AWS Machine Learning – آماده سازی گواهینامه تخصصی

سرفصل ها و درس ها

مقدمه ای بر یادگیری ماشینی AWS – تهیه گواهینامه تخصصی Introduction to AWS Machine Learning – Specialty Certification Preparation

• معرفی دوره Course Introduction

مشاهدات در یادگیری ماشین AWS - آزمون تخصصی Observations on the AWS Machine Learning - Specialty Exam

• مشاهدات Observations

مقدمه ای بر مفاهیم یادگیری ماشینی Introduction to Machine Learning Concepts

• مقدمه درس Lesson Introduction

• مفاهیم اساسی Basic Concepts

• یادگیری تحت نظارت Supervised Learning

• یادگیری بدون نظارت Unsupervised Learning

• الگوریتم های یادگیری ماشین Machine Learning Algorithms

• یادگیری عمیق و شبکه های عصبی عمیق Deep Learning and Deep Neural Networks

• مرور درس Lesson Review

ماژول 0 - یادگیری ماشینی چیست؟ - بخش اول Module 0 - What is Machine Learning? - Part One

• مقدمه ای بر هوش مصنوعی Introduction to AI

• تاریخچه هوش مصنوعی The history of AI

• اخلاق هوش مصنوعی The ethics of AI

• نمونه هایی از هوش مصنوعی موجود (یادگیری ماشینی) Examples of existing AI (machine learning)

• مقدمه ای بر داده ها Introduction to Data

• داده در مقابل کلان داده Data vs Big Data

• متغیرها و داده ها Variables & Data

• هوش مصنوعی ضعیف در مقابل استنتاج آماری محاسباتی Weak AI vs computational statistical inference

• نمونه های خاص از یادگیری ماشینی Specific examples of machine learning

• مقدمه ای بر نت نویسی Introduction to notation

• مشکلات یادگیری تحت نظارت - قسمت 1 Supervised learning problems - Part 1

• مشکلات یادگیری تحت نظارت - قسمت 2 Supervised learning problems - Part 2

• مشکلات یادگیری تحت نظارت - قسمت 3 Supervised learning problems - Part 3

ماژول 0 - یادگیری ماشینی چیست؟ - بخش دوم Module 0 - What is Machine Learning? - Part Two

• یادگیری بدون نظارت Unsupervised Learning

• مبانی نظری یادگیری ماشین The Theoretical Basis of Machine Learning

• یافتن مدل با رگرسیون خطی - قسمت 1 Finding the Model with Linear Regression - Part 1

• یافتن مدل با رگرسیون خطی - قسمت 2 Finding the Model with Linear Regression - Part 2

• مسائل مربوط به یادگیری ماشین - شکاف معنایی Issues with Machine Learning – The Semantic Gap

• مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 1 Issues with Machine Learning – Approximating the Truth - Part 1

• مسائل مربوط به یادگیری ماشین - تقریب حقیقت - قسمت 2 Issues with Machine Learning – Approximating the Truth - Part 2

کار با یادگیری ماشینی توزیع شده Working with Distributed Machine Learning

• مقدمه درس Lesson Introduction

• یادگیری ماشینی توزیع شده Distributed Machine Learning

• آپاچی اسپارک Apache Spark

• Spark MLlib Spark MLlib

• درختان تصمیم Decision Trees

• Amazon Elastic MapReduce Amazon Elastic MapReduce

• چسب AWS AWS Glue

• مجموعه داده های درآمد سرشماری را دانلود و ذخیره کنید Download and Save Census Income Dataset

• مجموعه داده های درآمد سرشماری را آماده کنید Prepare Census Income Dataset

• EMR Cluster را با Spark و Zeppelin راه اندازی کنید Launch EMR Cluster with Spark and Zeppelin

• ساخت مدل DecisionTree با استفاده از Zeppelin Build DecisionTree Model using Zeppelin

• مرور Review

ماژول 1 – پایتون برای یادگیری ماشین Module 1 – Python for Machine Learning

• پایتون برای یادگیری ماشین Python for machine learning

• استفاده از حلقه ها برای محاسبه ضرر کل Using loops to compute total loss

• رگرسیون و طبقه بندی Regression and classification

• راه اندازی یادگیری ماشین در پایتون Machine learning setup in Python

ماژول 2 - ریاضیات برای یادگیری ماشین - قسمت اول Module 2 - Maths for Machine Learning - Part One

