آموزش آشنایی با کلان‌داده‌ها (Big Data) - آخرین آپدیت

دانلود Introduction to Big Data

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: آیا علاقه‌مندید دانش خود را در زمینه چشم‌انداز کلان‌داده‌ها افزایش دهید؟ این دوره برای کسانی است که در حوزه علوم داده تازه‌کار هستند و می‌خواهند بدانند چرا عصر کلان‌داده‌ها (Big Data) فرا رسیده است. این دوره برای افرادی طراحی شده که می‌خواهند با اصطلاحات و مفاهیم کلیدی پشت مشکلات، کاربردها و سیستم‌های بیگ دیتا آشنا شوند و بررسی کنند که چگونه کلان‌داده‌ها می‌توانند در کسب‌وکار یا مسیر شغلی آن‌ها مفید باشند. در این دوره، یکی از رایج‌ترین چارچوب‌ها یعنی هادوپ (Hadoop) معرفی می‌شود که تحلیل کلان‌داده‌ها را آسان‌تر و در دسترس‌تر کرده و پتانسیل داده‌ها برای تغییر جهان ما را افزایش داده است. در پایان این دوره، شما قادر خواهید بود: * چشم‌انداز کلان‌داده‌ها، از جمله مثال‌هایی از مشکلات واقعی و سه منبع اصلی تولید داده (افراد، سازمان‌ها و حسگرها) را توصیف کنید. * ویژگی‌های V در کلان‌داده‌ها (حجم، سرعت، تنوع، صحت، ظرفیت و ارزش) و دلیل تاثیر هر یک بر جمع‌آوری، نظارت، ذخیره‌سازی، تحلیل و گزارش‌دهی داده‌ها را توضیح دهید. * با استفاده از یک فرآیند ۵ مرحله‌ای برای ساختاربندی تحلیل‌ها، از کلان‌داده‌ها ارزش خلق کنید. * تشخیص دهید چه مسائلی جزو مشکلات کلان‌داده‌ها هستند و چه مسائلی نیستند، و بتوانید مشکلات بیگ دیتا را به پرسش‌های علوم داده تبدیل کنید. * اجزای معماری و مدل‌های برنامه‌نویسی مورد استفاده برای تحلیل مقیاس‌پذیر کلان‌داده‌ها را شرح دهید. * ویژگی‌ها و ارزش اجزای اصلی استک هادوپ، از جمله سیستم مدیریت منابع و وظایف YARN، سیستم فایل HDFS و مدل برنامه‌نویسی MapReduce را خلاصه کنید. * یک برنامه را با استفاده از هادوپ نصب و اجرا کنید! این دوره برای تازه‌کاران علوم داده است. هیچ تجربه قبلی در برنامه‌نویسی نیاز نیست، هرچند توانایی نصب نرم‌افزارها و استفاده از ماشین مجازی برای انجام تکالیف عملی ضروری است. نیازمندی‌های سخت‌افزاری: (الف) پردازنده چهار هسته‌ای (پشتیبانی از VT-x یا AMD-V توصیه می‌شود)، ۶۴ بیتی؛ (ب) ۸ گیگابایت رم؛ (ج) ۲۰ گیگابایت فضای خالی دیسک. برای یافتن اطلاعات سخت‌افزاری در ویندوز: Start را زده، روی Computer راست‌کلیک کرده و Properties را انتخاب کنید؛ در مک: از منوی اپل گزینه About This Mac را انتخاب کنید. اکثر کامپیوترهایی با ۸ گیگابایت رم که در ۳ سال اخیر خریداری شده‌اند، این حداقل نیازمندی‌ها را دارند. همچنین به دلیل دانلود فایل‌هایی تا حجم ۴ گیگابایت، به اینترنت پرسرعت نیاز دارید. نیازمندی‌های نرم‌افزاری: این دوره بر چندین ابزار نرم‌افزاری متن‌باز از جمله Apache Hadoop متکی است. تمامی نرم‌افزارهای مورد نیاز به صورت رایگان قابل دانلود و نصب هستند. سیستم‌عامل‌های مورد نیاز عبارتند از: ویندوز ۷ به بالا، مک OS X 10.10 به بالا، اوبونتو ۱۴.۰۴ به بالا یا CentOS ۶ به بالا و VirtualBox نسخه ۵ به بالا.

سرفصل ها و درس ها

خوش‌آمدگویی Welcome

  • خوش‌آمدگویی به تخصص کلان‌داده‌ها Welcome to the Big Data Specialization

  • معرفی خود و آشنایی با هم‌کلاسی‌ها Tell us about yourself and learn about your classmates

کلان‌داده‌ها: چرا و کجا Big Data: Why and Where

  • چه چیزی عصر کلان‌داده‌ها را آغاز کرد؟ What launched the Big Data era?

  • کاربردها: چه چیزی کلان‌داده‌ها را ارزشمند می‌کند Applications: What makes big data valuable

  • مثال: نجات جان انسان‌ها با کلان‌داده‌ها Example: Saving lives with Big Data

  • مثال: استفاده از کلان‌داده‌ها برای کمک به بیماران Example: Using Big Data to Help Patients

  • داستان موفقیت تحلیل احساسات: کمک Meltwater به Danone A Sentiment Analysis Success Story: Meltwater helping Danone

  • شروع کار: کلان‌داده‌ها از کجا می‌آیند؟ Getting Started: Where Does Big Data Come From?

