آموزش کاربرد‌های محاسبات ابری، بخش دوم: کلان‌داده و کاربردهای آن در ابر - آخرین آپدیت

جهت‌گیری دوره Course Orientation

• خوش آمدید به کاربردهای ابری، بخش دوم! Welcome to Cloud Applications, Part 2!

ماژول 1: Spark، Hortonworks، HDFS، CAP Module 1: Spark, Hortonworks, HDFS, CAP

• 1.1.1 انگیزه برای استفاده از Spark 1.1.1 Motivation for Spark

• 1.1.2 Apache Spark 1.1.2 Apache Spark

• 1.1.3 مثال Spark: استخراج لاگ 1.1.3 Spark Example: Log Mining

• 1.1.4 مثال Spark: رگرسیون لجستیک 1.1.4 Spark Example: Logistic Regression

• 1.1.5 تحمل خطا در RDD 1.1.5 RDD Fault Tolerance

• 1.1.6 تعامل با Spark 1.1.6 Interactive Spark

• 1.1.7 پیاده‌سازی Spark 1.1.7 Spark Implementation

• 1.2.1 مقدمه‌ای بر توزیع‌ها (Distros) 1.2.1 Introduction to Distros

• 1.2.2 Hortonworks 1.2.2 Hortonworks

• 1.2.3 Cloudera CDH 1.2.3 Cloudera CDH

• 1.2.4 توزیع MapR 1.2.4 MapR Distro

• 1.3.1 مقدمه‌ای بر HDFS 1.3.1 HDFS Introduction

• 1.3.2 YARN و MESOS 1.3.2 YARN and MESOS

ماژول 2: ذخیره‌سازی داده در مقیاس بزرگ Module 2: Large Scale Data Storage

• مقدمه ماژول 2 Module 2 Introduction

• 2.1.1 مقدمه‌ای بر MapReduce با Spark 2.1.1 Introduction to MapReduce with Spark

• 2.1.2 MapReduce: انگیزه و هدف 2.1.2 MapReduce: Motivation

• 2.1.3 مدل برنامه‌نویسی MapReduce با Spark 2.1.3 MapReduce Programming Model with Spark

• 2.1.4 مثال MapReduce: شمارش کلمات 2.1.4 MapReduce Example: Word Count

• 2.1.5 مثال MapReduce: تخمین عدد پی و صاف کردن تصویر 2.1.5 MapReduce Example: Pi Estimation & Image Smoothing

• 2.1.6 مثال MapReduce: Page Rank 2.1.6 MapReduce Example: Page Rank

• 2.1.7 خلاصه MapReduce 2.1.7 MapReduce Summary

• 2.2.1 سازگاری نهایی – بخش اول 2.2.1 Eventual Consistency – Part 1

• 2.2.2 سازگاری نهایی – بخش دوم 2.2.2 Eventual Consistency – Part 2

• 2.2.3 موازنه در سازگاری 2.2.3 Consistency Trade-Offs

• 2.2.4 مدل‌های ACID و BASE 2.2.4 ACID and BASE

• 2.2.5 مقدمه‌ای بر Zookeeper و Paxos 2.2.5 Zookeeper and Paxos: Introduction

• 2.2.6 الگوریتم Paxos 2.2.6 Paxos

• 2.2.7 Zookeeper 2.2.7 Zookeeper

• 2.3.1 مقدمه‌ای بر Cassandra 2.3.1 Cassandra Introduction

• 2.3.2 Redis 2.3.2 Redis

• 2.3.3 نمایش عملی Redis 2.3.3 Redis Demonstration

• 2.4.1 استفاده از API در HBase 2.4.1 HBase Usage API

• 2.4.2 ساختار داخلی HBase بخش اول 2.4.2 HBase Internals - Part 1

• 2.4.3 ساختار داخلی HBase بخش دوم 2.4.3 HBase Internals - Part 2

• 2.4.4 Spark SQL 2.4.4 Spark SQL

• 2.5.5 دمو Spark SQL 2.5.5 Spark SQL Demo

• 2.5.1 Kafka 2.5.1 Kafka

ماژول 3: سیستم‌های جریانی (Streaming) Module 3: Streaming Systems

• مقدمه ماژول 3 Module 3 Introduction

• 3.1.1 مقدمه‌ای بر سیستم‌های جریانی (Streaming) 3.1.1 Streaming Introduction

• 3.1.2 "خط لوله کلان‌داده: ظهور بلادرنگی" 3.1.2 "Big Data Pipelines: The Rise of Real-Time"

