آموزش پردازش داده‌های جریانی (Streaming) با پایتون - آخرین آپدیت

دانلود Streaming Data Processing with Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در دنیای داده‌محور امروز، پردازش و تحلیل داده‌های جریانی به صورت بلادرنگ (Real-time) برای کاربردهایی مانند امور مالی، اینترنت اشیاء (IoT)، تشخیص کلاهبرداری و بسیاری موارد دیگر حیاتی است. در این دوره آموزشی با عنوان «پردازش داده‌های جریانی با پایتون»، شما توانایی ساخت خط لوله‌های داده (Data Pipelines) بلادرنگ را با استفاده از زبان پایتون و فریم‌ورک‌های محبوب استریمینگ به دست خواهید آورد. در ابتدا، مفاهیم بنیادی پردازش جریانی در مقابل پردازش دسته‌ای (Batch Processing) را بررسی کرده و با مفاهیمی چون تأخیر (Latency)، نرخ انتقال (Throughput) و مدیریت وضعیت (State Management) آشنا می‌شوید. سپس، نحوه استریم کردن داده‌ها با استفاده از Apache Kafka و پایتون، شامل تولید، مصرف و مدیریت بهینه تاپیک‌های کافکا را خواهید آموخت. در ادامه، پیاده‌سازی پردازش جریانی بلادرنگ را با استفاده از Faust، که جایگزینی پایتون‌محور برای Kafka Streams است، یاد می‌گیرید. در نهایت، نحوه مقیاس‌بندی پردازش‌های بلادرنگ را با PySpark Streaming برای مدیریت بهینه داده‌های جریانی در مقیاس بزرگ فرا خواهید گرفت. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم برای طراحی و پیاده‌سازی خط لوله‌های داده بلادرنگ با پایتون را برای کاربردهای استریمینگ خواهید داشت.

سرفصل ها و درس ها

درک تفاوت پردازش جریانی در مقابل پردازش دسته‌ای Understanding Streaming vs. Batch Data Processing

  • مقدمه Introduction

  • آشنایی با پردازش جریانی و دسته‌ای Introduction to Streaming and Batch Processing

  • مقایسه پردازش دسته‌ای در مقابل جریانی Comparing Batch vs. Streaming Processing

  • مفاهیم و مزایای پردازش بلادرنگ Real-time Processing Concepts and Benefits

استریم داده‌ها با Apache Kafka و پایتون Streaming Data with Apache Kafka and Python

  • مقدمه‌ای بر کافکا و پیام‌رسانی رویداد-محور Introduction to Kafka and Event-driven Messaging

  • راه‌اندازی کافکا و کلاینت‌های پایتون Setting up Kafka and Python Clients

  • تولید و مصرف پیام‌های کافکا Producing and Consuming Kafka Messages

  • مدیریت آفست‌ها و تضمین ترتیب پیام‌ها Handling Offsets and Ensuring Message Ordering

پردازش داده‌های بلادرنگ با استفاده از Faust Processing Real-time Data Using Faust

  • مقدمه‌ای بر Faust برای پردازش جریانی Introduction to Faust for Stream Processing

  • راه‌اندازی Faust و نوشتن ایجنت‌های استریمینگ Setting up Faust and Writing Streaming Agents

  • پردازش وضعیت‌دار با جداول Faust Stateful Processing with Faust Tables

  • مقایسه Faust Comparing Faust

پردازش جریانی در مقیاس بزرگ با Spark Streaming Large-scale Stream Processing with Spark Streaming

  • مقدمه‌ای بر Spark Streaming Introduction to Spark Streaming

  • راه‌اندازی Spark Streaming Setting up Spark Streaming

  • تبدیل و پردازش داده‌های جریانی Transforming and Processing Streaming Data

  • بهینه‌سازی جاب‌های استریمینگ برای افزایش کارایی Optimizing Streaming Jobs for Performance

نمایش نظرات

آموزش پردازش داده‌های جریانی (Streaming) با پایتون
جزییات دوره
54m
16
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
2
از 5
دارد
دارد
دارد
Harsh Karna
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Harsh Karna Harsh Karna

Harsh یک مهندس نرم افزار ماهر با بیش از 4 سال تجربه در مهندسی داده ها و توسعه نرم افزار است. او در فن آوری های داده های بزرگ مانند Hadoop ، Spark و SQL به همراه سیستم عامل های ابری مانند AWS و Azure تخصص زیادی دارد ، جایی که او ETL قوی و چارچوب های داده را بر روی سیستم عامل هایی مانند Snowflake و Databricks ساخته است. در زبانهای برنامه نویسی مانند پایتون ، SQL و جاوا مهارت دارد ، Harsh همچنین در چارچوب های Django و Flask تجربه دارد. کار وی شامل طراحی و اجرای خطوط لوله داده ، دریاچه های داده و انبارهای داده است. HARSH با سابقه ای در علوم داده ، یادگیری ماشین و آمار ، به پروژه های متنوعی از جمله پردازش زبان طبیعی و دید رایانه کمک کرده است. او به عنوان یک فریلنسر ، پروژه هایی را در مهندسی داده ها ، داده های بزرگ ، محاسبات ابری ، تجزیه و تحلیل داده ها و ژنرال هوش مصنوعی مقابله می کند. در خارج از کار ، سخت عاشق مسافرت ، یادگیری در مورد فرهنگ های جدید و ملاقات با مردم از سراسر جهان است. او مربیگری رایگان را به دانشجویان و افراد متقاضی شغل ارائه می دهد و به آنها کمک می کند تا در صنعت فناوری حرکت کنند.