمه‌ای بر Spark SQL
• 11. ساخت DataFrame ها از منابع مختلف
• 12. عملیات روی DataFrame ها: انتخاب، فیلتر، گروه‌بندی
• 13. توابع پیشرفته DataFrame
• 14. کار با داده‌های ساختاریافته و نیمه‌ساختاریافته
• 15. مقدمه‌ای بر Spark Streaming
• 16. پردازش داده‌های جریانی در زمان واقعی
• 17. مدیریت وضعیت در Spark Streaming
• 18. ساخت برنامه‌های کاربردی Spark Streaming
• 19. مقدمه‌ای بر Spark MLlib
• 20. الگوریتم‌های یادگیری ماشین در MLlib: طبقه‌بندی
• 21. الگوریتم‌های یادگیری ماشین در MLlib: رگرسیون
• 22. الگوریتم‌های یادگیری ماشین در MLlib: خوشه‌بندی
• 23. تکنیک‌های کاهش ابعاد
• 24. ارزیابی مدل‌های یادگیری ماشین
• 25. مقدمه‌ای بر GraphX
• 26. عملیات روی گراف‌ها در GraphX
• 27. کاربرد GraphX در تحلیل شبکه‌های اجتماعی
• 28. ذخیره‌سازی داده‌های کلان: HDFS
• 29. مفاهیم ذخیره‌سازی توزیع‌شده
• 30. مدیریت و نظارت بر داده‌های کلان
• 31. امنیت در اکوسیستم داده‌های کلان
• 32. حریم خصوصی داده‌ها و ملاحظات قانونی
• 33. اخلاق در تحلیل داده‌های کلان
• 34. استفاده مسئولانه از داده‌های کلان
• 35. مقدمه‌ای بر پردازش توزیع‌شده
• 36. معماری Master/Worker در Spark
• 37. نحوه اجرای برنامه‌های Spark
• 38. مدیریت منابع در Spark (YARN)
• 39. نظارت بر اجرای برنامه‌های Spark
• 40. عیب‌یابی و رفع اشکال در Spark
• 41. بهینه‌سازی حافظه در Spark
• 42. انواع فرمت‌های داده در Spark
• 43. کار با JSON و Parquet
• 44. کار با CSV و Avro
• 45. مقدمه‌ای بر DataFrames و Datasets
• 46. تفاوت بین RDD، DataFrame و Dataset
• 47. استفاده از UDF ها در Spark
• 48. تکنیک‌های پارتیشن‌بندی داده‌ها
• 49. کَشینگ و ماندگاری داده‌ها در Spark
• 50. پردازش دسته‌ای در مقابل پردازش جریانی
• 51. اصول طراحی پایگاه داده‌های NoSQL
• 52. معرفی Apache Cassandra
• 53. مفاهیم مدل‌سازی داده در Cassandra
• 54. کار با Cassandra از طریق Spark
• 55. مقدمه‌ای بر Apache Kafka
• 56. مفاهیم پیام‌رسانی در Kafka
• 57. ساخت Publisher و Consumer در Kafka
• 58. یکپارچه‌سازی Kafka با Spark Streaming
• 59. مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 60. پردازش داده‌های مکانی با Spark
• 61. تحلیل داده‌های مکانی در حوزه‌های شهری
• 62. کاربرد داده‌های کلان در صنعت
• 63. کاربرد داده‌های کلان در بهداشت و درمان
• 64. کاربرد داده‌های کلان در امور مالی
• 65. کاربرد داده‌های کلان در حمل و نقل
• 66. کاربرد داده‌های کلان در کشاورزی
• 67. کاربرد داده‌های کلان در آموزش
• 68. کاربرد داده‌های کلان در حکمرانی
• 69. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 70. نقش داده‌های کلان در هوش تجاری
• 71. مصورسازی داده‌های کلان
• 72. ابزارهای مصورسازی داده (مانند Tableau)
• 73. مقدمه‌ای بر یادگیری عمیق (Deep Learning)
• 74. فریم‌ورک‌های یادگیری عمیق (مانند TensorFlow)
• 75. یکپارچه‌سازی Spark با فریم‌ورک‌های یادگیری عمیق
• 76. پردازش زبان طبیعی (NLP) با داده‌های کلان
• 77. تحلیل احساسات با استفاده از داده‌های کلان
• 78. مقدمه‌ای بر اینترنت اشیاء (IoT)
• 79. جمع‌آوری و پردازش داده‌های IoT
• 80. تحلیل داده‌های IoT با Spark
• 81. مقدمه‌ای بر بلاک‌چین
• 82. کاربرد بلاک‌چین در مدیریت داده‌ها
• 83. مقدمه‌ای بر محاسبات ابری (Cloud Computing)
• 84. استفاده از Spark در محیط‌های ابری
• 85. خدمات داده‌های کلان در AWS
• 86. خدمات داده‌های کلان در Azure
• 87. خدمات داده‌های کلان در Google Cloud
• 88. روش‌های استقرار Spark
• 89. مدیریت چرخه عمر داده‌ها
• 90. حکمرانی داده‌ها (Data Governance)
• 91. مفاهیم داده‌های باز (Open Data)
• 92. چالش‌های داده‌های کلان
• 93. آینده داده‌های کلان و هوش مصنوعی
• 94. جمع‌بندی و مرور مفاهیم کلیدی
• 95. پروژه‌های عملی تحلیل داده‌های کلان
• 96. کاربردهای عملی PySpark در ایران
• 97. ملاحظات حقوقی و شرعی در تحلیل داده‌ها
• 98. پرهیز از مصادیق حرام در تحلیل داده‌ها
• 99. اصول اخلاقی در کار با داده‌ها
• 100. ملاحظات امنیتی داده‌ها در ایران