این دوره برای افرادی در نظر گرفته شده است که به دنبال درک الگوهای معماری لازم برای استفاده از سیستم های نرم افزاری بزرگی هستند که از داده های بزرگ برای تولید استفاده می کنند. شما نمونه های اولیه داده های بزرگ را به نرم افزار تولید آزمایش شده با کیفیت بالا تبدیل خواهید کرد. پس از اندازه گیری ویژگی های عملکرد سیستم های توزیع شده، مناطق مشکل را شناسایی کرده و راه حل های مقیاس پذیر را برای بهبود عملکرد پیاده سازی خواهید کرد. پس از اتمام دوره، می‌دانید که چگونه ذخیره‌گاه‌های داده تولید را برای انجام تحت بار، طراحی آزمایش‌های بار برای اطمینان از برآورده شدن الزامات عملکرد برنامه‌ها، مقیاس کنید. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

این دوره به فراگیران (متخصصان صنعت و دانشجویان) مفاهیم اساسی برنامه نویسی توزیع شده در زمینه جاوا 8 را آموزش می دهد. برنامه نویسی توزیع شده توسعه دهندگان را قادر می سازد تا از چندین گره در یک مرکز داده برای افزایش توان و/یا کاهش تاخیر برنامه های کاربردی انتخاب شده استفاده کنند. در پایان این دوره، نحوه استفاده از چارچوب های برنامه نویسی توزیع شده محبوب برای برنامه های جاوا، از جمله Hadoop، Spark، Sockets، Remote Method Invocation (RMI)، سوکت های Multicast، Kafka، Message Passing Interface و همچنین رویکردهای مختلف برای ترکیب توزیع با چند رشته ای چرا این دوره را بگذرانید؟ • تمام سرورهای مرکز داده به عنوان مجموعه ای از سرورهای توزیع شده سازماندهی شده اند و همچنین برای شما مهم است که یاد بگیرید چگونه از چندین سرور برای افزایش پهنای باند و کاهش تاخیر استفاده کنید. • علاوه بر یادگیری چارچوب های خاص برای برنامه نویسی توزیع شده، این دوره به شما یاد می دهد که چگونه چند هسته ای و موازی سازی توزیع شده را در یک رویکرد یکپارچه ادغام کنید. • هر یک از چهار ماژول در دوره شامل یک پروژه کوچک اختصاص یافته است که تجربه عملی لازم را برای استفاده از مفاهیم آموخته شده در دوره به تنهایی پس از پایان دوره در اختیار شما قرار می دهد. • در طول دوره، دسترسی آنلاین به مربی و مربیان خواهید داشت تا پاسخ‌های فردی به سؤالات خود را که در انجمن‌ها ارسال شده است، دریافت کنید. نتایج یادگیری مطلوب این دوره به شرح زیر است: • برنامه نویسی کاهش نقشه توزیع شده در جاوا با استفاده از چارچوب های Hadoop و Spark • برنامه نویسی سرویس گیرنده-سرور با استفاده از سوکت جاوا و واسط های فراخوانی روش از راه دور (RMI) • برنامه نویسی ارسال پیام در جاوا با استفاده از رابط ارسال پیام (MPI) • رویکردهایی برای ترکیب توزیع با چند رشته ای، از جمله فرآیندها و رشته ها، بازیگران توزیع شده، و برنامه نویسی واکنشی تسلط بر این مفاهیم شما را قادر می سازد تا فوراً آنها را در زمینه برنامه های جاوای توزیع شده به کار ببرید و همچنین پایه ای را برای تسلط بر سایر چارچوب های برنامه نویسی توزیع شده ای که ممکن است در آینده با آنها روبرو شوید (به عنوان مثال در Scala یا C++) فراهم می کند.