• مقدمه ای بر ریاضیات یادگیری ماشینی Introduction to the mathematics of machine learning

• توابع رایج و جبر مفید برای یادگیری ماشین Common functions and useful algebra for machine learning

• مدل درجه دوم The quadratic model

• لگاریتم و توان Logarithms and exponents

• رگرسیون خطی Linear regression

• تجسم رگرسیون خطی Visualising linear regression

• حساب دیفرانسیل و انتگرال Calculus

• نشانه گذاری Notation

• ارائه یک تحلیل کلی با استفاده از نمادهای ریاضی عمومی - قسمت 1 Providing a general analysis using general mathematical notation - Part 1

• ارائه یک تحلیل کلی با استفاده از نمادهای ریاضی عمومی - قسمت 2 Providing a general analysis using general mathematical notation - Part 2

ماژول 2 - ریاضیات برای یادگیری ماشین - قسمت دوم Module 2 - Maths for Machine Learning - Part Two

• رگرسیون خطی در ابعاد چندگانه Linear Regression in Multiple Dimensions

• تفسیر ساختارهای داده از دیدگاه هندسی جبر خطی Interpreting Data Structures from the Geometrical Perspective of Linear Algebra

• بردار تفریق Vector Subtraction

• استفاده از بردارهای تجسمی برای حل مسائل در یادگیری ماشین Using Visualized Vectors to Solve Problems in Machine Learning

• ماتریس ها Matrices

• رگرسیون خطی چند بعدی - قسمت 1 Multidimensional Linear Regression - Part 1

• رگرسیون خطی چند بعدی - قسمت 2 Multidimensional Linear Regression - Part 2

• رگرسیون خطی چند بعدی - قسمت 3 Multidimensional Linear Regression - Part 3

مقدمه ای بر یادگیری عمیق Introduction to Deep Learning

• مقدمه یادگیری عمیق Deep Learning Introduction

• موفقیت های یادگیری عمیق Deep Learning Successes

• شبکه های عصبی Neural Networks

• شبکه های عمیق تر ادامه دارد Deeper Networks Continued

• خروجی های متعدد Multiple Outputs

• طبقه بندی چند طبقه Multiclass Classification

• توابع فعال سازی Activation Functions

• فید فوروارد Feed Forward

• تمرین 1 Exercise 1

• راه حل تمرین 1 Exercise 1 Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

• تمرین 3 Exercise 3

• تمرین 3: راه حل Exercise 3: Solution

• تمرین 4 Exercise 4

• تمرین 4: راه حل Exercise 4: Solution

شروع با یادگیری عمیق: مقدمه ای بر یادگیری ماشین Getting Started with Deep Learning: Introduction To Machine Learning

• معرفی Introduction

• مشکلات یادگیری ماشین Machine Learning Problems

• یادگیری تحت نظارت Supervised Learning

• رگرسیون خطی Linear Regression

• تابع هزینه: Screenflow Cost Function: Screenflow

• تابع هزینه Cost Function

• بهترین مدل Best Model

• رگرسیون خطی: نسخه ی نمایشی Linear Regression: Demo

• ارزیابی عملکرد: Screenflow Evaluation Performance: Screenflow

• ارزیابی عملکرد مدل Evaluating Model Performance

• طبقه بندی Classification

• طبقه بندی: کراس Classification: Keras

• بیش از حد برازش Overfitting

• اعتبار سنجی متقابل Cross Validation

• اعتبارسنجی متقاطع: مدل‌های Keras در Scikit Learn Cross Validation: Keras Models in Scikit Learn

• ماتریس سردرگمی Confusion Matrix

• ماتریس سردرگمی: پایتون Confusion Matrix: Python

• پیش پردازش ویژگی Feature Preprocessing

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

شروع با یادگیری عمیق: کار با داده ها Getting Started With Deep Learning: Working With Data

• مروری بر داده ها Overview of Data

• داده های جدولی Tabular Data

• کاوش با پانداها Exploration with Pandas

• کاوش بصری Visual Exploration

• کاوش داده های بصری با Matplotlib Visual Data Exploration with Matplotlib

• داده های بدون ساختار Unstructured Data

• تصاویر و صداها در ژوپیتر Images and Sounds in Jupyter

• مهندسی ویژگی Feature Engineering

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

• تمرین 3 Exercise 3

• تمرین 3: راه حل Exercise 3: Solution

• تمرین 4 Exercise 4

• تمرین 4: راه حل Exercise 4: Solution

• تمرین 5 Exercise 5

• تمرین 5: راه حل Exercise 5: Solution

شروع با یادگیری عمیق: کار با داده: نزول گرادیان Getting Started With Deep Learning: Working With Data: Gradient Descent