  • داده‌های تولید شده توسط ماشین: همه جا هستند و حجمشان زیاد است! Machine-Generated Data: It's Everywhere and There's a Lot!

  • داده‌های تولید شده توسط ماشین: مزایا Machine-Generated Data: Advantages

  • کلان‌داده‌های تولید شده توسط انسان: چالش داده‌های بدون ساختار Big Data Generated By People: The Unstructured Challenge

  • کلان‌داده‌های تولید شده توسط انسان: چگونه استفاده می‌شوند؟ Big Data Generated By People: How Is It Being Used?

  • داده‌های تولید شده توسط سازمان‌ها: ساختاریافته اما اغلب جزیره‌ای Organization-Generated Data: Structured but often siloed

  • داده‌های سازمانی: مزایای ترکیب با سایر انواع داده‌ها Organization-Generated Data: Benefits Come From Combining With Other Data Types

  • کلید اصلی: یکپارچه‌سازی داده‌های متنوع The Key: Integrating Diverse Data

ویژگی‌های کلان‌داده‌ها و ابعاد مقیاس‌پذیری Characteristics of Big Data and Dimensions of Scalability

  • شروع کار: ویژگی‌های کلان‌داده‌ها Getting Started: Characteristics Of Big Data

  • ویژگی‌های کلان‌داده‌ها: حجم (Volume) Characteristics of Big Data - Volume

  • ویژگی‌های کلان‌داده‌ها: تنوع (Variety) Characteristics of Big Data - Variety

  • ویژگی‌های کلان‌داده‌ها: سرعت (Velocity) Characteristics of Big Data - Velocity

  • ویژگی‌های کلان‌داده‌ها: صحت (Veracity) Characteristics of Big Data - Veracity

  • ویژگی‌های کلان‌داده‌ها: ظرفیت (Valence) Characteristics of Big Data - Valence

  • ویژگی ششم: ارزش (Value) The Sixth V: Value

علوم داده: استخراج ارزش از کلان‌داده‌ها Data Science: Getting Value out of Big Data

  • علوم داده: استخراج ارزش از کلان‌داده‌ها Data Science: Getting Value out of Big Data

  • ساخت استراتژی کلان‌داده Building a Big Data Strategy

  • علوم داده کلان چگونه عمل می‌کند؟ پنج مؤلفه علوم داده How does big data science happen?: Five Components of Data Science

  • پرسیدن سوالات درست Asking the Right Questions

  • مراحل فرآیند علوم داده Steps in the Data Science Process

  • مرحله اول: اکتساب داده‌ها Step 1: Acquiring Data

  • مرحله دوم الف: اکتشاف داده‌ها Step 2-A: Exploring Data

  • مرحله دوم ب: پیش‌پردازش داده‌ها Step 2-B: Pre-Processing Data

  • مرحله سوم: تحلیل داده‌ها Step 3: Analyzing Data

  • مرحله چهارم: انتقال نتایج Step 4: Communicating Results

  • مرحله پنجم: تبدیل بینش‌ها به اقدام Step 5: Turning Insights into Action

مبانی سیستم‌های کلان‌داده و برنامه‌نویسی Foundations for Big Data Systems and Programming

  • شروع کار: چرا مبانی اهمیت دارند؟ Getting Started: Why worry about foundations?

  • سیستم فایل توزیع‌شده چیست؟ What is a Distributed File System?

  • محاسبات مقیاس‌پذیر در اینترنت Scalable Computing over the Internet

  • مدل‌های برنامه‌نویسی برای کلان‌داده‌ها Programming Models for Big Data

سیستم‌ها: شروع کار با هادوپ Systems: Getting Started with Hadoop

  • هادوپ: چرا، کجا و چه کسی؟ Hadoop: Why, Where and Who?

  • اکوسیستم هادوپ: به باغ‌وحش خوش آمدید! The Hadoop Ecosystem: Welcome to the zoo!

  • سیستم فایل توزیع‌شده هادوپ (HDFS): سیستم ذخیره‌سازی برای کلان‌داده‌ها The Hadoop Distributed File System: A Storage System for Big Data

  • YARN: مدیریت منابع برای هادوپ YARN: A Resource Manager for Hadoop

  • MapReduce: برنامه‌نویسی ساده برای نتایج بزرگ MapReduce: Simple Programming for Big Results

  • چه زمانی هادوپ را بازنگری کنیم؟ When to Reconsider Hadoop?

  • رایانش ابری: یک تسهیل‌کننده مهم برای کلان‌داده‌ها Cloud Computing: An Important Big Data Enabler

  • مدل‌های سرویس ابری: بررسی گزینه‌ها Cloud Service Models: An Exploration of Choices

  • ارزش هادوپ و ایمیج‌های پیش‌ساخته هادوپ Value From Hadoop and Pre-built Hadoop Images

  • راه اندازی هادوپ Starting Hadoop

  • اجرای برنامه WordCount Run the WordCount program

نمایش نظرات

آموزش آشنایی با کلان‌داده‌ها (Big Data)
جزییات دوره
18h 15m
48
(آخرین آپدیت)
343,247
4.7 از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده