کتاب صوتی پردازش و تحلیل داده‌های صنعتی با مقیاس بزرگ

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش و تحلیل داده‌های صنعتی با مقیاس بزرگ

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر داده‌های صنعتی مقیاس بزرگ
• 2. مفاهیم بنیادی پردازش داده
• 3. انواع داده‌های صنعتی و منابع آن‌ها
• 4. جمع‌آوری و انتقال داده‌های صنعتی
• 5. پایگاه‌های داده رابطه‌ای در صنعت
• 6. پایگاه‌های داده NoSQL برای داده‌های صنعتی
• 7. اصول ذخیره‌سازی داده‌های حجیم
• 8. فشرده‌سازی داده‌ها در مقیاس بزرگ
• 9. امنیت داده‌ها در محیط‌های صنعتی
• 10. مدیریت چرخه عمر داده‌های صنعتی
• 11. مقدمه‌ای بر پردازش توزیع‌شده
• 12. معماری‌های پردازش توزیع‌شده
• 13. چارچوب‌های پردازش دسته‌ای (Batch Processing)
• 14. چارچوب آپاچی اسپارک (Apache Spark)
• 15. مفاهیم پردازش جریانی (Stream Processing)
• 16. چارچوب آپاچی کافکا (Apache Kafka)
• 17. پردازش داده‌های بلادرنگ (Real-time Processing)
• 18. تکنیک‌های تحلیل سری‌های زمانی صنعتی
• 19. تحلیل پیش‌بینانه در صنعت
• 20. یادگیری ماشین برای داده‌های صنعتی
• 21. مدل‌های طبقه‌بندی (Classification)
• 22. مدل‌های رگرسیون (Regression)
• 23. مدل‌های خوشه‌بندی (Clustering)
• 24. کشف ناهنجاری (Anomaly Detection)
• 25. یادگیری عمیق (Deep Learning) در صنعت
• 26. شبکه‌های عصبی کانولوشنی (CNN)
• 27. شبکه‌های عصبی بازگشتی (RNN)
• 28. پردازش زبان طبیعی (NLP) برای داده‌های صنعتی
• 29. استخراج ویژگی از داده‌های صنعتی
• 30. مهندسی ویژگی (Feature Engineering)
• 31. نمونه‌سازی و اعتبارسنجی مدل‌ها
• 32. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 33. ارزیابی عملکرد مدل‌ها
• 34. مقدمه‌ای بر یادگیری تقویتی (Reinforcement Learning)
• 35. کاربرد یادگیری تقویتی در بهینه‌سازی فرآیند
• 36. کشف دانش از داده‌های صنعتی
• 37. قوانین وابستگی (Association Rules)
• 38. سیستم‌های توصیه‌گر صنعتی
• 39. مصورسازی داده‌های صنعتی (Data Visualization)
• 40. ابزارهای مصورسازی داده
• 41. داشبوردهای مدیریتی صنعتی
• 42. تحلیل داده‌های حسگرها (Sensors)
• 43. تحلیل داده‌های IoT صنعتی
• 44. تحلیل داده‌های رباتیک
• 45. تحلیل داده‌های خط تولید
• 46. نگهداری پیش‌بینانه (Predictive Maintenance)
• 47. بهینه‌سازی فرآیندهای تولید
• 48. مدیریت کیفیت با استفاده از داده
• 49. تحلیل علت ریشه‌ای (Root Cause Analysis)
• 50. شبیه‌سازی فرآیندهای صنعتی
• 51. مدل‌سازی پیش‌بینانه برای تقاضا
• 52. مدیریت زنجیره تأمین با داده
• 53. بهینه‌سازی مصرف انرژی در صنعت
• 54. تحلیل داده‌های انرژی
• 55. مدیریت ریسک در صنعت با داده
• 56. سیستم‌های اطلاعات مدیریت صنعتی (MIS)
• 57. معماری داده‌های صنعتی مدرن
• 58. انبارهای داده (Data Warehousing)
• 59. دریاچه‌های داده (Data Lakes)
• 60. پلتفرم‌های یکپارچه داده صنعتی
• 61. حاکمیت داده (Data Governance)
• 62. کیفیت داده (Data Quality)
• 63. پاکسازی و پیش‌پردازش داده‌ها
• 64. مدیریت ابرداده (Metadata Management)
• 65. امنیت سایبری در داده‌های صنعتی
• 66. ملاحظات اخلاقی در تحلیل داده‌های صنعتی
• 67. حریم خصوصی داده‌ها در صنعت
• 68. تفسیرپذیری مدل‌های یادگیری ماشین
• 69. استانداردهای داده در صنعت
• 70. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 71. روش‌های نمونه‌برداری داده
• 72. کاهش ابعاد (Dimensionality Reduction)
• 73. تحلیل مولفه‌های اصلی (PCA)
• 74. تجزیه مقادیر منفرد (SVD)
• 75. تکنیک‌های کاهش نویز در داده‌ها
• 76. ملاحظات قانونی در خصوص داده‌های صنعتی
• 77. چارچوب‌های قانونی حفاظت از داده
• 78. استانداردهای صنعتی برای تبادل داده
• 79. مقدمه‌ای بر هوش مصنوعی در صنعت
• 80. کاربرد هوش مصنوعی در اتوماسیون صنعتی
• 81. بهینه‌سازی رباتیک با هوش مصنوعی
• 82. سیستم‌های بازرسی خودکار
• 83. تحلیل داده‌های حسگرهای پیشرفته
• 84. مدیریت دارایی‌های صنعتی با داده
• 85. تحلیل ریسک عملیاتی
• 86. مدیریت بحران با استفاده از داده
• 87. مقدمه‌ای بر محاسبات لبه (Edge Computing)
• 88. پردازش داده در لبه در صنعت
• 89. امنیت در محاسبات لبه صنعتی
• 90. انتقال داده‌های پردازش‌شده از لبه
• 91. مقدمه‌ای بر بلاک‌چین در صنعت
• 92. کاربرد بلاک‌چین در ردیابی داده‌های صنعتی
• 93. امنیت و شفافیت در زنجیره تأمین
• 94. ملاحظات پیاده‌سازی سیستم‌های داده صنعتی
• 95. برنامه‌ریزی و استراتژی داده
• 96. انتخاب ابزارها و فناوری‌ها
• 97. تیم‌سازی و مهارت‌های لازم
• 98. مدیریت تغییر و پذیرش سازمانی
• 99. مقدمه‌ای بر آینده تحلیل داده‌های صنعتی