×
زمان تقریبی انتشار: ۴ تا ۱۲ هفته

آموزش تحلیل سیستم داده های حجیم - پیش ثبت نام

آموزش تحلیل سیستم داده های حجیم - پیش ثبت نام

درخواست اطلاع رسانی انتشار این آموزش
وضعیت انتشار: در حال برنامه ریزی
زمان تقریبی انتشار: بر حسب تعداد درخواست های دانشجویان و اولویت زمانی و آموزشی اعضای هیات علمی فرادرس، انتشار این آموزش در واحد نشر فرادرس اولویت سنجی می شود. انتشار یک آموزش پس از شروع به ضبط معمولا ۴ تا ۱۲ هفته زمان می برد.
این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در این آموزش پیش ثبت نام نمایید.
آموزش تحلیل سیستم داده های حجیم - پیش ثبت نام

داده های حجیم به داده هایی اطلاق می شود که فراتر از حجم متداول ذخیره سازی، ظرفیت پردازش و محاسبات بانک های اطلاعاتی و یا الگوریتم های تحلیل داده ای باشند. امروزه با گسترش روز افزون تکنولوژی و ابزارهای آن (بانک های اطلاعاتی بزرگ، شبکه های اجتماعی، وب و اینترنت) با انبوهی از داده های تولید شده توسط این ابزارها مواجه هستیم. در واقع در داده ها غرق شده و از کمبود دانش رنج می بریم. مدیریت داده های حجیم شامل سه بخش مهم است: ذخیره سازی، پردازش و تحلیل داده های حجیم.

آموزش تحلیل سیستم داده های حجیم - پیش ثبت نام

درخواست اطلاع رسانی انتشار این آموزش
وضعیت انتشار: در حال برنامه ریزی
زمان تقریبی انتشار: بر حسب تعداد درخواست های دانشجویان و اولویت زمانی و آموزشی اعضای هیات علمی فرادرس، انتشار این آموزش در واحد نشر فرادرس اولویت سنجی می شود. انتشار یک آموزش پس از شروع به ضبط معمولا ۴ تا ۱۲ هفته زمان می برد.
این آموزش در حال برنامه ریزی برای ارائه در فرادرس است و انتشار سریع تر آن، بستگی به تعداد متقاضیان این آموزش دارد. چنانچه شما نیز تمایل به انتشار سریع این آموزش دارید در این آموزش پیش ثبت نام نمایید.

فرادرس از جهت فرصت آموختن، یک محیط کاملا باز (بدون هیچ مرز و شرط برای ورود) برای همه است. اما از جهت فرصت آموزش دادن، یک محیط به شدت بسته است و مدرسین آن با عبور از سخت ترین ضوابط علمی و فیلترهای مهارت آموزشی برگزیده و دستچین می شوند. در چندین سال گذشته کمتر از 5 درصد متقاضیان تدریس در فرادرس توانسته اند به مرحله نهایی ارائه آموزش در آن برسند. ارائه یک آموزش توسط «گروه مدرسین فرادرس» تضمینی برای کیفیت آن می باشد.

توضیحات تکمیلی

داده های حجیم به داده هایی اطلاق می شود که فراتر از حجم متداول ذخیره سازی، ظرفیت پردازش و محاسبات بانک های اطلاعاتی و یا الگوریتم های تحلیل داده ای باشند. امروزه با گسترش روز افزون تکنولوژی و ابزارهای آن (بانک های اطلاعاتی بزرگ، شبکه های اجتماعی، وب و اینترنت) با انبوهی از داده های تولید شده توسط این ابزارها مواجه هستیم. در واقع در داده ها غرق شده و از کمبود دانش رنج می بریم. مدیریت داده های حجیم شامل سه بخش مهم است: ذخیره سازی، پردازش و تحلیل داده های حجیم. ذخیره سازی داده ها شامل: ضبط داده، اشتراک گذاری، جستجوی داده ها و ابزارهای ذخیره سازی داده های حجیم است. پردازش داده های حجیم شامل: معماری های پردازش موازی داده های حجیم، شبکه های توری، شبکه های محاسباتی خوشه ای و چارچوب های محاسبات ابری است.

بخش سوم داده های حجیم به تحلیل داده ها بر می گردد که در این سری از درس ها تمرکز بر روی آن است. داده کاوی به عنوان ابزار مؤثر برای استخراج دانش از داده ها به کار می رود، ولی برای داده های حجیم داده کاوی سنتی و ابزارهای آن، نیاز به سفارشی شدن و تغییرات عمده ای دارند. در این سری از دروس یاد می گیریم که چگونه از این الگوریتم ها برای تحلیل و اکتساب دانش از داده ها استفاده کنیم.