• معرفی Introduction

• مشتقات و گرادیان Derivatives and Gradient

• شهود پس انتشار Backpropagation Intuition

• قاعده زنجیره ای Chain Rule

• محاسبه مشتق Derivative Calculation

• پس انتشار کاملاً متصل Fully Connected Backpropagation

• نمادگذاری ماتریسی Matrix Notation

• آرایه‌های Numpy Numpy Arrays

• میزان یادگیری Learning Rate

• نرخ یادگیری ادامه دارد Learning Rate Continued

• گرادیان نزول Gradient Descent

• نزول گرادیان ادامه دارد Gradient Descent Continued

• EWMA EWMA

• بهینه سازها Optimizers

• بهینه سازها ادامه دارد Optimizers Continued

• مقداردهی اولیه Initialization

• تجسم لایه های داخلی Inner Layers Visualization

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

• تمرین 3 Exercise 3

• تمرین 3: راه حل Exercise 3: Solution

• تمرین 4 Exercise 4

• تمرین 4: راه حل Exercise 4: Solution

• تانسوربرد Tensorboard

شروع با یادگیری عمیق: شبکه های عصبی کانولوشن Getting Started With Deep Learning: Convolutional Neural Networks

• معرفی Introduction

• ویژگی های Pixels Features from Pixels

• طبقه بندی MNIST MNIST Classification

• فراتر از پیکسل ها Beyond Pixels

• تصاویر به عنوان تانسور Images as Tensors

• تانسور ریاضی Tensor Math

• پیچیدگی در 1 D Convolution in 1 D

• پیچیدگی در 2 D Convolution in 2 D

• فیلترهای تصویر با کانولوشن Image filters with convolutions

• لایه های کانولوشنال Convolutional Layers

• لایه های کانولوشن ادامه دارد Convolutional Layers Continued

• لایه های ترکیبی Pooling Layers

• ادغام لایه ها ادامه دارد Pooling Layers Continued

• شبکه عصبی کانولوشنال Convolutional Neural Network

• شبکه عصبی کانولوشن ادامه دارد Convolutional Neural Network Continued

• وزن در CNN ها Weights in CNNs

• فراتر از تصاویر Beyond Images

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

• تمرین 2: راه حل Exercise 2: Solution

شروع با یادگیری عمیق: شبکه های عصبی مکرر Getting Started With Deep Learning: Recurrent Neural Networks

• معرفی Introduction

• سری زمانی Time Series

• مشکلات توالی Sequence Problems

• وانیل RNN Vanilla RNN

• LSTM و GRU LSTM and GRU

• پیش بینی سری های زمانی Time Series Forecasting

• پیش بینی سری های زمانی با LSTM Time Series Forecasting with LSTM

• پنجره های نورد Rolling Windows

• رول ویندوز ادامه دارد Rolling Windows Continued

• تمرین 1 Exercise 1

• تمرین 1: راه حل Exercise 1: Solution

• تمرین 2 Exercise 2

شروع با یادگیری عمیق: بهبود عملکرد Getting Started With Deep Learning: Improving Performance

• معرفی Introduction

• منحنی های یادگیری Learning Curves

• منحنی های یادگیری ادامه دارد Learning Curves Continued

• عادی سازی دسته ای Batch Normalization

• عادی سازی دسته ای ادامه دارد Batch Normalization Continued

• ترک تحصیل Dropout

• ترک تحصیل و منظم سازی Dropout and Regularization

• افزایش داده ها Data Augmentation

• یادگیری مستمر Continuous Learning

• آموزش مستمر Continuous Training

• جستجوی فراپارامتر Hyperparameter Search

• جاسازی ها Embeddings

• جاسازی ها ادامه دارد Embeddings Continued

• IMDB IMDB

• تمرین 1 Exercise 1

• تمرین 2 Exercise 2

• تمرین 3 Exercise 3

معرفی SageMaker Introduction to SageMaker

• مقدمه درس Lesson Introduction

• مروری بر Amazon Sagemaker Overview of Amazon Sagemaker

• آماده سازی داده ها Preparing Data

• ساخت یک مدل Building a Model

• آموزش مدل Training the Model

• استقرار مدل Deploying the Model

• نتیجه گیری دوره Course Conclusion

با Amazon SageMaker Data Wrangler، Data Pipeline، Feature Store و Ground Truth شروع کنید Get Started with Amazon SageMaker Data Wrangler, Data Pipeline, Feature Store and Ground Truth