• 3.1.3 مقدمه Storm: پروتکل‌های Buffers و Thrift 3.1.3 Storm Introduction: Protocol Buffers & Thrift

• 3.1.4 مثال شمارش کلمات در Storm 3.1.4 A Storm Word Count Example

• 3.1.5 نوشتن مثال شمارش کلمات Storm 3.1.5 Writing the Storm Word Count Example

• 3.1.6 استفاده از Storm در Yahoo 3.1.6 Storm Usage at Yahoo

• 3.2.1 Anchoring و بازپخش Spout 3.2.1 Anchoring and Spout Replay

• 3.2.2 Trident: پردازش دقیقاً یک‌بار 3.2.2 Trident: Exactly Once Processing

• 3.3.1 نگاهی به درون Apache Storm 3.3.1 Inside Apache Storm

• 3.3.2 ساختار یک کلاستر Storm 3.3.2 The Structure of a Storm Cluster

• 3.3.3 استفاده از Thrift در Storm 3.3.3 Using Thrift in Storm

• 3.3.4 نحوه کار زمان‌بندی‌کننده‌های Storm 3.3.4 How Storm Schedulers Work

• 3.3.5 مقیاس‌پذیری Storm تا ۴۰۰۰ گره 3.3.5 Scaling Storm to 4000 Nodes

• 3.3.6 پرسش و پاسخ با Bobby Evans (Yahoo) درباره Storm 3.3.6 Q&A with Bobby Evans (Yahoo) on Storm

• 3.4.1 Spark Streaming 3.4.1 Spark Streaming

• 3.4.2 معماری Lambda و Kappa 3.4.2 Lambda and Kappa Architecture

• 3.4.3 اکوسیستم استریمینگ 3.4.3 Streaming Ecosystem

ماژول 4: پردازش گراف و یادگیری ماشین Module 4: Graph Processing and Machine Learning

• 4.1.1 پردازش گراف 4.1.1 Graph Processing

• 4.1.2 Pregel بخش اول 4.1.2 Pregel - Part 1

• 4.1.3 Pregel بخش دوم 4.1.3 Pregel - Part 2

• 4.1.4 Pregel بخش سوم 4.1.4 Pregel - Part 3

• 4.1.5 مقدمه‌ای بر Giraph 4.1.5 Giraph Introduction

• 4.1.6 مثال Giraph 4.1.6 Giraph Example

• 4.1.7 Spark GraphX 4.1.7 Spark GraphX

• 4.2.1 مقدمه‌ای بر یادگیری ماشین در کلان‌داده 4.2.1 Big Data Machine Learning Introduction

• 4.2.2 مقدمه‌ای بر Mahout 4.2.2 Mahout: Introduction

• 4.2.3 الگوریتم kmeans در Mahout 4.2.3 Mahout kmeans

• 4.2.4 الگوریتم Naive Bayes در Mahout 4.2.4 Mahout: Naïve Bayes

• 4.2.5 الگوریتم fpm در Mahout 4.2.5 Mahout: fpm

• 4.2.6 الگوریتم Naive Bayes در Spark 4.2.6 Spark Naïve Bayes

• 4.2.7 الگوریتم fpm در Spark 4.2.7 Spark fpm

• 4.2.8 کتابخانه‌های Spark ML/MLlib 4.2.8 Spark ML/MLlib

• 4.2.9 مقدمه‌ای بر یادگیری عمیق 4.2.9 Introduction to Deep Learning

• 4.2.10 سیستم‌های شبکه عصبی عمیق 4.2.10 Deep Neural Network Systems

• 4.3.1 سخنان پایانی 4.3.1 Closing Remarks