Course catalog

Course duration

Course provider

Topic

Categories

Showing 1-16 of 16 items.

linkedin Databricks Certified Data Engineer Associate Cert Prep: 3 پردازش اطلاعات افزایشی (Mitalearn-395638)

  • 28 minutes
  • مناسب همه
  • Release date: 24 January 2024
  • Author: Noah Gift
درباره این دوره: 

 

آزمون گواهینامه Databricks Certified Data Engineer Associate توانایی شما را در استفاده از پلتفرم Databricks Lakehouse برای تکمیل وظایف اولیه مهندسی داده ارزیابی می کند. همچنین توانایی شما را در استفاده از Apache Spark SQL و Python برای انجام وظایف ETL معماری multihop که به صورت تدریجی داده‌های جدید را از منابع مختلف داده پردازش می‌کند تا برنامه‌های تحلیلی و داشبورد در Lakehouse را تقویت کند، ارزیابی می‌کند.

در این دوره، مربی نوح گیفت، آموزش عملی و عملی در مورد مفاهیم و مهارت های اصلی تحت پوشش در بخش سوم آزمون ارائه می دهد: پردازش داده های افزایشی. اصول مدیریت داده را با Delta Lake، از جمله تبدیل کارآمد داده با Spark SQL، با استفاده از Catalog Explorer، ایجاد جداول از فایل‌ها، جستجو در منابع داده خارجی و بازرسی جداول، تراکنش‌های ACID، ترتیب Z، و موارد دیگر بررسی کنید.


coursera Google Data Analytics Capstone: Complete a Case Study (Mitalearn-327927)

  • 1 hours 20 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Career Certificates
درباره این دوره:

این دوره هشتمین دوره گواهینامه Google Data Analytics است. شما این فرصت را خواهید داشت که یک مطالعه موردی را تکمیل کنید، که به شما کمک می کند تا برای شکار شغل تجزیه و تحلیل داده خود آماده شوید. مطالعات موردی معمولاً توسط کارفرمایان برای ارزیابی مهارت های تحلیلی استفاده می شود. برای مطالعه موردی خود، یک سناریوی مبتنی بر تجزیه و تحلیل را انتخاب خواهید کرد. سپس سوالاتی می‌پرسید، آماده می‌کنید، پردازش می‌کنید، تجزیه و تحلیل می‌کنید، تجسم می‌کنید و روی داده‌های سناریو عمل می‌کنید. همچنین در مورد مهارت‌های مفید جستجوی شغل، پرسش‌ها و پاسخ‌های رایج مصاحبه، و مواد لازم برای ساختن یک نمونه کار به صورت آنلاین، یاد خواهید گرفت. تحلیلگران فعلی داده‌های Google به آموزش و ارائه روش‌های عملی برای انجام وظایف رایج تحلیلگر داده با بهترین ابزار و منابع ادامه خواهند داد. فراگیرانی که این برنامه گواهینامه را تکمیل می کنند، برای درخواست مشاغل سطح مقدماتی به عنوان تحلیلگر داده مجهز خواهند شد. هیچ تجربه قبلی لازم نیست. در پایان این دوره، فراگیران: - با مزایا و کاربردهای مطالعات موردی و نمونه کارها در جستجوی کار آشنا شوید. - سناریوهای مصاحبه شغلی در دنیای واقعی و سوالات رایج مصاحبه را کاوش کنید. - کشف کنید که چگونه مطالعات موردی می تواند بخشی از فرآیند مصاحبه شغلی باشد. - سناریوهای مطالعه موردی مختلف را بررسی و در نظر بگیرید. - این شانس را داشته باشید که مطالعه موردی خود را برای نمونه کار خود تکمیل کنید. - مهارت های هوش مصنوعی را از کارشناسان گوگل بیاموزید تا به تکمیل وظایف تجزیه و تحلیل داده کمک کنید.

coursera Microsoft Azure Databricks for Data Engineering (Mitalearn-330647)