 
فهرست سرفصل‌ها و رئوس مطالب مطرح شده در اين مجموعه آموزشی، در ادامه آمده است:
  • درس یکم:
    • مقدمه ای بر داده های حجیم
      • تعاریف اولیه
      • تعریف کلمات کلیدی در داده های حجیم
      • انواع داده های حجیم
      • انواع مدل های محاسباتی در داده های حجیم
      • ارائه نقشه کلی (شامل کلیه سرفصل ها)
  • درس دوم:
    • مدل محاسباتی هادوپ (Hadoop)
    • مدل برنامه نویسی نگاشت /کاهش (MapReduce)
    • حل مثال
  • درس سوم:
    • خلاصه سازی اقلام داده ای مشابه
      • تعریف مسأله
      • ارائه یک راه حل و تحلیل آن (مثلا بر روی اقلام داده ای مستندات و صفحات وب)
  • درس چهارم:
    • خلاصه سازی تحلیل لینک
      • تعریف مسأله
      • ارائه یک راه حل و تحلیل آن (مثلا بر روی وب گراف)
  • درس پنجم:
    • خلاصه سازی خوشه بندی
      • تعریف مسأله خوشه بندی داده های حجیم
      • ارائه راه حل های مناسب برای داده های حجیم با ابعاد مختلف و چالش های آن
  • درس ششم:
    • استخراج ویژگی داده های جریانی
      • تعریف جریان داده
      • چالش ها و تکنیک های استخراج دانش از داده های جریانی
  • درس هفتم:
    • استخراج ویژگی کاهش ابعاد در داده های ابعاد بالا
      • تعریف داده های ابعاد بالا
      • چالش ها و تکنیک های استخراج دانش از داده های ابعاد بالا
  • درس هشتم:
    • استخراج ویژگی الگوهای مکرر در داده های حجیم
      • تعریف الگوهای مکرر
      • چالش ها و تکنیک های استخراج الگوهای مکرر از داده های حجیم
  • درس نهم:
    • چالش ها
    • مسائل و کاربردها در داده های حجیم شامل محورهای زیر:
      • خوشه بندی در داده های جریانی
      • سیستم های پیشنهاد دهنده
      • تحلیل شبکه های اجتماعی
      •  تبلیغات در وب
 
مفید برای
  • علوم کامپیوتر
  • مهندسی برق − قدرت


اطلاعات تکمیلی

نام آموزش آموزش تحلیل سیستم داده های حجیم - پیش ثبت نام
ناشر فرادرس
کد آموزش FVSFT9609
زبان فارسی
نوع آموزش آموزش ویدئویی (نمایش آنلاین + دانلود)



آموزش‌های پیشنهادی برای شما

نظرات

سید مصطفی
سید مصطفی
سلام. با توجه کمبود آموزش در این زمینه، وجود چنین آموزشی در فرادرس بسیار ضروری است.
محمد
محمد
من بیصبرانه منتظر آموزشم...لطفا کسی که میخواد این آموزشو ضبط کنه با مباحث روز وبصورت پیاده سازی جلو بره...
خیلی ممنون
پدرام
پدرام
سلام من هم منتظرم
هادی
هادی
سلام. من منتظر این آموزش هستم.
برچسب‌ها:
big data | Hadoop | MapReduce | الگوهای مکرر در داده های حجیم | انواع داده های حجیم | پردازش داده های حجیم | تحلیل سیستم داده های حجیم | تحلیل لینک داده های حجیم | تعریف الگوهای مکرر در داده های حجیم | تعریف داده های حجیم | تعریف کلمات کلیدی در داده های حجیم | چالش ها در داده های جریانی | خوشه بندی داده های حجیم | داده های حجیم | داده های حجیم با ابعاد مختلف | ذخیره سازی داده های حجیم | کاربرد داده های حجیم | کاهش ابعاد در داده های حجیم | مدل برنامه نویسی نگاشت /کاهش | مدل محاسباتی در داده های حجیم | مدل محاسباتی هادوپ | مدیریت داده های حجیم | معماری پردازش موازی داده های حجیم | ویژگی الگوهای مکرر در داده های حجیم
مشاهده بیشتر مشاهده کمتر
×
فهرست جلسات ۰ جلسه ویدئویی
×