سپنتا کتاب اکسپرس
کتاب داده‌کاوی با Hadoop: کشف الگوها در مجموعه داده‌های عظیم

کتاب داده‌کاوی با Hadoop: کشف الگوها در مجموعه داده‌های عظیم

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره داده‌کاوی با Hadoop: کشف الگوها در مجموعه داده‌های عظیم

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Hadoop

📋 سرفصل‌های دوره

  • 1. مقدمه ای بر داده‌کاوی با Hadoop
  • 2. مفاهیم کلیدی Hadoop: HDFS و MapReduce
  • 3. نصب و پیکربندی Hadoop
  • 4. آشنایی با اکوسیستم Hadoop
  • 5. کار با فایل سیستم توزیع شده Hadoop (HDFS)
  • 6. مبانی MapReduce
  • 7. نوشتن اولین برنامه MapReduce
  • 8. مدیریت Job های MapReduce
  • 9. تنظیمات پیشرفته Hadoop
  • 10. مقدمه ای بر Hive
  • 11. نصب و پیکربندی Hive
  • 12. کار با جداول در Hive
  • 13. پرس و جوهای HiveQL
  • 14. بهینه‌سازی پرس و جوهای Hive
  • 15. مقدمه ای بر Pig
  • 16. نصب و پیکربندی Pig
  • 17. زبان اسکریپت‌نویسی Pig Latin
  • 18. عملیات پایه در Pig
  • 19. عملیات پیشرفته در Pig
  • 20. کار با داده‌های ساختاریافته در Pig
  • 21. مقدمه ای بر Spark
  • 22. نصب و پیکربندی Spark
  • 23. مبانی Spark Core
  • 24. RDD ها در Spark
  • 25. عملیات تبدیل و اکشن در Spark
  • 26. Spark SQL
  • 27. مقدمه ای بر Spark Streaming
  • 28. کار با داده‌های زمان واقعی در Spark Streaming
  • 29. Spark MLlib برای یادگیری ماشین
  • 30. مقدمه ای بر NoSQL
  • 31. انواع پایگاه داده‌های NoSQL
  • 32. HBase: پایگاه داده ستونی در Hadoop
  • 33. نصب و پیکربندی HBase
  • 34. کار با جداول HBase
  • 35. پرس و جو در HBase
  • 36. Cassandra: پایگاه داده توزیع شده
  • 37. مقدمه ای بر داده‌کاوی
  • 38. مراحل فرآیند داده‌کاوی
  • 39. پیش‌پردازش داده‌ها: پاکسازی و ادغام
  • 40. پیش‌پردازش داده‌ها: تبدیل و کاهش ابعاد
  • 41. کشف الگوهای تکرارشونده
  • 42. قوانین وابستگی
  • 43. الگوریتم Apriori
  • 44. بهینه‌سازی الگوریتم Apriori
  • 45. شبکه‌های وابستگی
  • 46. مقدمه ای بر طبقه‌بندی
  • 47. الگوریتم درخت تصمیم
  • 48. بهینه‌سازی درخت تصمیم
  • 49. الگوریتم Naive Bayes
  • 50. الگوریتم ماشین بردار پشتیبان (SVM)
  • 51. ارزیابی مدل‌های طبقه‌بندی
  • 52. مقدمه ای بر خوشه‌بندی
  • 53. الگوریتم K-Means
  • 54. بهینه‌سازی K-Means
  • 55. خوشه‌بندی سلسله مراتبی
  • 56. ارزیابی مدل‌های خوشه‌بندی
  • 57. مقدمه ای بر پیش‌بینی
  • 58. رگرسیون خطی
  • 59. رگرسیون چندگانه
  • 60. سری‌های زمانی
  • 61. مدل‌های پیش‌بینی با Spark MLlib
  • 62. مقدمه ای بر تحلیل شبکه
  • 63. مفاهیم پایه گراف
  • 64. یافتن مسیرها در گراف
  • 65. مرکزیت در گراف
  • 66. تشخیص جوامع در گراف
  • 67. کاربرد تحلیل شبکه در داده‌کاوی
  • 68. مقدمه ای بر داده‌کاوی متن
  • 69. پیش‌پردازش متن
  • 70. مدل‌سازی موضوعی (Topic Modeling)
  • 71. الگوریتم LDA
  • 72. تحلیل احساسات
  • 73. مقدمه ای بر داده‌کاوی تصویر
  • 74. استخراج ویژگی از تصاویر
  • 75. کاربرد داده‌کاوی تصویر
  • 76. مقدمه ای بر داده‌کاوی ویدئو
  • 77. استخراج ویژگی از ویدئو
  • 78. کاربرد داده‌کاوی ویدئو
  • 79. ملاحظات اخلاقی در داده‌کاوی
  • 80. حفظ حریم خصوصی داده‌ها
  • 81. امنیت داده‌ها در Hadoop
  • 82. مدیریت داده‌ها در مقیاس بزرگ
  • 83. استفاده از Hadoop برای تجزیه و تحلیل کلان داده
  • 84. کاربرد داده‌کاوی در صنعت مالی (سازگار با مقررات)
  • 85. کاربرد داده‌کاوی در سلامت (سازگار با پروتکل‌ها)
  • 86. کاربرد داده‌کاوی در بازاریابی (سازگار با چارچوب رسمی)
  • 87. کاربرد داده‌کاوی در تولید (سازگار با چارچوب رسمی)
  • 88. مطالعات موردی پیشرفته در Hadoop
  • 89. کاربرد Spark برای تجزیه و تحلیل کلان داده
  • 90. کاربرد Spark Streaming در سناریوهای واقعی
  • 91. کاربرد Spark MLlib در مسائل پیچیده یادگیری ماشین
  • 92. مقدمه ای بر معماری‌های نوین کلان داده
  • 93. نگاهی به آینده داده‌کاوی با Hadoop و Spark
  • 94. چالش‌های پیاده‌سازی کلان داده
  • 95. ابزارهای اکوسیستم Hadoop و Spark
  • 96. نکات و ترفندهای پیشرفته Hadoop
  • 97. نکات و ترفندهای پیشرفته Spark
  • 98. مبانی برنامه‌نویسی موازی در Hadoop
  • 99. مبانی برنامه‌نویسی موازی در Spark
  • 100. بهینه‌سازی عملکرد در Hadoop

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.