, ,

کتاب کار با داده‌های بزرگ در پایتون با استفاده از کتابخانه‌های تخصصی

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کار با داده‌های بزرگ در پایتون با استفاده از کتابخانه‌های تخصصی

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر برنامه‌نویسی پایتون برای داده
  • 2. نصب و راه‌اندازی محیط توسعه پایتون (Anaconda/Miniconda)
  • 3. مرور ساختارهای داده بنیادین پایتون (لیست، تاپل، دیکشنری، ست)
  • 4. توابع، ماژول‌ها و پکیج‌ها در پایتون
  • 5. مفاهیم اساسی برنامه‌نویسی شی‌گرا (OOP)
  • 6. ورودی/خروجی فایل در پایتون
  • 7. مدیریت خطاها و اشکال‌زدایی کد پایتون
  • 8. مقدمه‌ای بر تحلیل داده و چالش‌های آن
  • 9. داده‌های بزرگ (Big Data) چیست؟ تعریف و ویژگی‌ها
  • 10. چالش‌ها و فرصت‌ها در کار با داده‌های بزرگ
  • 11. مقدمه‌ای بر محاسبات با کارایی بالا (HPC)
  • 12. اهمیت کتابخانه‌های تخصصی در پایتون برای داده‌های بزرگ
  • 13. تفکر محاسباتی برای مجموعه‌داده‌های حجیم
  • 14. آشنایی با مفهوم پیچیدگی زمانی و فضایی (Big O Notation)
  • 15. استفاده از Iterators و Generators برای بهینه‌سازی حافظه
  • 16. مقدمه‌ای بر NumPy: آرایه‌ها در مقابل لیست‌های پایتون
  • 17. ایجاد آرایه‌های NumPy و انواع داده (dtypes)
  • 18. شاخص‌گذاری، برش‌زنی و فیلتر کردن آرایه‌ها
  • 19. عملیات ریاضی بر روی آرایه‌های NumPy: Broadcasting
  • 20. توابع ریاضی و تجمعی در NumPy
  • 21. عملیات جبر خطی با NumPy
  • 22. تولید اعداد تصادفی و توزیع‌ها در NumPy
  • 23. ماسک‌گذاری منطقی و فیلتر کردن پیشرفته
  • 24. تغییر شکل (Reshaping) و ترکیب (Concatenation) آرایه‌ها
  • 25. نکات عملکردی و بهینه‌سازی در NumPy
  • 26. مقدمه‌ای بر Pandas: Series و DataFrame
  • 27. ایجاد و انتخاب داده در Pandas DataFrames
  • 28. شاخص‌گذاری و انتخاب پیشرفته با `loc` و `iloc`
  • 29. مدیریت داده‌های گمشده (Missing Data)
  • 30. پاکسازی و آماده‌سازی داده با Pandas
  • 31. عملیات گروهی (Group By) و تجمیع داده‌ها
  • 32. ادغام (Merging)، اتصال (Joining) و ترکیب (Concatenating) DataFrames
  • 33. تغییر شکل (Reshaping) و Pivot کردن DataFrames
  • 34. کار با داده‌های سری زمانی (Time Series)
  • 35. داده‌های دسته‌ای (Categorical Data)
  • 36. عملیات رشته‌ای کارآمد در Pandas
  • 37. استفاده از `apply` در مقابل عملیات Vectorized
  • 38. بهینه‌سازی مصرف حافظه در Pandas DataFrames
  • 39. بهبود عملکرد کدهای Pandas
  • 40. Pandas Best Practices برای داده‌های بزرگ
  • 41. قفل سراسری مفسر (GIL) و پیامدهای آن
  • 42. درک مدیریت حافظه در پایتون
  • 43. ابزارهای پروفایلینگ کد پایتون (cProfile, line_profiler)
  • 44. بنچمارکینگ و اندازه‌گیری عملکرد کد (timeit)
  • 45. مقدمه‌ای بر همروندی (Concurrency): ماژول `threading`
  • 46. چالش‌ها و محدودیت‌های `threading` با GIL
  • 47. مقدمه‌ای بر موازی‌سازی (Parallelism): ماژول `multiprocessing`
  • 48. استفاده از Pools پردازشی و ارتباط بین فرآیندها
  • 49. برنامه‌نویسی ناهمگام (Asynchronous) با `asyncio`
