لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مدلسازی و سیستمهای مدیریت دادههای بزرگ (Big Data)
- آخرین آپدیت
دانلود Big Data Modeling and Management Systems
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
پس از شناسایی یک مسئله در حوزه دادههای بزرگ برای تحلیل، چگونه دادههای خود را با استفاده از راهکارهای Big Data جمعآوری، ذخیره و سازماندهی کنید؟ در این دوره، شما با انواع مختلف دادهها و ابزارهای مدیریتی مناسب برای هر یک آشنا خواهید شد. شما قادر خواهید بود دلایل پیدایش انبوه پلتفرمهای جدید دادههای بزرگ را از دیدگاه سیستمهای مدیریت و ابزارهای تحلیلی شرح دهید. از طریق آموزشهای عملی و هدایتشده، با تکنیکهای کار با دادههای بلادرنگ (Real-time) و نیمهساختاریافته آشنا میشوید. سیستمها و ابزارهای مورد بحث عبارتند از: AsterixDB، HP Vertica، Impala، Neo4j، Redis و SparkSQL. این دوره تکنیکهایی را برای استخراج ارزش از منابع دادههای دستنخورده موجود و کشف منابع داده جدید ارائه میدهد.
در پایان این دوره، شما قادر خواهید بود:
* عناصر مختلف داده را در محیط کاری و مسائل زندگی روزمره شناسایی کنید
* توضیح دهید چرا تیم شما به طراحی یک برنامه زیرساختی Big Data و طراحی سیستم اطلاعاتی نیاز دارد
* عملیاتهای متداول داده را که برای انواع مختلف دادهها مورد نیاز است، شناسایی کنید
* یک مدل داده متناسب با ویژگیهای دادههای خود انتخاب کنید
* تکنیکهای مدیریت دادههای جریانی (Streaming Data) را به کار بگیرید
* تفاوت بین سیستمهای مدیریت پایگاه داده سنتی (DBMS) و سیستمهای مدیریت دادههای بزرگ (BDMS) را تشخیص دهید
* دلیل وجود سیستمهای مدیریت داده متعدد را درک کنید
* یک سیستم اطلاعاتی دادههای بزرگ برای یک شرکت بازی آنلاین طراحی کنید
این دوره برای افرادی است که در علوم داده تازهکار هستند. گذراندن دوره مقدماتی Big Data توصیه میشود. هیچ تجربه برنامهنویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامهها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. برای مشخصات کامل سختافزاری و نرمافزاری به الزامات فنی تخصص مراجعه کنید.
الزامات سختافزاری:
(الف) پردازنده چهار هستهای (پشتیبانی از VT-x یا AMD-V توصیه میشود)، ۶۴ بیتی؛ (ب) ۸ گیگابایت رم؛ (ج) ۲۰ گیگابایت فضای خالی دیسک. روش یافتن اطلاعات سختافزاری: (ویندوز): باز کردن System از طریق دکمه Start، راستکلیک روی Computer و سپس کلیک روی Properties؛ (مک): باز کردن Overview از طریق منوی Apple و کلیک روی About This Mac. اکثر کامپیوترهای با ۸ گیگابایت رم که در ۳ سال اخیر خریداری شدهاند، حداقل الزامات را دارا هستند. شما به یک اتصال اینترنت پرسرعت نیاز دارید زیرا فایلهایی تا حجم ۴ گیگابایت را دانلود خواهید کرد.
الزامات نرمافزاری:
این دوره بر چندین ابزار نرمافزاری متنباز از جمله Apache Hadoop متکی است. تمام نرمافزارهای مورد نیاز را میتوان بهصورت رایگان دانلود و نصب کرد. الزامات نرمافزاری شامل: ویندوز ۷ به بالا، Mac OS X 10.10 به بالا، Ubuntu 14.04 به بالا یا CentOS 6 به بالا و VirtualBox 5 به بالا است.
سرفصل ها و درس ها
مقدمهای بر مدلسازی و مدیریت دادههای بزرگ
Introduction to Big Data Modeling and Management
خوشآمدگویی به دوره مدلسازی و مدیریت دادههای بزرگ
Welcome to Big Data Modeling and Management
چرا این یک دوره جدید در تخصص دادههای بزرگ است؟
Why is this a New Course in the Big Data Specialization?