• مقدمه ای بر SageMaker Data Wrangler Introduction to SageMaker Data Wrangler

• SageMaker Studio - شروع به کار با Data Wrangler SageMaker Studio - Getting Started with Data Wrangler

• راه اندازی SageMaker برای اجرای Data Wrangler Setting Up SageMaker to Run Data Wrangler

• با استفاده از Data Wrangler Using Data Wrangler

• مقدمه ای بر SageMaker Ground Truth Introduction to SageMaker Ground Truth

• بررسی خدمات و هزینه Service and Cost Review

ماژول 3 - آموزش تحت نظارت - قسمت اول Module 3 - Supervised Learning - Part One

• مروری بر یادگیری تحت نظارت An Overview of Supervised Learning

• الگوریتم نزدیکترین همسایگان Nearest Neighbours Algorithm

• الگوریتم نزدیکترین همسایگان برای طبقه بندی Nearest Neighbours Algorithm for Classification

• الگوریتم K نزدیکترین همسایه چگونه کار می کند How the K Nearest Neighbours Algorithm Works

ماژول 3 - آموزش تحت نظارت - قسمت دوم Module 3 - Supervised Learning - Part Two

• Hyper Parameters - قسمت 1 Hyper Parameters - Part 1

• Hyper Parameters - قسمت 2 Hyper Parameters - Part 2

• Hyper Parameters - قسمت 3 Hyper Parameters - Part 3

• توابع فاصله و اندازه گیری های شباهت Distance Functions and Similarity Measures

• رگرسیون لجستیک Logistic Regression

• روش و گردش کار یادگیری ماشینی و ارزیابی The Method and Workflow of Machine Learning, and Evaluation

• تقسیم قطار-تست The Train-Test Split

• اعتبار سنجی متقابل - قسمت 1 Cross-Validation - Part 1

• اعتبار سنجی متقابل - قسمت 2 Cross-Validation - Part 2

• اعتبار سنجی متقابل - قسمت 3 Cross-Validation - Part 3

ماژول 4 - انتخاب مدل Module 4 - Model Selection

• انتخاب مدل Model Selection

• رویکردهای توضیحی در مقابل تداعی - قسمت 1 Explanatory vs Associative Approaches - Part 1

• رویکردهای توضیحی در مقابل تداعی - قسمت 2 Explanatory vs Associative Approaches - Part 2

• (خارج از نمونه) عملکرد (Out-sample) Performance

مدل های متداول یادگیری ماشین و نحوه آموزش آنها Common Machine Learning Models & How to Train Them

• مقدمه درس Lesson Introduction

• تبیین مفاهیم Explaining Concepts

• مدل ها Models

• درک مجموعه داده های آموزشی Understanding Training Data Sets

• چگونه انتخاب کنیم؟ How to Choose?

• مطالعه موردی: قیمت خانه Case Study: Home Prices

• مطالعه موردی: بیماری قلبی Case Study: Heart Disease

• مطالعه موردی: طبقه بندی حیوانات Case Study: Animal Classification

• مطالعه موردی: بازاریابی هدفمند Case Study: Targeted Marketing

ماژول 5 - رگرسیون Module 5 - Regression

• تفسیر مدل ها Interpreting Models

• تفسیر مدل های طبقه بندی خطی - قسمت 1 Interpreting linear classification models - Part 1

• تفسیر مدل های طبقه بندی خطی - قسمت 2 Interpreting linear classification models - Part 2

ماژول 6 - یادگیری بدون نظارت Module 6 - Unsupervised learning

• یادگیری بدون نظارت Unsupervised learning

• خوشه بندی Clustering

• K-به معنای خوشه بندی است K-means clustering

• محدودیت ها Limitations

• کاهش ابعاد Dimensionality reduction

ماژول 7 - احتمال و آمار Module 7 - Probability and statistics

• احتمال و آمار Probability and statistics

• احتمال بیزی Bayesian probability

• احتمال مکرر Frequentist probability

• آمار Statistics

• توزیع احتمال Probability distribution

• توزیع نرمال The normal distribution

آشنایی با آمازون Rekognition Introduction to Amazon Rekognition

• مقدمه درس Lesson Introduction

• شناسایی آمازون Amazon Rekognition

• پردازش تصویر - API Image Processing - API

• پردازش ویدیو - API Video Processing - API

• مجموعه ها - عملیات API مبتنی بر ذخیره سازی Collections - Storage Based API Operations