به دوره آموزشی Cloud Computing Applications خوش آمدید، بخش دوم از مجموعه دو دوره ای که برای ارائه دیدی جامع از دنیای رایانش ابری و داده های بزرگ طراحی شده است! در این دوره دوم، ما برنامه‌های رایانش ابری را با بررسی اینکه چگونه ابر، تجزیه و تحلیل داده‌های حجم عظیمی از داده‌ها را که ثابت هستند یا با سرعت بالا پخش می‌شوند و نشان‌دهنده تنوع عظیمی از اطلاعات هستند، باز می‌کند، ادامه می‌دهیم. برنامه های کاربردی ابری و تجزیه و تحلیل داده ها نشان دهنده یک تغییر مخرب در روش هایی است که جامعه از آن مطلع می شود و از اطلاعات استفاده می کند. ما هفته اول را با معرفی برخی از سیستم های اصلی برای تجزیه و تحلیل داده ها از جمله Spark و چارچوب ها و توزیع های اصلی برنامه های تحلیلی از جمله Hortonworks، Cloudera و MapR آغاز می کنیم. در اواسط هفته اول، سیستم فایل توزیع شده و قوی HDFS را معرفی می کنیم که در بسیاری از برنامه ها مانند Hadoop استفاده می شود و هفته اول را با بررسی مدل برنامه نویسی قدرتمند MapReduce و اینکه چگونه سیستم عامل های توزیع شده مانند YARN و Mesos از یک محیط انعطاف پذیر و مقیاس پذیر پشتیبانی می کنند، معرفی می کنیم. تجزیه و تحلیل داده های بزرگ در هفته دوم، دوره ما ذخیره سازی داده در مقیاس بزرگ و مشکلات و مشکلات توافق در فروشگاه های عظیمی را که از مقادیری از پردازنده ها، حافظه ها و دیسک ها استفاده می کنند، معرفی می کند. ما سازگاری نهایی، ACID، و BASE و الگوریتم‌های اجماع مورد استفاده در مراکز داده از جمله Paxos و Zookeeper را مورد بحث قرار می‌دهیم. دوره ما فروشگاه‌های کلید-مقدار توزیع‌شده و پایگاه‌های داده حافظه مانند Redis را که در مراکز داده برای عملکرد استفاده می‌شوند، ارائه می‌کند. در ادامه پایگاه های داده NOSQL را ارائه می کنیم. ما از HBase بازدید می کنیم، پایگاه داده مقیاس پذیر و با تاخیر کم که از عملیات پایگاه داده در برنامه هایی که از Hadoop استفاده می کنند پشتیبانی می کند. سپس دوباره نشان می دهیم که چگونه Spark SQL می تواند پرس و جوهای SQL را روی داده های عظیم برنامه ریزی کند. هفته دوم را با ارائه‌ای در مورد سیستم‌های انتشار/اشتراک توزیع‌شده با استفاده از کافکا به پایان می‌رسانیم، یک سیستم پیام‌رسانی گزارش توزیع‌شده که کاربرد گسترده‌ای در اتصال داده‌های بزرگ و برنامه‌های پخش جریانی به یکدیگر برای تشکیل سیستم‌های پیچیده پیدا می‌کند. هفته سوم به سمت جریان سریع داده ها در زمان واقعی حرکت می کند و فناوری Storm را معرفی می کند که به طور گسترده در صنایعی مانند یاهو استفاده می شود. ما با معماری های Spark Streaming، Lambda و Kappa و ارائه اکوسیستم جریان ادامه می دهیم. هفته چهارم بر پردازش گراف، یادگیری ماشینی و یادگیری عمیق تمرکز دارد. ما ایده های پردازش گراف را معرفی می کنیم و Pregel، Giraph و Spark GraphX ​​را ارائه می کنیم. سپس با مثال هایی از Mahout و Spark به یادگیری ماشین می رویم. Kmeans، Naive Bayes، و fpm به عنوان مثال آورده شده است. Spark ML و Mllib موضوع برنامه نویسی و ساخت برنامه را ادامه می دهند. آخرین موضوعی که در هفته چهارم پوشش می دهیم، فناوری های یادگیری عمیق از جمله Theano، Tensor Flow، CNTK، MXnet و Caffe on Spark را معرفی می کند.

این دوره برای افرادی در نظر گرفته شده است که می خواهند یک سیستم نرم افزاری با کیفیت تولید بسازند که از داده های بزرگ استفاده کند. شما اصول مهندسی نرم افزار و معماری را برای ایجاد یک سیستم توزیع شده آماده برای تولید که داده های بزرگ را مدیریت می کند، اعمال خواهید کرد. شما یک سیستم فشرده و پراکنده داده، متشکل از برنامه‌های کاربردی بسیار منسجم و به هم پیوسته ایجاد خواهید کرد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

این دوره برای افرادی در نظر گرفته شده است که به دنبال درک اصول اولیه مهندسی نرم افزار هستند زیرا آنها با ساختن سیستم های نرم افزاری بزرگ که از داده های بزرگ استفاده می کنند، مرتبط هستند. شما با مفاهیم مهندسی نرم افزار لازم برای ساختن و مقیاس بندی سیستم های توزیع شده بزرگ، فشرده با داده آشنا خواهید شد. این دوره با بهترین شیوه‌های مهندسی نرم‌افزار و ریزسرویس‌های داده‌ای بسیار منسجم و کم‌پیوسته شروع می‌شود، این دوره شما را به تکامل یک سیستم توزیع‌شده در طول زمان می‌برد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده یا کارشناسی ارشد در علوم کامپیوتر ارائه شده در پلت فرم Coursera گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علم داده: https://www.coursera.org/degrees/master-of-science-data-science-boulder کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder

امروزه سیستم‌های رایانش ابری، چه منبع باز و چه در داخل شرکت‌ها مورد استفاده قرار می‌گیرند، با استفاده از مجموعه‌ای از تکنیک‌های اصلی، الگوریتم‌ها و فلسفه‌های طراحی ساخته می‌شوند که همگی حول محور سیستم‌های توزیع‌شده متمرکز هستند. در مورد چنین "مفاهیم" محاسبات توزیع شده اساسی برای رایانش ابری بیاموزید. برخی از این مفاهیم عبارتند از: ابرها، MapReduce، ذخیره‌های key-value/NoSQL، الگوریتم‌های توزیع‌شده کلاسیک، الگوریتم‌های توزیع‌شده پرکاربرد، مقیاس‌پذیری، مناطق پرطرفدار و بسیاری موارد دیگر! بدانید این سیستم ها چگونه از درون به بیرون کار می کنند. با استفاده از این مفاهیم با تمرینات تکلیف ارائه شده دست خود را کثیف کنید. در تکالیف برنامه نویسی برخی از این مفاهیم را در کدهای قالب (برنامه ها) ارائه شده در زبان برنامه نویسی C++ پیاده سازی کنید. تجربه قبلی با ++C الزامی است. این دوره همچنین دارای مصاحبه با محققان و مدیران برجسته، از هر دو صنعت و دانشگاه است. این دوره بر اساس مطالبی است که در دوره آموزشی Cloud Computing Concepts، قسمت 1 ارائه شده است.

با این دوره مقدماتی مبتدی، با پایگاه های داده NoSQL شروع کنید! این دوره دانش فنی و عملی از پایگاه‌های داده NoSQL و ارائه‌های پایگاه داده به‌عنوان سرویس (DaaS) ارائه می‌کند. با ظهور Big Data و متدولوژی های توسعه چابک، پایگاه های داده NoSQL ارتباط زیادی در چشم انداز پایگاه داده پیدا کرده اند. مزیت اصلی آنها توانایی رسیدگی به مسائل مقیاس پذیری و انعطاف پذیری است که برنامه های کاربردی مدرن مطرح می کنند. شما این دوره را با یادگیری تاریخچه و مبانی پایگاه های داده NoSQL (سند، کلید-مقدار، ستون و نمودار) آغاز خواهید کرد و ویژگی ها و مزایای کلیدی آنها را کشف خواهید کرد. شما با چهار دسته از پایگاه های داده NoSQL و تفاوت آنها آشنا خواهید شد. همچنین تفاوت‌های بین مدل‌های سازگاری ACID و BASE، مزایا و معایب سیستم‌های توزیع‌شده و زمان استفاده از RDBMS و NoSQL را بررسی خواهید کرد. همچنین در مورد پایگاه‌های داده برداری، یک کلاس در حال ظهور از پایگاه‌های داده که در هوش مصنوعی محبوب هستند، یاد خواهید گرفت. در مرحله بعد، معماری و ویژگی های چندین پیاده سازی پایگاه داده NoSQL، یعنی MongoDB، Cassandra و IBM Cloudant را بررسی خواهید کرد. شما در مورد وظایف مشترکی که هر یک از آنها انجام می دهند و ویژگی های کلیدی و تعیین کننده آنها یاد خواهید گرفت. سپس تجربه عملی با استفاده از آن پایگاه‌های داده NoSQL برای انجام وظایف مدیریت پایگاه داده استاندارد، مانند ایجاد و تکثیر پایگاه‌های داده، بارگیری و جستجوی داده‌ها، اصلاح مجوزهای پایگاه داده، فهرست‌سازی و تجمیع داده‌ها، و تقسیم (یا پارتیشن‌بندی) داده‌ها به دست خواهید آورد. در پایان این دوره، شما یک پروژه نهایی را تکمیل خواهید کرد که در آن تمام دانش خود را از محتوای دوره در یک سناریو خاص به کار خواهید برد و با چندین پایگاه داده NoSQL کار خواهید کرد. این دوره برای هر کسی که می خواهد مجموعه مهارت های مدیریت داده و فناوری اطلاعات خود را گسترش دهد مناسب است.

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+.

به دوره سوم راه حل های رایانش ابری ساختمان در تخصص مقیاس خوش آمدید! در این دوره یاد می گیرید که چگونه با استفاده از مفاهیم رایانش ابری معرفی شده در دو دوره اول این مجموعه، مهندسی داده را در پروژه های دنیای واقعی به کار ببرید. در پایان این دوره، شما قادر خواهید بود اپلیکیشن های مهندسی داده را توسعه دهید و از بهترین شیوه های توسعه نرم افزار برای ایجاد اپلیکیشن های مهندسی داده استفاده کنید. اینها شامل استقرار مستمر، ابزارهای کیفیت کد، ورود به سیستم، ابزار دقیق و نظارت است. در نهایت، از فناوری‌های بومی ابری برای مقابله با راه‌حل‌های پیچیده مهندسی داده استفاده خواهید کرد. این دوره برای مبتدیان و همچنین دانشجویان متوسط ​​علاقه مند به استفاده از محاسبات ابری در علم داده، یادگیری ماشین و مهندسی داده ایده آل است. دانش آموزان باید مهارت های لینوکس سطح مبتدی و پایتون سطح متوسط ​​را داشته باشند. برای پروژه خود در این دوره، شما یک خط لوله مهندسی داده بدون سرور در یک پلتفرم ابری ایجاد خواهید کرد: خدمات وب آمازون (AWS)، Azure یا Google Cloud Platform (GCP).