آموزش مبانی 빅 دیتا: اصول پردازش توزیع‌شده - آخرین آپدیت

دانلود Big Data Foundations: Distributed Processing Principles

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: پردازش مجموعه‌داده‌های عظیم و سریع امروزی یک چالش بزرگ است، زیرا ماشین‌های تک‌پردازشی نمی‌توانند با مقیاس، سرعت یا پیچیدگی حجم کاری داده‌های مدرن پیش بیایند. در این دوره آموزشی با عنوان «مبانی 빅 دیتا: اصول پردازش توزیع‌شده»، شما توانایی درک نحوه مقیاس‌بندی محاسبات در سیستم‌های توزیع‌شده، مدیریت داده‌ها در خوشه‌ها (Clusters) و ارائه عملکردی قابل اعتماد را کسب خواهید کرد. ابتدا بررسی خواهید کرد که چرا پردازش توزیع‌شده ضروری است و مفاهیم کلیدی مانند موازی‌سازی (Parallelism)، هماهنگی و تحمل خطا (Fault Tolerance) چگونه عمل می‌کنند. سپس، مدل‌های اجرایی بنیادین مورد استفاده در سیستم‌های بیگ دیتا، از جمله پردازش دسته‌ای (Batch)، استریمینگ (Streaming) و پردازش‌های مبتنی بر DAG را شناسایی می‌کنید. در نهایت، خواهید آموخت که موتورهای توزیع‌شده چگونه از طریق پارتیشن‌بندی، محلی‌سازی داده‌ها (Data Locality)، چک‌پوینتینگ، تلاش مجدد (Retries) و بهینه‌سازی‌های کلیدی عملکرد، به مقیاس‌پذیری و تاب‌آوری دست می‌یابند. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم از اصول پردازش توزیع‌شده را برای طراحی، ارزیابی و استدلال درباره معماری‌های مدرن بیگ دیتا به دست خواهید آورد.

سرفصل ها و درس ها

درک پردازش توزیع‌شده Understanding Distributed Processing

  • مقدمه‌ای بر پردازش توزیع‌شده Introducing Distributed Processing

  • مکانیزم‌های کلیدی پردازش توزیع‌شده Key Mechanics of Distributed Processing

  • شناسایی سناریوهای حیاتی برای پردازش توزیع‌شده Recognizing the Critical Scenarios for Distributed Processing

درک مدل‌های اجرایی پردازش توزیع‌شده Understanding Execution Models of Distributed Processing

  • پردازش حجم‌های کاری تحلیلی Processing Analytical Workloads

  • پردازش داده‌های آنی (Real-time) Processing Real-time Data

  • انتخاب مدل اجرایی مناسب Choosing the Right Execution Model

طراحی اپلیکیشن‌های با کارایی بالا با استفاده از پردازش توزیع‌شده Designing High-performance Applications Using Distributed Processing

  • دستیابی به مقیاس‌پذیری با استفاده از پارتیشن‌بندی و شافلینگ داده‌ها Achieving Scalability Using Data Partitioning and Shuffling

  • درک استراتژی‌های تحمل خطا Understanding Fault-tolerance Strategies

  • بهینه‌سازی معیارهای کلیدی در یک اپلیکیشن توزیع‌شده Balancing Key Metrics in a Distributed Application

نمایش نظرات

آموزش مبانی 빅 دیتا: اصول پردازش توزیع‌شده
جزییات دوره
46m
9
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
3
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Saravanan Dhandapani Saravanan Dhandapani

من بیش از یک دهه است که در برخی از 100 شرکت برتر ثروتمند در زمینه طراحی ، توسعه و معماری فناوری اطلاعات کار می کنم. من درگیر تنظیم دقیق فرآیند تحویل نرم افزار ، بهبود عملکرد و توسعه نرم افزار مقیاس پذیر و قابل حمل بوده ام. برخی از مناطق کلیدی که در آنها کار کرده ام عبارتند از جاوا ، ESB ، تامکت ، ReactJS ، جاوا اسکریپت ، لینوکس ، اوراکل ، SVN ، GIT و غیره.