آموزش NoSQL پیشرفته برای Data Science

Advanced NoSQL for Data Science

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: بسیاری از سازمان ها برای ذخیره حجم زیادی از داده های پیچیده ، به پایگاه های داده NoSQL روی آورده اند و این امر باعث افزایش نیاز دانشمندان و تحلیل گران به داده ها برای درک ذخیره داده های غیر رابطه ای شده است. اگر شما یک دانشمند داده یا تحلیلگر کسب و کار هستید و باید با NoSQL کار کنید ، این دوره برای شما مناسب است. در مورد تفاوت بین پایگاه داده های رابطه ای و NoSQL اطلاعاتی کسب کنید ، انواع پایگاه داده های NoSQL را مرور کنید و نحوه انجام کارهای مشترک علوم داده ، از جمله آماده سازی داده ها ، کاوش و ساخت و استفاده از مدل ها را ببینید.

این دوره با مقدمه ای بر NoSQL آغاز می شود ، و سپس به جزئیات پایگاه داده های سند ، ستون گسترده و نمودار می پردازد. جزئیات کلیدی برای انجام آماده سازی ، کاوش و استخراج داده ها برای هر نوع پایگاه داده NoSQL را بیاموزید. مطالعات موردی را که نحوه استفاده از پایگاه داده های مختلف NoSQL را با ابزارهای معروف علوم داده از جمله پایگاه داده اسناد MongoDB ، پایگاه داده ستون گسترده Cassandra و پایگاه داده نمودار Neo4j نشان می دهد ، مرور کنید.
موضوعات شامل:
  • NoSQL در مقایسه با پایگاه داده های رابطه ای سنتی
  • انجام وظایف رایج دانش داده
  • آماده سازی داده ها با پایگاه داده سند
  • دستکاری داده ها در NoSQL
  • آماده سازی ، کاوش ، استخراج و ساخت مدل
  • کار با پایگاه داده های سند ، ستون گسترده و نمودارها
  • مرور مطالعات موردی با استفاده از MongoDB ، Cassandra و Neo4j

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

  • آنچه باید بدانید What you should know

  • فایل های تمرینی Exercise files

1. چرا NoSQL؟ 1. Why NoSQL?

  • محدودیت پایگاه داده های رابطه ای The limits of relational databases

  • انواع بانکهای اطلاعاتی NoSQL Types of NoSQL databases

  • مزایای استفاده از پایگاه داده های NoSQL Advantages of NoSQL databases

  • انجام وظایف علوم داده با NoSQL Performing data science tasks with NoSQL

2. انجام وظایف علوم داده مشترک با پایگاه داده NoSQL 2. Perform Common Data Science Tasks with NoSQL Databases

  • تهیه داده Preparing data

  • کاوش داده ها Exploring data

  • مدل های ساختمان Building models

  • استفاده از مدلها Applying models

3. بانک اطلاعات اسناد برای علوم داده 3. Document Databases for Data Science

  • مدل های داده اسناد Document data models

  • ساختارهای JSON JSON structures

  • داده ها را با بانکهای اطلاعاتی آماده کنید Prepare data with document databases

  • آناکوندا را نصب کنید Install Anaconda

  • MongoDB را نصب کنید Install MongoDB

  • همکاری با مشتری Working with Jupyter

  • داده ها را با بانکهای اطلاعاتی کاوش کنید Explore data with document databases

  • داده ها را با بانک اطلاعات اسناد استخراج کنید Extract data with document databases

  • چک های با کیفیت را انجام دهید Perform quality checks

  • نمایه داده ها با پایگاه داده های سند Index data with document databases

  • فریم های داده در MongoDB Data frames in MongoDB

  • نکاتی در مورد استفاده از بانکهای اطلاعاتی اسناد برای علم داده Tips for using document databases for data science

4- پایگاه داده های ستونی گسترده برای علوم داده 4. Wide-Column Databases for Data Science

  • مدل های ستون گسترده Wide-column data models

  • داده ها را با داده های ستونی گسترده آماده کنید Prepare data with wide-column databases

  • کیت توسعه جاوا را نصب کنید Install the Java Development Kit

  • کاساندرا را نصب کنید Install Cassandra

  • داده ها را برای کاساندرا آماده کنید Prepare data for Cassandra

  • بارگیری داده ها به کاساندرا Load data into Cassandra

  • کاساندرا و جرقه Cassandra and Spark

  • نکاتی در مورد استفاده از پایگاه داده های ستون گسترده برای علم داده Tips for using wide-column databases for data science

5. پایگاه داده های نمودار برای علوم داده 5. Graph Databases for Data Science

  • مدل داده های نمودار Graph data models

  • مفاهیم کلیدی گرافیکی Key graphi concepts

  • داده ها را با پایگاه داده های نمودار آماده کنید Prepare data with graph databases

  • Neo4j را نصب کنید Install Neo4j

  • داده ها را با پایگاه داده های نمودار کاوش کنید Explore data with graph databases

  • داده ها را با داده های نمودار استخراج کنید Extract data with graph databases

  • نکاتی در مورد استفاده از پایگاه داده های نمودار برای علم داده Tips for using graph databases for data science

نتیجه Conclusion

  • مراحل بعدی Next Steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش NoSQL پیشرفته برای Data Science
جزییات دوره
1h 56m
39
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
87,388
- از 5
ندارد
دارد
دارد
Dan Sullivan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dan Sullivan Dan Sullivan

معمار سازمانی ، کارشناس بزرگ داده دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.

دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.