خلاصهای از مقدمهای بر دادههای بزرگ (بخش ۱)
Summary of Introduction to Big Data (Part 1)
خلاصهای از مقدمهای بر دادههای بزرگ (بخش ۲)
Summary of Introduction to Big Data (Part 2)
خلاصهای از مقدمهای بر دادههای بزرگ (بخش ۳)
Summary of Introduction to Big Data (Part 3)
سوالات ضروری در مدیریت دادههای بزرگ
Big Data Management "Must-Ask Questions"
جذب دادهها (Data Ingestion)
Data Ingestion
ذخیرهسازی دادهها
Data Storage
کیفیت دادهها
Data Quality
عملیاتهای داده
Data Operations
مقیاسپذیری و امنیت دادهها
Data Scalability and Security
چالشهای مدیریت دادههای انرژی در ConEd
Energy Data Management Challenges at ConEd
مدیریت داده در صنعت گیمینگ: پرسش و پاسخ با مارک کالدول، CTO Apmetrix
Gaming Industry Data Management: Q&A with Apmetrix CTO Mark Caldwell
مدیریت دادههای پرواز در FlightStats: سخنرانی چاد برکلی، CTO
Flight Data Management at FlightStats: A Lecture by CTO Chad Berkley
مدلسازی دادههای بزرگ
Big Data Modeling
مقدمهای بر مدلهای داده
Introduction to Data Models
ساختارهای مدل داده
Data Model Structures
عملیاتهای مدل داده
Data Model Operations
محدودیتهای مدل داده
Data Model Constraints
مقدمهای بر دادههای CSV
Introduction to CSV Data
مدل داده رابطهای چیست؟
What is a Relational Data Model?
مدل داده نیمهساختاریافته چیست؟
What is a Semistructured Data Model?
بررسی مدل داده رابطهای در فایلهای CSV
Exploring the Relational Data Model of CSV Files
بررسی مدل داده نیمهساختاریافته در دادههای JSON
Exploring the Semistructured Data Model of JSON data
بررسی مدل داده آرایهای در یک تصویر
Exploring the Array Data Model of an Image
بررسی دادههای سنسور
Exploring Sensor Data
مدلسازی دادههای بزرگ (بخش دوم)
Big Data Modeling (Part 2)
مدل فضای برداری (Vector Space Model)
Vector Space Model
مدل داده گرافی (Graph Data Model)
Graph Data Model
سایر مدلهای داده
Other Data Models
بررسی مدل داده برداری موتور جستجوی Lucene
Exploring the Lucene Search Engine's Vector Data Model
بررسی مدلهای داده گرافی با Gephi
Exploring Graph Data Models with Gephi
کار با مدلهای داده
Working With Data Models
مدل داده در مقابل فرمت داده
Data Model vs. Data Format
جریان داده (Data Stream) چیست؟
What is a Data Stream?
چرا دادههای جریانی متفاوت هستند؟
Why is Streaming Data different?
درک مفهوم دریاچههای داده (Data Lakes)
Understanding Data Lakes
بررسی دادههای جریانی سنسورها
Exploring Streaming Sensor Data
مدیریت دادههای بزرگ: مفهوم M در DBMS
Big Data Management: The "M" in DBMS
رویکردهای مبتنی بر DBMS و غیر DBMS در دادههای بزرگ
DBMS-based and non-DBMS-based Approaches to Big Data
از DBMS به BDMS
From DBMS to BDMS
ردیس (Redis): یک ذخیرهساز کلید-مقدار پیشرفته
Redis: An Enhanced Key-Value Store
Aerospike: نسل جدید ذخیرهساز KV
Aerospike: a New Generation KV Store
دادههای نیمهساختاریافته – AsterixDB
Semistructured Data – AsterixDB
سولار (Solr): مدیریت متن
Solr: Managing Text
دادههای رابطهای – Vertica
Relational Data – Vertica
طراحی سیستم مدیریت دادههای بزرگ برای یک بازی آنلاین
Designing a Big Data Management System for an Online Game
نمایش نظرات