  • 2 hours 22 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، یاد خواهید گرفت که چگونه از قدرت Apache Spark و خوشه های قدرتمندی که بر روی پلتفرم Azure Databricks اجرا می شوند، برای اجرای حجم های کاری مهندسی داده های بزرگ در فضای ابری استفاده کنید. شما قابلیت های Azure Databricks و نوت بوک Apache Spark را برای پردازش فایل های عظیم کشف خواهید کرد. شما با پلتفرم Azure Databricks آشنا خواهید شد و انواع وظایف مناسب برای Apache Spark را شناسایی خواهید کرد. همچنین با معماری Azure Databricks Spark Cluster و Spark Jobs آشنا خواهید شد. شما با حجم زیادی از داده ها از منابع متعدد در قالب های خام مختلف کار خواهید کرد. شما یاد خواهید گرفت که چگونه Azure Databricks از توابع مدیریت روزانه داده مانند خواندن، نوشتن و پرس و جو پشتیبانی می کند. این دوره بخشی از یک تخصص در نظر گرفته شده برای مهندسین داده و توسعه دهندگان است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند برای هر کسی که علاقه مند به آماده شدن برای آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) نشان دهد. ). شما در یک آزمون عملی شرکت خواهید کرد که شامل مهارت های کلیدی می شود که با آزمون گواهینامه اندازه گیری می شوند. این هشتمین دوره از یک برنامه 10 دوره ای است که به شما برای شرکت در آزمون کمک می کند تا بتوانید در طراحی و اجرای راه حل های داده ای که از خدمات داده مایکروسافت آژور استفاده می کنند تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

linkedin SAS® 9.4 Cert Prep: Part 04 Preparing Data (Mitalearn-205476)

  • 28 minutes
  • مبتدی
  • Release date: 22 June 2026
  • Author: SAS Institute
درباره این دوره:

آیا می خواهید در یک بازار کار شلوغ جلوتر باشید؟ با SAS گواهی دریافت کنید. این دوره بخشی از مجموعه ای است که توسط موسسه SAS طراحی شده است تا شما را برای گواهینامه SAS 9.4 آماده کند. آماده سازی داده های شما یکی از زمان برترین مراحل در تجزیه و تحلیل شما است. ویدئوهای زیر شما را با روش هایی آشنا می کند که می توانید از آنها برای آماده سازی داده های خود برای بررسی در SAS استفاده کنید. مربی Stacey Syphus نحوه استفاده از مراحل DATA برای خواندن و فیلتر کردن داده ها، ایجاد ستون های جدید و استفاده از پردازش شرطی برای اعمال منطق پیچیده در عملیات SAS را توضیح می دهد.

این دوره توسط موسسه SAS. ما از ارائه این آموزش در کتابخانه خود خرسندیم.

S285_sas100K_SAS_Institute_Logo.jpg

coursera انجام علم داده با Azure Databricks (Mitalearn-308394)

  • 55 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

در این دوره آموزشی، شما یاد خواهید گرفت که چگونه از قدرت Apache Spark و خوشه های قدرتمندی که بر روی پلتفرم Azure Databricks اجرا می شوند برای اجرای بارهای کاری علم داده در فضای ابری استفاده کنید. این چهارمین دوره از یک برنامه پنج دوره ای است که شما را برای شرکت در آزمون DP-100: طراحی و پیاده سازی راه حل علم داده در آزمون گواهینامه Azurec آماده می کند. آزمون گواهینامه فرصتی برای اثبات دانش و تخصص راه حل های یادگیری ماشین در مقیاس ابری با استفاده از یادگیری ماشینی Azure است. این تخصص به شما می آموزد که از دانش موجود خود از پایتون و یادگیری ماشین برای مدیریت جذب و آماده سازی داده ها، آموزش مدل و استقرار، و نظارت راه حل یادگیری ماشین در Microsoft Azure استفاده کنید. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. این تخصص برای دانشمندان داده با دانش موجود از Python و چارچوب‌های یادگیری ماشینی مانند Scikit-Learn، PyTorch و Tensorflow در نظر گرفته شده است، که می‌خواهند راه‌حل‌های یادگیری ماشین را در فضای ابری بسازند و کار کنند. این به دانشمندان داده می آموزد که چگونه راه حل های سرتاسری را در Microsoft Azure ایجاد کنند. دانش آموزان یاد خواهند گرفت که چگونه منابع Azure را برای یادگیری ماشین مدیریت کنند. آزمایش ها و مدل های قطار را اجرا کنید. راه حل های یادگیری ماشین را مستقر و عملیاتی کنید و یادگیری ماشینی مسئولانه را پیاده سازی کنید. آنها همچنین یاد خواهند گرفت که از Azure Databricks برای کاوش، آماده سازی و مدل سازی داده ها استفاده کنند. و فرآیندهای یادگیری ماشین Databricks را با یادگیری ماشینی Azure ادغام کنید.

coursera پایتون برای علم داده، هوش مصنوعی و توسعه (Mitalearn-270178)

  • 2 hours 23 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Joseph Santarcangelo
درباره این دوره:

سفر پایتون خود را با این دوره مبتدی و خودگام که توسط یک متخصص آموزش داده شده است، شروع کنید. پایتون یکی از محبوب ترین زبان های برنامه نویسی است و تقاضا برای افرادی که مهارت های پایتون دارند همچنان در حال افزایش است. این دوره شما را در عرض چند ساعت از صفر به برنامه نویسی در پایتون می رساند—هیچ تجربه قبلی برنامه نویسی لازم نیست! شما با اصول اولیه پایتون، از جمله انواع داده، عبارات، متغیرها و عملیات رشته شروع خواهید کرد. شما ساختارهای داده ضروری مانند لیست ها، تاپل ها، دیکشنری ها و مجموعه ها را بررسی خواهید کرد و نحوه ایجاد، دسترسی و دستکاری آنها را یاد خواهید گرفت. در مرحله بعد، مفاهیم منطقی مانند شرایط و انشعاب، یادگیری نحوه استفاده از حلقه ها و توابع، همراه با اصول مهم برنامه نویسی مانند مدیریت استثنا و برنامه نویسی شی گرا را بررسی خواهید کرد. با پیشرفت، تجربه عملی در خواندن و نوشتن روی فایل ها و کار با فرمت های رایج فایل به دست خواهید آورد. همچنین از کتابخانه های قدرتمند پایتون مانند NumPy و Pandas برای دستکاری و تجزیه و تحلیل داده ها استفاده خواهید کرد. این دوره همچنین APIها و وب اسکرپینگ را پوشش می دهد و به شما یاد می دهد که چگونه با استفاده از کتابخانه هایی مانند درخواست ها با REST API تعامل کنید و داده ها را از وب سایت ها با استفاده از BeautifulSoup استخراج کنید. شما آنچه را که از طریق آزمایشگاه های عملی با استفاده از نوت بوک های Jupyter می آموزید، تمرین کرده و به کار خواهید برد. در پایان این دوره، ایجاد برنامه های اساسی، کار با داده ها و خودکارسازی کارهای دنیای واقعی با استفاده از پایتون احساس راحتی خواهید کرد. این دوره برای افرادی که علاقه مند به دنبال کردن مشاغل در علوم داده، تجزیه و تحلیل داده، توسعه نرم افزار، مهندسی داده، هوش مصنوعی و DevOps و انواع دیگر نقش های مرتبط با فناوری هستند مناسب است.

coursera پردازش داده AWS (Mitalearn-329304)

  • 3 hours
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Whizlabs Instructor
درباره این دوره:

دوره AWS: Data Processing Course دومین دوره تخصصی تخصصی تجزیه و تحلیل داده تایید شده AWS است. این دوره بر ارائه راه حل های پردازش داده تمرکز دارد. کل دوره برای آموزش مفهوم EMR و Extract، Transform و Load به فراگیران طراحی شده است. این دوره همچنین بر خدمات ETL و راه حل های پردازش داده در AWS تأکید دارد. این دوره به سه ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره آموزشی با سخنرانی‌های ویدیویی در حدود 3:30-4:00 ساعت که هم تئوری و هم دانش عملی را ارائه می‌کند، به زبان‌آموزان تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مقدمه: استخراج، تبدیل و بارگذاری مشاغل ماژول 2: مقدمه: EMR ماژول 3: خدمات ETL و راه حل پردازش داده در AWS توصیه می شود که افراد باید تجربه کار با خدمات AWS برای طراحی، ساخت، ایمن سازی و نگهداری را داشته باشند. راه حل های تحلیلی برای درک این دوره در پایان این دوره، فراگیران قادر خواهند بود: -مفاهیم مدلسازی را تجزیه و تحلیل کنند و مدل های یادگیری ماشینی را آموزش دهند - عملکرد مدل های یادگیری ماشینی را بررسی کنند - با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنند.