• کنسول، SDK و CLI Console, SDKs, and CLI

• از موارد و سناریوها استفاده کنید Use Cases and Scenarios

• نمایش - برنامه وب تجزیه و تحلیل چهره Demonstration - Facial Analysis Web App

• نمایش - استخراج ویژگی - AWSCLI Demonstration - Feature Extraction - AWSCLI

• مرور درس Lesson Review

کار با Amazon Lex - Chatbots Working with Amazon Lex - Chatbots

• آمازون لکس - مقدمه Amazon Lex - Introduction

• آمازون لکس - بررسی عمیق و جزئیات Amazon Lex - In-depth Review and Detail

• بررسی اجمالی/تنظیم محیط Overview / Setting Up The Environment

• ایجاد تابع تحقق لامبدا Create Lambda Fulfilment Function

• Lex Bot را با Intent و Slots ایجاد کنید Create Lex Bot with Intents and Slots

• اجرای ربات Lex با آمازون پولی Running the Lex Bot with Amazon Polly

• خلاصه Summary

نحوه استفاده از AWS IAM برای مدیریت ایمن دسترسی How AWS IAM is Used to Securely Manage Access

• معرفی Introduction

• مدیریت هویت و دسترسی چیست؟ What is Identity and Access Management?

• ویژگی های IAM IAM Features

• خلاصه Summary

مدیریت هویت کاربر با اعتبار بلند مدت در AWS IAM Managing User Identities with Long Term Credentials in AWS IAM

• معرفی Introduction

• نمای کلی داشبورد کاربر Overview of the User Dashboard

• ایجاد کاربران IAM Creating IAM Users

• مدیریت کاربران IAM Managing IAM Users

• خلاصه Summary

مدیریت دسترسی با استفاده از گروه‌ها و نقش‌های کاربری IAM Managing Access using IAM User Groups & Roles

• معرفی Introduction

• مدیریت چند کاربر با گروه های کاربری IAM Managing Multiple Users with IAM User Groups

• نقش های IAM IAM Roles

• استفاده از نقش های سرویس AWS برای دسترسی به منابع AWS از طرف شما Using AWS Service Roles to Access AWS Resources on Your Behalf

• استفاده از نقش های کاربر IAM برای اعطای دسترسی موقت به کاربران Using IAM User Roles to Grant Temporary Access for Users

• استفاده از نقش‌ها برای دسترسی فدرال Using Roles for Federated Access

• خلاصه Summary

استفاده از سیاست های IAM برای تعریف و مدیریت مجوزها Using IAM Policies to Define and Manage Permissions

• معرفی Introduction

• انواع خط مشی IAM AWS IAM AWS Policy Types

• بررسی ساختار سیاست JSON Examining the JSON Policy Structure

• ایجاد یک خط مشی AWS IAM Creating an AWS IAM Policy

• منطق ارزیابی خط مشی Policy Evaluation Logic

• خلاصه Summary

اصول ذخیره سازی برای AWS Storage Fundamentals for AWS

• معرفی Introduction

• خدمات ذخیره سازی AWS AWS Storage Services

• مروری بر Amazon S3 Overview of Amazon S3

• نسخه ی نمایشی آمازون S3 Amazon S3 Demo

• کلاس های ذخیره سازی S3 S3 Storage Classes

• ذخیره سازی نمونه EC2 EC2 Instance Storage

• فروشگاه بلوک الاستیک آمازون (EBS) Amazon Elastic Block Store (EBS)

• EBS Multi-Attach EBS Multi-Attach

• سیستم فایل الاستیک آمازون (EFS) Amazon Elastic File System (EFS)

• آمازون FSx Amazon FSx

• ایجاد یک راه حل ذخیره سازی هیبریدی با استفاده از دروازه ذخیره سازی AWS Creating a Hybrid Storage Solution Using AWS Storage Gateway

• پشتیبان گیری بین منطقه ای با پشتیبان گیری AWS Cross-Region Backups with AWS Backup

