سپنتا کتاب اکسپرس
کتاب Data Engineering Best Practices with Spark

کتاب Data Engineering Best Practices with Spark

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 Data Engineering Best Practices with Spark

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: Apache Spark

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر مهندسی داده و اکوسیستم کلان‌داده
  • 2. آشنایی با Apache Spark و معماری آن
  • 3. نصب و پیکربندی Spark
  • 4. مبانی Spark Core: RDDها
  • 5. عملیات تبدیل و اقدام بر روی RDDها
  • 6. کار با فایل‌های داده در Spark
  • 7. مقدمه‌ای بر Spark SQL و DataFrames
  • 8. عملیات بر روی DataFrames
  • 9. توابع پنجره‌ای در Spark SQL
  • 10. بهینه‌سازی پرس‌وجوها در Spark SQL
  • 11. آشنایی با Spark Streaming
  • 12. پردازش داده‌های جریانی با Spark
  • 13. مدیریت وضعیت در Spark Streaming
  • 14. مقدمه‌ای بر Spark MLlib
  • 15. یادگیری ماشین با Spark MLlib: پیش‌پردازش داده
  • 16. یادگیری ماشین با Spark MLlib: الگوریتم‌های طبقه‌بندی
  • 17. یادگیری ماشین با Spark MLlib: الگوریتم‌های رگرسیون
  • 18. یادگیری ماشین با Spark MLlib: خوشه‌بندی
  • 19. یادگیری ماشین با Spark MLlib: کاهش ابعاد
  • 20. ارزیابی مدل‌های یادگیری ماشین در Spark
  • 21. مقدمه‌ای بر GraphX
  • 22. پردازش گراف با GraphX
  • 23. بهینه‌سازی عملکرد Spark
  • 24. نظارت و اشکال‌زدایی برنامه‌های Spark
  • 25. الگوهای طراحی در مهندسی داده با Spark
  • 26. پایگاه‌های داده NoSQL و Spark
  • 27. یکپارچه‌سازی Spark با Kafka
  • 28. یکپارچه‌سازی Spark با Hadoop HDFS
  • 29. یکپارچه‌سازی Spark با S3
  • 30. مدیریت امنیت در Spark
  • 31. مقدمه‌ای بر Delta Lake
  • 32. کار با Delta Lake برای مهندسی داده
  • 33. بهینه‌سازی Delta Lake
  • 34. مقدمه‌ای بر Apache Flink
  • 35. مقایسه Spark و Flink
  • 36. مقدمه‌ای بر مهندسی داده در کلان‌داده
  • 37. طراحی معماری کلان‌داده
  • 38. مدیریت چرخه عمر داده
  • 39. کیفیت داده و اعتبارسنجی
  • 40. پاکسازی داده‌ها با Spark
  • 41. تبدیل داده‌ها برای تحلیل
  • 42. انتقال داده‌ها (ETL) با Spark
  • 43. بارگذاری داده‌ها (ELT) با Spark
  • 44. مقدمه‌ای بر Data Warehousing
  • 45. ساخت Data Mart با Spark
  • 46. طراحی مدل‌های داده‌ای استار اسکما
  • 47. طراحی مدل‌های داده‌ای اسن فلیک
  • 48. مقدمه‌ای بر Data Lakehouse
  • 49. پیاده‌سازی Data Lakehouse با Spark
  • 50. مدیریت فراداده (Metadata Management)
  • 51. کاتالوگ داده (Data Catalog)
  • 52. حاکمیت داده (Data Governance)
  • 53. امنیت داده‌ها در اکوسیستم کلان‌داده
  • 54. مقررات حفظ حریم خصوصی داده‌ها (مانند GDPR/CCPA - با رویکرد داخلی)
  • 55. مقدمه‌ای بر DevOps برای مهندسی داده
  • 56. CI/CD برای pipelines داده
  • 57. اتوماسیون تست در مهندسی داده
  • 58. مانیتورینگ و هشداردهی در pipelines داده
  • 59. مدیریت پیکربندی در محیط کلان‌داده
  • 60. مقدمه‌ای بر Data Observability
  • 61. اصول طراحی مقیاس‌پذیر در Spark
  • 62. بهینه‌سازی حافظه و دیسک در Spark
  • 63. مدیریت منابع در Spark (YARN/Kubernetes)
  • 64. تکنیک‌های Partitioning در Spark
  • 65. Caching و Persistence در Spark
  • 66. Broadcast Variables و Accumulators
  • 67. کدنویسی کارآمد در Spark (Scala/Python)
  • 68. استفاده از UDFها با احتیاط
  • 69. بهینه‌سازی Join Operations
  • 70. استفاده از Kryo Serializer
  • 71. مدیریت کتابخانه‌های خارجی در Spark
  • 72. استراتژی‌های استقرار Spark
  • 73. Spark در محیط‌های ابری (AWS, Azure, GCP - با رویکرد داخلی)
  • 74. ملاحظات مربوط به هزینه‌ها در Spark
  • 75. مقدمه‌ای بر Data Mesh
  • 76. اصول Data Mesh و پیاده‌سازی آن
  • 77. تیم‌های داده‌ای در مدل Data Mesh
  • 78. پلتفرم‌های داده‌ای در مدل Data Mesh
  • 79. امنیت و حاکمیت در Data Mesh
  • 80. ملاحظات اخلاقی در مهندسی داده
  • 81. مسئولیت‌پذیری در استفاده از داده
  • 82. مقدمه‌ای بر هوش مصنوعی و داده
  • 83. نقش مهندسی داده در هوش مصنوعی
  • 84. مقدمه‌ای بر یادگیری عمیق و داده
  • 85. ملاحظات مربوط به داده‌های حجیم در یادگیری عمیق
  • 86. برنامه‌ریزی برای پروژه‌های مهندسی داده
  • 87. مدیریت ریسک در پروژه‌های داده
  • 88. مستندسازی در مهندسی داده
  • 89. یادگیری مداوم و به‌روزرسانی دانش
  • 90. آینده مهندسی داده با Spark
  • 91. آخرین روندها در اکوسیستم Spark
  • 92. نکات پیشرفته برای بهینه‌سازی Spark

📚 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.