linkedin پردازش داده های پیشرفته: دسته ای، زمان واقعی و معماری ابری برای هوش مصنوعی (Mitalearn-440892)

  • 1 hours 32 minutes
  • مناسب همه
  • Release date: 12 May 2025
  • Author: Kumaran Ponnambalam
درباره این دوره: 

 با ادغام بیشتر و بیشتر هوش مصنوعی در برنامه‌ها و گردش‌های کاری سازمانی، معماری سیستم‌های هوش مصنوعی قوی و مقیاس‌پذیر اهمیت بیشتری پیدا می‌کند، به خصوص اگر دانشمند داده یا مهندس هوش مصنوعی باشید. فراتر از تسلط بر تکنیک‌ها و فن‌آوری‌های یادگیری ماشین، یک مهندس که در هوش مصنوعی کار می‌کند باید بتواند از تخصص در معماری خطوط لوله هوش مصنوعی و ML استفاده کند که به نتایج تجاری در مقیاس برسد. در این دوره، مربی Kumaran Ponnambalam بر روی تصویر بزرگ گرد هم آوردن مدل ها، داده ها، برنامه ها و زیرساخت ها برای ایجاد معماری های قوی تمرکز می کند. در پایان این دوره، شما برای طراحی، مدیریت و رعایت بهترین شیوه ها برای الگوهای معماری مختلف - از جمله دسته ای، بلادرنگ، ابری و ترکیبی آماده خواهید شد.

coursera جمع آوری و پردازش داده ها با پایتون (Mitalearn-310094)

  • 5 hours 52 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Paul Resnick
درباره این دوره:

این دوره به شما می آموزد که داده ها را از سرویس های موجود در اینترنت واکشی و پردازش کنید. درک لیست پایتون را پوشش می دهد و فرصت هایی را برای تمرین استخراج و پردازش داده های عمیق تو در تو فراهم می کند. همچنین یاد خواهید گرفت که چگونه از ماژول درخواست‌های پایتون برای تعامل با APIهای REST استفاده کنید و در اسناد آن APIها به دنبال چه چیزی باشید. برای پروژه نهایی، شما یک «پیشنهادگر برچسب» برای سایت اشتراک‌گذاری عکس فلیکر می‌سازید. اگر قبلاً دوره های «مبانی پایتون» و «توابع، فایل ها و دیکشنری های پایتون» (دوره های 1 و 2 تخصص برنامه نویسی پایتون 3) را گذرانده باشید، این دوره برای شما مناسب است. اگر قبلاً با اصول پایتون آشنایی دارید اما می خواهید در بازیابی و پردازش داده های تو در تو پیچیده از سرویس های اینترنتی تمرین کنید، می توانید بدون گذراندن دو دوره قبلی نیز از این دوره بهره مند شوید. این سومین دوره از پنج دوره تخصصی برنامه نویسی پایتون 3 است.

linkedin دسکتاپ FME: ترجمه داده برای AEC (Mitalearn-207788)

  • 3 hours 47 minutes
  • مبتدی
  • Release date: 21 June 2026
  • Author: Gordon Luckett
درباره این دوره:

آیا با حجم عظیمی از داده ها دست و پنجه نرم می کنید؟ آیا بسیاری از آن در فرمت اشتباه است یا در فایل های بزرگ؟ FME Desktop یک ابزار ترجمه داده است که در صنایع مختلف برای دستکاری و پردازش حجم زیادی از داده ها در خطوط لوله GIS و CAD استفاده می شود. در این دوره، گوردون لوکت شما را با ابزارها و تکنیک هایی آشنا می کند که کار بعدی دستکاری داده های AEC شما را بسیار آسان تر می کند. با نحوه استفاده از FME Workbench برای تبدیل فایل‌های پرکاربرد، از جمله نحوه تبدیل اتوکد DWG به شکل فایل آشنا شوید. نحوه استخراج و تبدیل اطلاعات به فرمت های رایج تر مانند ECW، JPG، Google KML و Excel را بیابید. درباره ترانسفورماتورهای داده بردار و شطرنجی، از جمله Tester - که ترجمه داده ها را کنترل می کند - و RasterMosaicker، که می توانید از آنها برای کامپایل چندین تصویر در یک تصویر استفاده کنید، بیاموزید. به علاوه، کشف کنید که چگونه می‌توانید ترانسفورماتورها را زنجیره‌ای کنید و از منبع داده ArcGIS Enterprise برای ایجاد یک شکل فایل محلی استفاده کنید.

coursera ذخیره سازی داده ها در Microsoft Azure (Mitalearn-330596)

  • 1 hours 36 minutes
  • متوسط
  • Release date: 23 June 2026
  • Author: Microsoft
درباره این دوره:

Azure راه های مختلفی را برای ذخیره داده ها ارائه می دهد: بدون ساختار، بایگانی، رابطه ای و غیره. در این دوره آموزشی با اصول مدیریت ذخیره سازی در Azure، نحوه ایجاد یک Storage Account و نحوه انتخاب مدل مناسب برای داده هایی که می خواهید در فضای ابری ذخیره کنید آشنا خواهید شد. این دوره بخشی از یک تخصص برای مهندسین داده و توسعه دهندگانی است که می خواهند تخصص خود را در طراحی و پیاده سازی راه حل های داده ای که از سرویس های داده Microsoft Azure استفاده می کنند، نشان دهند. این دومین دوره از یک برنامه 10 دوره ای است که به شما کمک می کند تا برای شرکت در آزمون آماده شوید تا بتوانید در طراحی و پیاده سازی راه حل های داده ای که از خدمات داده Microsoft Azure استفاده می کنند، تخصص داشته باشید. مهندسی داده در آزمون Microsoft Azure فرصتی برای اثبات تخصص دانش در یکپارچه‌سازی، تبدیل و تلفیق داده‌ها از سیستم‌های داده‌های مختلف ساختاریافته و بدون ساختار به ساختارهایی است که برای ساخت راه‌حل‌های تحلیلی که از خدمات داده مایکروسافت آژور استفاده می‌کنند، مناسب هستند. هر دوره به شما مفاهیم و مهارت هایی را می آموزد که با امتحان اندازه گیری می شوند. در پایان این تخصص، شما آماده شرکت و ثبت نام در آزمون DP-203: مهندسی داده در Microsoft Azure (بتا) خواهید بود.

linkedin ذخیره سازی و پردازش داده های مقیاس پذیر برای بارهای کاری هوش مصنوعی (Mitalearn-440875)

  • 1 hours 30 minutes
  • مناسب همه
  • Release date: 17 March 2025
  • Author: Janani Ravi
درباره این دوره: 

 راه‌حل‌هایی برای ذخیره‌سازی و پردازش داده‌ها ضروری هستند، اما چگونه می‌توانید آنها را به طور مؤثر در مقیاس مدیریت کنید؟ در این دوره، مربی جانانی راوی اصول طراحی و پیاده‌سازی سیستم‌های ذخیره‌سازی داده‌ها را پوشش می‌دهد که می‌توانند به طور کارآمدی نیازهای مقیاس بزرگ برنامه‌های کاربردی مبتنی بر هوش مصنوعی را مدیریت کنند. تکنیک‌های مدیریت، پردازش و بهینه‌سازی جریان داده در محیط‌های توزیع‌شده را برای اطمینان از اجرای مدل هوش مصنوعی با کارایی بالا بررسی کنید. این دوره آموزشی مناسب برای متخصصان فناوری که با هوش مصنوعی، زیرساخت داده و عملیات یادگیری ماشین کار می کنند، شما را با مهارت هایی که نه تنها برای مدیریت، بلکه برای بهینه سازی حجم کاری هوش مصنوعی خود نیاز دارید، مجهز می کند.

coursera ساخت دریاچه های داده در AWS (Mitalearn-332738)

  • 2 hours 31 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Rafael Lopes,Alex G.
درباره این دوره:

دوره سطح پایه معمولاً برای افرادی طراحی شده است که درک پایه ای از مفاهیم ذخیره سازی و پردازش داده دارند، اما تجربه قبلی در مورد ساخت دریاچه های داده در AWS به طور خاص کم یا بدون تجربه هستند. پس از مقدمه ای کوتاه در مورد دریاچه های داده، دریافت داده ها، فهرست نویسی و آماده سازی را معرفی می کنیم و در پایان با مروری بر داده های پرس و جو با آمازون آتنا به پایان می رسیم. این دوره با مروری بر سازند دریاچه AWS، از جمله یک آزمایشگاه عملی که در آن یک دریاچه داده بسازید، ادامه خواهد یافت. سپس پردازش داده و تجزیه و تحلیل را با استفاده از چسب AWS قبل از فرو رفتن در ایجاد دریاچه داده‌های خودکار با استفاده از طرح‌های Lake Formation معرفی می‌کنیم. در نهایت، ما با Modern Data Architectures در AWS با آزمایشگاهی که انتشار و مصرف محصولات داده را به عنوان یک سرویس پوشش می دهد، پایان می دهیم.

coursera کاوش تغییر شکل داده با Google Cloud (Mitalearn-317013)

  • 54 minutes
  • مبتدی
  • Release date: 23 June 2026
  • Author: Google Cloud Training
درباره این دوره:

فناوری ابری می‌تواند ارزش زیادی برای یک سازمان به ارمغان بیاورد و ترکیب قدرت فناوری ابری با داده‌ها این پتانسیل را دارد که ارزش بیشتری را باز کند و تجربیات جدیدی برای مشتری ایجاد کند. «کاوش در تبدیل داده‌ها با Google Cloud» ارزشی را که داده‌ها برای یک سازمان به ارمغان می‌آورند و راه‌هایی را که Google Cloud می‌تواند داده‌ها را مفید و قابل دسترس کند بررسی می‌کند. بخشی از مسیر یادگیری Cloud Digital Leader، این دوره با هدف کمک به افراد در رشد نقش خود و ساختن آینده کسب و کارشان است.

coursera مقدمه ای بر داده های بزرگ (Mitalearn-334421)

  • 4 hours 29 minutes
  • مناسب همه
  • Release date: 23 June 2026
  • Author: Ilkay Altintas,Amarnath Gupta
درباره این دوره:

