کتاب صوتی جامع تحلیل و پردازش داده‌های بزرگ با پایتون و PySpark

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع تحلیل و پردازش داده‌های بزرگ با پایتون و PySpark

موضوع کلی: علوم داده و تحلیل هوشمند اطلاعات

موضوع میانی: پردازش داده‌های حجیم (Big Data) با ابزارهای نوین

📋 سرفصل‌های دوره

• 1. مبانی اکوسیستم داده‌های بزرگ و نقش پایتون
• 2. معماری توزیع‌شده در پردازش داده‌ها
• 3. آشنایی با محیط برنامه‌نویسی PySpark
• 4. نصب و راه‌اندازی کلاستر محلی اسپارک
• 5. مفاهیم پایه RDD در پردازش موازی
• 6. عملیات تبدیل و عملگرهای پایه در RDD
• 7. کار با داده‌های ساختاریافته در Spark SQL
• 8. معرفی DataFrame و ساختار داده‌ای آن
• 9. خواندن و نوشتن داده‌ها از منابع مختلف
• 10. پاک‌سازی و پیش‌پردازش داده‌های خام
• 11. فیلتر کردن و انتخاب ستون‌ها در DataFrames
• 12. تجمیع داده‌ها و گروه‌بندی (Aggregation)
• 13. عملیات پیوند (Join) بین مجموعه‌های داده
• 14. کار با توابع داخلی و تعریف توابع سفارشی UDF
• 15. مدیریت مقادیر تهی و داده‌های نامعتبر
• 16. کار با انواع داده‌های زمانی و تاریخ
• 17. بهینه‌سازی پرس‌وجوها در اسپارک
• 18. تحلیل داده‌های متنی و پردازش رشته‌ها
• 19. مقدمه‌ای بر کتابخانه MLlib برای یادگیری ماشین
• 20. پیش‌پردازش ویژگی‌ها برای مدل‌های آماری
• 21. ساخت مدل‌های رگرسیون با PySpark
• 22. طبقه‌بندی داده‌ها و ارزیابی عملکرد مدل
• 23. خوشه‌بندی داده‌های حجیم با الگوریتم K-Means
• 24. مدیریت حافظه و کش کردن داده‌ها در کلاستر
• 25. شناسایی و رفع گلوگاه‌های عملکردی
• 26. کار با فایل‌های پارکت و فرمت‌های بهینه
• 27. بررسی مفاهیم پارتیشن‌بندی و Shuffle
• 28. مانیتورینگ و مشاهده وضعیت در Spark UI
• 29. استفاده از PySpark در محیط‌های ابری
• 30. امنیت داده‌ها و کنترل دسترسی در پردازش توزیع‌شده
• 31. مدیریت خطا و اشکال‌زدایی در برنامه‌های توزیع‌شده
• 32. استقرار مدل‌های تحلیلی در محیط عملیاتی
• 33. یکپارچه‌سازی پایتون با اکوسیستم هدوپ
• 34. مقدمه‌ای بر پردازش جریانی (Structured Streaming)
• 35. کار با داده‌های زمان‌واقعی در جریان‌های ورودی
• 36. اتصال به منابع داده‌ای متنوع در جریان‌سازی
• 37. ذخیره‌سازی خروجی‌ها در پایگاه‌های داده توزیع‌شده
• 38. پیاده‌سازی پایپ‌لاین‌های اتوماتیک داده
• 39. بهترین روش‌های کدنویسی تمیز در PySpark
• 40. پروژه نهایی تحلیل مجموعه‌داده‌های بزرگ واقعی