• AWS Elastic Disaster Recovery AWS Elastic Disaster Recovery

• خلاصه Summary

طراحی اپلیکیشن ها و معماری های امن Designing Secure Applications and Architectures

• مقدمه ای بر رمزگذاری Introduction to Encryption

• Amazon S3 و Amazon Athena Encryption Amazon S3 and Amazon Athena Encryption

• Elastic MapReduce (EMR) رمزگذاری Elastic MapReduce (EMR) Encryption

• رمزگذاری سرویس پایگاه داده رابطه ای (RDS). Relational Database Service (RDS) Encryption

• آمازون کینزیس Amazon Kinesis

• آمازون Redshift Amazon Redshift

• خلاصه رمزگذاری Encryption Summary

استفاده از ویژگی های سطل آمازون S3 و ویژگی های مدیریت برای حفظ داده ها Using Amazon S3 Bucket Properties & Management Features to Maintain Data

• معرفی Introduction

• نسخه سازی Versioning

• ورود به سیستم دسترسی به سرور Server-Access Logging

• میزبانی وب سایت استاتیک Static Website Hosting

• ثبت در سطح شی Object-Level Logging

• رمزگذاری پیش فرض Default Encryption

• قفل شی Object Lock

• برچسب ها Tags

• شتاب انتقال Transfer Acceleration

• مناسبت ها Events

• درخواست کننده پرداخت می کند Requester Pays

• خلاصه Summary

آمازون S3: تکرار داده ها و رمزگذاری کلید سطلی Amazon S3: Data Replication and Bucket Key Encryption

• معرفی Introduction

• تکرار آمازون S3 Amazon S3 Replication

• رمزگذاری کلید سطلی Bucket Key Encryption

مبانی سرویس مدیریت کلید AWS (KMS) The Fundamentals of the AWS Key Management Service (KMS)

• معرفی Introduction

• رمزگذاری چیست؟ What is Encryption?

• مروری بر AWS KMS An Overview of AWS KMS

• اجزای سرویس KMS Components of the KMS Service

• خلاصه Summary

دسترسی ایمن به کلیدهای AWS KMS شما Securing Access to Your AWS KMS Keys

• معرفی Introduction

• مجوزها و سیاست های کلیدی AWS KMS AWS KMS Permissions and Key Policies

• ایجاد یک کلید KMS جدید با یک خط مشی کلید جدید Creating a New KMS Key with a New Key Policy

• دسترسی KMS: منطق ارزیابی خط مشی KMS Access: Policy Evaluation Logic

• خلاصه Summary

توابع مرحله AWS AWS Step Functions

• معرفی Introduction

• توابع مرحله AWS AWS Step Functions

• بسته شدن Wrap-Up

تجزیه و تحلیل داده ها با آمازون آتنا Analyzing Data With Amazon Athena

• معرفی Introduction

• استفاده از Amazon Athena SQL برای جستجوی داده ها در S3 Using Amazon Athena SQL to Query Data in S3

• استفاده از آمازون آتنا برای اسپارک آپاچی Using Amazon Athena for Apache Spark

• خلاصه Summary

توسعه ETL بدون سرور با چسب AWS Developing Serverless ETL with AWS Glue

• معرفی Introduction

• مروری بر ETL سنتی در مقایسه با چسب AWS An overview of Traditional ETL in comparison to AWS Glue

• نمای کلی از چسب AWS An overview of AWS Glue

• نمایش چسب AWS با داده های پرواز Demonstration of AWS Glue with Flight Data

• خلاصه Summary

مروری بر Amazon Kinesis Overview of Amazon Kinesis

• معرفی Introduction

• بررسی اجمالی Amazon Kinesis Amazon Kinesis Overview

پخش بدون سرور ETL با استفاده از سرویس مدیریت آمازون برای Apache Flink Serverless Streaming ETL using Amazon Managed Service for Apache Flink

• معرفی Introduction

• جریان بدون سرور ETL با استفاده از سرویس مدیریت شده آمازون برای Apache Flink Serverless Streaming ETL Using Amazon Managed Service for Apache Flink

• استفاده از سرویس مدیریت آمازون برای Apache Flink Using Amazon Managed Service for Apache Flink

• ایجاد یک Apache Flink Application - Demo Creating an Apache Flink Application - Demo

• ایجاد یک نوت بوک Flink Studio - نسخه ی نمایشی Creating a Flink Studio Notebook - Demo

• خلاصه Summary