علاقه مند به افزایش دانش خود از چشم انداز کلان داده هستید؟ این دوره برای کسانی است که تازه به علم داده می پردازند و علاقه مند به درک دلیل به وجود آمدن عصر داده های بزرگ هستند. این برای کسانی است که می خواهند با اصطلاحات و مفاهیم اصلی پشت مشکلات، برنامه ها و سیستم های کلان داده آشنا شوند. این برای کسانی است که می خواهند به این فکر کنند که چگونه داده های بزرگ ممکن است در تجارت یا حرفه آنها مفید باشد. مقدمه‌ای بر یکی از رایج‌ترین چارچوب‌ها، Hadoop، ارائه می‌کند که تجزیه و تحلیل کلان داده‌ها را آسان‌تر و در دسترس‌تر کرده است -- افزایش پتانسیل داده‌ها برای تغییر جهان ما! در پایان این دوره، شما قادر خواهید بود: * چشم انداز کلان داده را شامل نمونه هایی از مشکلات داده های بزرگ در دنیای واقعی از جمله سه منبع کلیدی داده های بزرگ: افراد، سازمان ها و حسگرها توصیف کنید. * V از داده های بزرگ (حجم، سرعت، تنوع، صحت، ظرفیت و ارزش) و اینکه چرا هر کدام بر جمع آوری داده ها، نظارت، ذخیره سازی، تجزیه و تحلیل و گزارش تأثیر می گذارد را توضیح دهید. * با استفاده از یک فرآیند 5 مرحله ای برای ساختار تجزیه و تحلیل خود، ارزش داده های بزرگ را بدست آورید. * مشکلات کلان داده را شناسایی کنید و چه چیزهایی را نام ببرید و بتوانید مشکلات کلان داده را به عنوان سؤالات علم داده بازنویسی کنید. * توضیحی در مورد مولفه های معماری و مدل های برنامه نویسی مورد استفاده برای تجزیه و تحلیل داده های بزرگ مقیاس پذیر ارائه دهید. * ویژگی ها و ارزش اجزای پشته Hadoop از جمله سیستم مدیریت منابع و شغل YARN، سیستم فایل HDFS و مدل برنامه نویسی MapReduce را خلاصه کنید. * یک برنامه را با استفاده از Hadoop نصب و اجرا کنید! این دوره برای کسانی است که تازه وارد علم داده می شوند. هیچ تجربه برنامه نویسی قبلی مورد نیاز نیست، اگرچه توانایی نصب برنامه ها و استفاده از ماشین مجازی برای تکمیل تکالیف عملی ضروری است. الزامات سخت افزاری: (الف) پردازنده چهار هسته ای (پشتیبانی VT-x یا AMD-V توصیه می شود)، 64 بیتی؛ (ب) 8 گیگابایت رم؛ (C) 20 گیگابایت دیسک رایگان. نحوه پیدا کردن اطلاعات سخت افزاری خود: (ویندوز): با کلیک بر روی دکمه Start، روی Computer راست کلیک کرده و سپس روی Properties کلیک کنید. (Mac): با کلیک بر روی منوی اپل و کلیک کردن روی «درباره این مک»، نمای کلی را باز کنید. اکثر رایانه‌های با رم 8 گیگابایتی خریداری شده در 3 سال گذشته حداقل شرایط لازم را برآورده می‌کنند. شما به اتصال اینترنت پرسرعت نیاز دارید زیرا فایل‌هایی تا حجم 4 گیگابایت را دانلود خواهید کرد. نرم افزار مورد نیاز: این دوره متکی بر چندین ابزار نرم افزار منبع باز از جمله Apache Hadoop است. تمامی نرم افزارهای مورد نیاز را می توان به صورت رایگان دانلود و نصب کرد. الزامات نرم افزار عبارتند از: Windows 7+، Mac OS X 10.10+، Ubuntu 14.04+ یا CentOS 6+ VirtualBox 5+.

linkedin نکات امتحانی: Microsoft Azure Data Fundamentals (DP-900) (Mitalearn-220827)

  • 1 hours 53 minutes
  • مناسب همه
  • Release date: 9 March 2021
  • Author: Emilio Melo
درباره این دوره: 

 داده ها در همه جا وجود دارد و شرکت ها برای درک بهتر مشتریان و رقبای خود و اتخاذ تصمیمات تجاری صحیح به آن نیاز دارند. آژور یکی از بهترین گزینه های موجود در بازار است. در این دوره، مدرس Emilio Melo مهمترین موضوعات در آزمون DP-900، اولین گواهینامه مسیر داده مایکروسافت را پوشش می دهد. Emilio گواهینامه و آزمون DP-900 را توضیح می دهد، سپس به مفاهیم اصلی داده، مانند پردازش داده ها و تجزیه و تحلیل داده ها می پردازد. او راه‌هایی را برای کار با داده‌های رابطه‌ای در Azure، از جمله گزینه‌های میزبانی و ارائه پایگاه داده رابطه‌ای در Azure دنبال می‌کند. Azure همچنین راه هایی برای مدیریت داده های غیر رابطه ای دارد و Emilio چندین گزینه را مورد بحث قرار می دهد. او بارهای کاری تجزیه و تحلیل را بررسی می کند، سپس با بینش هایی در مورد ذخیره سازی داده در Azure و Power BI نتیجه گیری می کند.

Suggestions