  • 50. Coroutines و حلقه‌های رویداد (Event Loops)
  • 51. `asyncio` برای وظایف I/O-bound
  • 52. معرفی Numba: کامپایل در زمان اجرا (JIT Compilation)
  • 53. استفاده از Numba برای عملیات آرایه‌های NumPy
  • 54. مبانی Cython برای نوشتن کد سریع
  • 55. فایل‌های Memory-Mapped برای داده‌های حجیم
  • 56. مقدمه‌ای بر Dask: مقیاس‌پذیری پایتون
  • 57. معماری Dask: زمان‌بندها (Schedulers) و کارگران (Workers)
  • 58. Dask Arrays: NumPy خارج از حافظه (Out-of-Core)
  • 59. Dask DataFrames: Pandas خارج از حافظه (Out-of-Core)
  • 60. Dask Bags: موازی‌سازی داده‌های نامنظم
  • 61. Dask Futures: زمان‌بندی وظایف دلخواه
  • 62. راه‌اندازی و استفاده از خوشه‌های محلی Dask
  • 63. داشبورد Dask برای نظارت بر محاسبات
  • 64. بهینه‌سازی محاسبات Dask
  • 65. استفاده از `map_partitions` و توابع سفارشی در Dask
  • 66. خواندن و نوشتن داده با Dask (Parquet, CSV, Zarr)
  • 67. موارد استفاده پیشرفته Dask
  • 68. ادغام Dask با دیگر کتابخانه‌ها
  • 69. مقدمه‌ای بر Modin: اجرای Pandas روی Dask/Ray
  • 70. Vaex: DataFrames خارج از حافظه برای مصورسازی
  • 71. مقدمه‌ای بر Apache Spark و PySpark
  • 72. معماری Spark: Driver, Executors, Cluster Manager
  • 73. مجموعه داده‌های توزیع‌شده انعطاف‌پذیر (RDDs)
  • 74. Transformations و Actions در RDDs
  • 75. Spark DataFrames: پردازش داده‌های ساختاریافته
  • 76. Spark SQL برای پرس‌وجو از DataFrames
  • 77. توابع تعریف‌شده توسط کاربر (UDFs) در PySpark
  • 78. بهینه‌سازی عملکرد PySpark
  • 79. Caching و Persistence در Spark
  • 80. کار با منابع داده مختلف در PySpark (HDFS, S3, دیتابیس‌ها)
  • 81. فرمت‌های ذخیره‌سازی کارآمد داده: Parquet و ORC
  • 82. فرمت‌های Feather و HDF5 برای تبادل سریع داده
  • 83. Zarr: آرایه‌های چندبعدی chunked و فشرده
  • 84. مفاهیم رایانش ابری برای داده‌های بزرگ (AWS, GCP, Azure)
  • 85. راه‌اندازی و مدیریت خوشه‌های ابری (مثلاً EMR, Dataproc)
  • 86. مقدمه‌ای بر Ray: چارچوب محاسبات توزیع‌شده یکپارچه
  • 87. Ray Core API برای وظایف موازی
  • 88. Ray Actors برای اشیاء توزیع‌شده با حالت
  • 89. یادگیری ماشین توزیع‌شده با Ray (بررسی اجمالی)
  • 90. ادغام با پایگاه‌های داده NoSQL و Columnar
  • 91. پردازش جریانی (Stream Processing) با Kafka/Pulsar (مفاهیم)
  • 92. مانیتورینگ و اشکال‌زدایی سیستم‌های توزیع‌شده
  • 93. مصورسازی داده‌های بزرگ (Datashader, Holoviews)
  • 94. استفاده از GPU برای محاسبات موازی (CUDA/CuPy – مقدمه)
  • 95. اصول SOLID در توسعه HPC
  • 96. امنیت در محیط‌های داده بزرگ
  • 97. بهترین روش‌ها (Best Practices) برای پایتون با کارایی بالا
  • 98. مطالعه موردی: پردازش داده‌های سنسورها
  • 99. مطالعه موردی: تحلیل لاگ‌های وب
  • 100. پروژه پایانی: ساخت یک پایپ‌لاین داده بزرگ مقیاس‌پذیر

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب کار با داده‌های بزرگ در پایتون با استفاده از کتابخانه‌های تخصصی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا