متخصص مهندسی داده و بیگ دیتا

با تدریس   مسعود کاویانی
متخصص علم داده و یادگیری ماشین (آپارت، فیلیمو، صباویژن)

بیش از ۹۰ ساعت
۲۷۷ جلسه
3 تمرین
۱ سال پشتیبانی
گارانتی بازگشت ۱۰۰ درصدی وجه

آموزش مهندسی داده (Data Engineering) و کلان داده (Big Data بیگ دیتا)

داده‌ها به عنوان یکی از اصلی‌ترین عناصر در کسب و کارهای مدرن محسوب می‌شوند. کسب و کارها با استفاده از این داده‌ها تصمیم‌گیری‌های خود را انجام می‌دهند و جنگی پنهان برای به دست آوردن هر چه بیشتر داده‌ها در حال انجام است. هر چه یک کسب و کار داده‌های بیشتر و حجیم‌تری داشته باشد و بتواند این داده‌ها را با سرعت پردازش کند، می‌تواند قدرت بیشتری در تشخیص رفتار کاربران، پیش‌بینی آینده و محاسبات مربوط به کسب و کار داشته باشد.

در این حوزه، چالش اصلی ذخیره و پردازش داده‌هاست. حجم عظیمی از داده‌ها برای ذخیره و پردازش نیازمند روش‌ها و تکنیک‌های خاصی برای پردازش هستند. و این در حالیست که روش‌های سنتی قادر به ذخیره و پردازش این حجم عظیم از داده‌ها نیستند. برای همین بایستی برای ذخیره و پردازش این حجم از داده‌ها از روش‌های مدرن‌تر که معمولا در حوزه مهندسی داده و بیگ دیتا مورد بحث و بررسی قرار می‌گیرد، استفاده کرد.

اگر که با مفاهیم برنامه نویسی آشنا نیستی و قصد شرکت در دوره آموزش مهندسی داده را داری ، پیشنهاد می‌کنیم ابتدا در دوره آموزش برنامه نویسی مقدماتی لقمان آوند شرکت کنی و بعد از آن مسیر یادگیری برنامه نویسی را به درستی انتخاب کنی.

دوره متخصص مهندسی داده و بیگ دیتا با هدف تدریس تمامی سرفصل‌ها و مباحث لازم برای تسلط دانشجویان جهت ورود به بازار کار ارائه شده است. این دوره به صورت آنلاین برای مخاطبان آماده شده است و دانشجو را از مفاهیم پایه تا مفاهیم پیشرفته برای ورود به بازار کار یاری می‌رساند.

دانشجویان پس از مشاهده جلسات امکان پرسش و پاسخ، رفع اشکال، انجام تمرین، انجام آزمون‌های مقطعی و رتبه‌بندی خواهند داشت. پس از پایان دوره کسانی که در آزمون‌های جامع و ارزیابی فنی بالاترین نمرات را کسب کنند، جهت استخدام به شرکت‌هایی معرفی می‌شوند که قصد دارند از طریق مجموعه سون‌لرن برنامه‌نویس مورد نظر خود را جذب کنند.

چرا در دوره آموزش مهندسی داده شرکت کنیم؟

  • تقریبا تمامی کسب و کارهای متوسط و بزرگ، بانک‌ها، بیمه‌ها، سازمان‌ها و ارگان‌های دولتی و… نیازمند ذخیره و پردازش حجم عظیمی از داده‌ها هستند.
  • یکی از گزینه‌های اپلای در کسب و کارهای بین المللی مهندسی داده و ابزارهای آن است.
  • میانگین درآمد مهندسان داده از درآمد بسیاری از شغل‌های دیگر در حوزه‌ی آی‌تی بالاتر است.
  • با یادگیری مهندسی داده، زیر حوزه‌هایی (مانند پایگاه داده، پردازش موازی، پردازش و سیستم‌های توزیع‌شده، یادگیری ماشین بر روی داده‌های حجیم و…) را نیز فرار خواهید گرفت که هر کدام به صورت مستقل می‌توانند در کسب و کارها کاربرد داشته باشند.

این دوره
برای چه کسانی
مناسـب اسـت؟

  • کسانی که به ذخیره و پردازش حجم بالایی از داده‌ها علاقه‌مند هستند.
  • کسانی که می‌خواهند در کسب و کارهای بزرگ بر روی داده‌ها مشغول به کار شوند.
  • کسانی که به فکر مهاجرت و اپلای در بیزینس‌های بین المللی هستند.

این دوره
برای چه کسانی
مناسـب نیست؟

  • کسانی که فرصت کافی برای تمرین و یادگیری مباحث مختلف این دوره را ندارند
  • کسانی که بدون شناخت کافی و فقط با انگیزه مالی به‌دنبال ورود به این حوزه هستند
  • کسانی که بیشتر به دنبال کارهای حفظی و تئوریک هستند

دموی جلسات و پروژه های دوره

ویژگی های دوره

ما به کیفیت و اثربخشی محصول خود اعتقاد داریم و به همین منظور گارانتی بازگشت وجه یک ماهه به شما ارائه می دهیم تا خریدی بدون ریسک و بدون نگرانی داشته باشید.
هزینه‌ای که بابت دوره پرداخت می‌کنید تا 1 ماه در اختیار خودِ شماست. اگر پس از خرید دوره به‌صورت جامع، به هر دلیلی از شرکت در آن منصرف شدید تا ١ ماه پس از خريد امكان انصراف و بازگشت كامل وجه برای شما درنظر گرفته شده است. برای انصراف از دوره لازم است در بازه زمانی تعیین شده درخواست خود را با پشتیبانی مطرح کرده و حداکثر ۲۵% از دوره را مشاهده کرده باشید. پس از انصراف همواره منتظر نظرات و پیشنهادات شما برای بهبود کیفیت دوره و نحوه ارائه آن‌ها هستیم و امیدواریم در حوزه موردنظر خود به موفقیت و فرصت‌های بزرگی دست پیدا کنید.

آموزش مهارت‌محور به این معنی‌ست که در طول دوره و باتوجه به میزان پیچیدگی هر مبحث آموزشی تمرین‌، آزمون و پروژه‌های مختلفی برای شما در نظر گرفته شده است تا یادگیری خود را تکمیل کنید. همچنین برگزاری وبینارهای متعدد و عضویت در گروه تلگرامی دوره امکان ارتباط با اساتید، منتورها و سایر دانشجویان را برای شما فراهم می‌کند. وضعیت آموزشی هر دانشجو برای منتورهای دوره قابل رصد و ارزیابی‌ست زیرا منتورها از بین دانشجویان برتر انتخاب شده‌اند و به‌خوبی با فرایند آموزشی و چالش‌های دوره آشنایی دارند. پایبندی به این متد آموزشی علاوه‌بر ارتقا سطح مهارتی که دارید، شما را با چالش هاى فنى و نحوه مدیریت آن‌ها آشنا مى كند و اين همان چيزى‌ست كه برای حضور در بازار كار به آن نياز داريد.

هیچ سوالی بی‌جواب نخواهد ماند. پس از ورود به دوره امكان پرسش و پاسخ و رفع اشكال براى شما فراهم است. شما می‌توانید در هر ساعتی از شبانه روز سوالات خود را مطرح کنید و اساتید یا منتورهای دوره در سريع‌ترين زمان ممكن به شما پاسخ خواهند داد. حضور در این فضای تعاملی و همراهی با دیگران می‌تواند در ارتقای مهارت‌های نرم دانشجویان و ایجاد یک رقابت سالم نقش موثری داشته باشد.

فعالیت‌های آموزشی تعریف شده در دوره مانند مشاهده جلسات، تمرین، آزمون، پروژه، پاسخ دادن به سوال دیگران و غیره با شاخصی به‌نام xp ارزیابی می‌شوند که منجربه رتبه‌بندی دانشجویان خواهد شد. به این معنی که دانشجویان با انجام هر کدام از موارد بالا و کسب امتیاز (xp) مربوط به آن فرایند، جایگاه خود را در رتبه‌بندی دوره ارتقا می‌دهند. طبیعتا دانشجویانی که xp بیشتری دارند نسبت به دیگران از رتبه و مهارت بهتری برخوردار هستند و آمادگی بیشتری برای ارزیابی‌های پایان دوره و کسب موقعیت‌های شغلی دارند. هر فعالیتی xp مشخصی دارد تا علاوه‌بر تشویق دانشجو برای پایبندی به آموزش، یک معیار مشخص و عادلانه برای انتخاب دانشجویان برتر ارائه دهد. بدین ترتیب شما می‌توانید میزان مشارکت و پیشرفت خود را با دیگران مقایسه و در فرصت باقی‌مانده از دوره، برای بهبود وضعیت آموزشی خود تلاش کنید.

هرساله شرکت‌های معتبری از سراسر ایران اقدام به جذب نیرو در حوزه تکنولوژی می‌کنند و بسیاری از این مجموعه‌ها از سون‌لرن درخواست معرفی نیروی متخصص دارند. در این شرایط سون‌لرن خود را موظف می‌داند تا افراد برتر هر دوره را اعتبارسنجی کرده و به شرکت‌های متقاضی جهت استخدام معرفی کند. سایر دانشجویان نیز درصورت بهره‌مندی کامل از محتوای دوره و تکمیل مهارت‌های خود به‌راحتی قادر به اشتغال و فعالیت در زمینه موردنظر خود خواهند بود.

پشتیبانی طولانی‌مدت سون‌لرن از زمان ثبت نام شما، به مدت 1 سال همراهتان خواهد بود . علاوه بر این در صورت استخدام شما پس از دوره، با هماهنگی واحد پشتیبانی می توانید از 1 ماه همراهی پس از استخدام هم استفاده نمایید تا با خیال راحت و دلگرمی بر جایگاه شغلی که شایسته شماست تکیه بزنید. طبیعتا دانشجویانی که طبق زمان‌بندی دوره، یادگیری را پیش ببرند از مدت زمان پشتیبانی بیشترین بهره را خواهند برد. این پشتیبانی شامل پاسخ به مشکلات فنی، آموزشی و موارد مربوط به اشتغال شما است.

محتوای دوره‌ها همواره در اختیار شماست و لازم نیست نگران منقضی شدن آن و یا از بین رفتن پروفایل کاربری خود باشید چرا که بدون محدودیت زمانی و مکانی به آن دسترسی دارید. درضمن هر زمان که برخی مباحث آموزشی تغییر کرده و نیازمند به‌روزرسانی باشند، محتوای به‌روزشده سرفصل‌هایی که خریداری کرده‌اید در پنل کاربری شما در سایت 7learn.com قرار خواهد گرفت.

دانشجویان سابق متخصص سون لرن کجا استخدام شدند؟

کار کردن در شرکت‌های بزرگ و پویا مزایای زیادی در اختیار شما قرار می‌دهد که رشد فردی، بروز خلاقیت، ارتباطات مناسب و درآمد خوب تنها بخشی از این مزایا هستند. برای اینکه به جمع حرفه‌ای‌ها راه پیدا کنید و در کار خود بی‌بدیل باشید، باید همواره به‌روز بوده و در جایگاه خود حرفی برای گفتن داشته باشید. دوره‌‌های متخصص سن‌لرن، دانش موردنیاز و مهارت‌های کاربردی را در اختیارتان قرار می‌دهند تا با پشتکار و انگیزه فراوان بتوانید مانند بسیاری از دانشجویان سون لرن در کسب‌وکار و یا شغل خود موفق باشید.

در این دوره دانش فنی موردنیاز شما تدریس می‌شود، کافی‌ست نهایت استفاده را از آن داشته باشید تا مانند بسیاری از دانشجوهای موفق سون‌لرن، از فرصت های شغلی چنین شرکت‌های مطرحی بهره‌مند شوید.

و ده ها
شرکت دیگر

سرفصل های دوره

تعاریف اولیه، پیش نیازها و کاربردهای مهندسی داده

  • کدها و مجموعه داده‌های این بخش
  • داده‌های توزیع شده چیست؟ - قسمت اول رایگان ۳۰ دقیقه
  • داده‌های توزیع شده چیست؟ - قسمت دوم رایگان ۲۹ دقیقه
  • زبان‌های برنامه‌نویسی مناسب برای سیستم‌های توزیع شده و بیگ‌دیتا رایگان ۱۲ دقیقه
  • ساخت یک نرم‌افزار تحت وب با پایتون و فلسک - قسمت اول منتشر شده ۳۴ دقیقه
  • ساخت یک نرم‌افزار تحت وب با پایتون و فلسک - قسمت دوم منتشر شده ۳۴ دقیقه
  • ساخت یک نرم‌افزار تحت وب با پایتون و فلسک - قسمت سوم منتشر شده ۲۰ دقیقه
  • پیش‌نیازهای رایگان (آموزش مقدمات پایتون + آموزش مقدمات جاوا)

  • سرور لینوکس و انتشار نرم‌افزار تحت وب - قسمت اول رایگان ۲۷ دقیقه
  • سرور لینوکس و انتشار نرم‌افزار تحت وب - قسمت دوم رایگان ۲۴ دقیقه
  • سرور لینوکس و انتشار نرم‌افزار تحت وب - قسمت سوم رایگان ۳۳ دقیقه
  • سرور لینوکس و انتشار نرم‌افزار تحت وب - قسمت چهارم منتشر شده ۲۴ دقیقه
  • سرور لینوکس و انتشار نرم‌افزار تحت وب - قسمت پنجم منتشر شده ۱۷ دقیقه
  • سرور لینوکس و انتشار نرم‌افزار تحت وب - قسمت ششم منتشر شده ۳۳ دقیقه
  • سرور لینوکس و انتشار نرم‌افزار تحت وب - قسمت هفتم منتشر شده ۲۸ دقیقه
  • برنامه‌نویسی shell لینوکس - قسمت اول منتشر شده ۲۱ دقیقه
  • برنامه‌نویسی shell لینوکس - قسمت دوم منتشر شده ۳۰ دقیقه
  • برنامه‌نویسی shell لینوکس - قسمت سوم منتشر شده ۱۸ دقیقه
  • برنامه‌نویسی shell لینوکس - قسمت چهارم منتشر شده ۳۱ دقیقه
  • برنامه‌نویسی shell لینوکس - قسمت پنجم منتشر شده ۲۶ دقیقه
  • اسپین‌آف (مطالعه‌ی موردی استفاده از سیستم‌های توزیع شده در کسب و کارهای ایرانی) منتشر شده ۳۲ دقیقه
  • مثال کاربردی اجرای برنامه‌ی توزیع شده بر روی سرور لینوکس - قسمت اول منتشر شده ۲۱ دقیقه
  • مثال کاربردی اجرای برنامه‌ی توزیع شده بر روی سرور لینوکس - قسمت دوم منتشر شده ۳۷ دقیقه
  • مثال کاربردی اجرای برنامه‌ی توزیع شده بر روی سرور لینوکس - قسمت سوم منتشر شده ۳۸ دقیقه
  • آشنایی با protocol buffer و چهارچوب GRPC - قسمت اول منتشر شده ۲۵ دقیقه
  • آشنایی با protocol buffer و چهارچوب GRPC - قسمت دوم منتشر شده ۳۳ دقیقه
  • آشنایی با protocol buffer و چهارچوب GRPC - قسمت سوم منتشر شده ۳۴ دقیقه
  • آشنایی با protocol buffer و چهارچوب GRPC - قسمت چهارم منتشر شده ۱۹ دقیقه
  • آشنایی با protocol buffer و چهارچوب GRPC - قسمت پنجم منتشر شده ۴۲ دقیقه
  • آشنایی با protocol buffer و چهارچوب GRPC - قسمت ششم منتشر شده ۸ دقیقه
  • آشنایی با ویندوز سرور و اجرای نرم‌افزارها در آن - قسمت اول منتشر شده ۳۳ دقیقه
  • آشنایی با ویندوز سرور و اجرای نرم‌افزارها در آن - قسمت دوم منتشر شده ۱۰ دقیقه
  • آشنایی با ویندوز سرور و اجرای نرم‌افزارها در آن - قسمت سوم منتشر شده ۱۱ دقیقه
  • آشنایی با VirtualMachine و نصب لینوکس بر روی ویندوز منتشر شده ۲۷ دقیقه

کار با پایگاه داده SQL و NoSQL

  • کدها و مجموعه داده‌های این بخش
  • مسئله‌ی دو ژنرال و مشکل سیستم‌های توزیع شده رایگان ۲۵ دقیقه
  • معماری ارباب-برده (master-slave) در سیستم‌های توزیع شده (قسمت اول) منتشر شده ۲۱ دقیقه
  • معماری ارباب-برده (master-slave) در سیستم‌های توزیع شده (قسمت دوم) منتشر شده ۸ دقیقه
  • ساعت‌های منطقی در سیستم توزیع شده منتشر شده ۳۳ دقیقه
  • تفاوت SQL و NoSQL و آشنایی با اکوسیستم آن‌ها منتشر شده ۳۰ دقیقه

  • در این بخش چه چیزی یاد می‌گیریم؟
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت اول رایگان ۳۸ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت دوم منتشر شده ۳۴ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سوم منتشر شده ۲۸ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت چهارم منتشر شده ۳۵ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت پنجم منتشر شده ۳۳ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت ششم منتشر شده ۳۳ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت هفتم منتشر شده ۲۳ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت هشتم منتشر شده ۱۹ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت نهم منتشر شده ۲۳ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت دهم منتشر شده ۲۰ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت یازدهم منتشر شده ۱۰ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت دوازدهم منتشر شده ۲۱ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سیزدهم منتشر شده ۲۷ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت چهاردهم منتشر شده ۲۲ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت پانزدهم منتشر شده ۱۷ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت شانزدهم منتشر شده ۳۰ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت هفدهم منتشر شده ۲۸ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت هجدهم منتشر شده ۳۵ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت نوزدهم منتشر شده ۴۳ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیستم منتشر شده ۱۶ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و یکم منتشر شده ۲۴ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و دوم منتشر شده ۲۹ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و سوم منتشر شده ۲۷ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و چهارم منتشر شده ۲۱ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و پنجم منتشر شده ۲۱ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و ششم منتشر شده ۲۹ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و هفتم منتشر شده ۳۹ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و هشتم منتشر شده ۲۵ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت بیست و نهم منتشر شده ۱۴ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی منتشر شده ۱۸ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و یک منتشر شده ۱۷ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و دوم منتشر شده ۲۶ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و سوم منتشر شده ۳۴ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و چهارم منتشر شده ۳۲ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و پنجم منتشر شده ۲۱ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و ششم منتشر شده ۳۰ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و هفتم منتشر شده ۲۸ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و هشتم منتشر شده ۱۵ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت سی و نهم منتشر شده ۱۴ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت چهلم منتشر شده ۱۷ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت چهل و یکم منتشر شده ۲۷ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت چهل و دوم منتشر شده ۳۲ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت چهل و سوم منتشر شده ۳۹ دقیقه
  • پایگاه داده‌ی Posgtgres (مثال Netflix، فیلیمو، نماوا) - قسمت چهل و چهارم منتشر شده ۱۷ دقیقه

  • در این بخش چه چیزی یاد می‌گیریم؟
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت اول رایگان ۲۷ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت دوم منتشر شده ۲۱ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت سوم منتشر شده ۲۷ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت چهارم منتشر شده ۱۵ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت پنجم منتشر شده ۱۵ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت ششم منتشر شده ۶ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت هفتم منتشر شده ۲۶ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت هشتم منتشر شده ۲۱ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت نهم منتشر شده ۱۰ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت دهم منتشر شده ۲۰ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت یازدهم منتشر شده ۱۷ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت دوازدهم منتشر شده ۱۸ دقیقه
  • پایگاه داده SQL Server (مثال طراحی سیستم منابع انسانی) - قسمت سیزدهم منتشر شده ۱۹ دقیقه
  • پایگاه داده MySQL (مثال طراحی سیستم بیپ‌تونز، اسپاتیفای) - قسمت اول منتشر شده ۱۹ دقیقه
  • پایگاه داده MySQL (مثال طراحی سیستم بیپ‌تونز، اسپاتیفای) - قسمت دوم منتشر شده ۱۰ دقیقه
  • پایگاه داده MySQL (مثال طراحی سیستم بیپ‌تونز، اسپاتیفای) - قسمت سوم منتشر شده ۲۷ دقیقه
  • پایگاه داده MySQL (مثال طراحی سیستم بیپ‌تونز، اسپاتیفای) - قسمت چهارم منتشر شده ۱۷ دقیقه
  • پایگاه داده MySQL (مثال طراحی سیستم بیپ‌تونز، اسپاتیفای) - قسمت پنجم منتشر شده ۳۲ دقیقه
  • پایگاه داده MySQL (مثال طراحی سیستم بیپ‌تونز، اسپاتیفای) - قسمت ششم منتشر شده ۱۴ دقیقه
  • پایگاه داده MySQL (مثال طراحی سیستم بیپ‌تونز، اسپاتیفای) - قسمت هفتم منتشر شده ۲۴ دقیقه
  • HA Proxy و MySQL برای توزیع بار - قسمت اول منتشر شده ۲۹ دقیقه
  • HA Proxy و MySQL برای توزیع بار - قسمت دوم منتشر شده ۳۵ دقیقه
  • پایگاه داده SQLite (مثال داده‌های سرشماری کشور) - قسمت اول منتشر شده ۲۲ دقیقه
  • پایگاه داده SQLite (مثال داده‌های سرشماری کشور) - قسمت دوم منتشر شده ۲۸ دقیقه

  • در این بخش چه چیزی یاد می‌گیریم؟
  • تئوری CAP و انتخاب درست پایگاه داده مبتنی بر این تئوری رایگان ۳۲ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت اول رایگان ۲۱ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت دوم منتشر شده ۱۵ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت سوم منتشر شده ۱۱ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت چهارم منتشر شده ۲۰ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت پنجم منتشر شده ۵ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت ششم منتشر شده ۷ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت هفتم منتشر شده ۱۰ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت هشتم منتشر شده ۶ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت نهم منتشر شده ۱۳ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت دهم منتشر شده ۴۷ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت یازدهم منتشر شده ۳۵ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت دوازدهم منتشر شده ۳۵ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت سیزدهم منتشر شده ۱۷ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت چهاردهم منتشر شده ۱۴ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت پانزدهم منتشر شده ۳۱ دقیقه
  • پایگاه داده Redis (مثال طراحی سیستم اسنپ، تپسی، Uber) - قسمت شانزدهم منتشر شده ۸ دقیقه
  • جمع بندی(SQL و NoSQL) - قسمت اول منتشر شده ۲۸ دقیقه
  • جمع بندی (SQL و NoSQL) - قسمت دوم منتشر شده ۶ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت اول منتشر شده ۱۶ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت دوم منتشر شده ۱۶ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت سوم منتشر شده ۱۱ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت چهارم منتشر شده ۱۰ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت پنجم منتشر شده ۱۸ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت ششم منتشر شده ۲۷ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت هفتم منتشر شده ۲۲ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت هشتم منتشر شده ۲۸ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت نهم منتشر شده ۸ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت دهم منتشر شده ۱۷ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت یازدهم منتشر شده ۲۶ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت دوازدهم منتشر شده ۲۶ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت سیزدهم منتشر شده ۱۹ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت چهاردهم منتشر شده ۲۷ دقیقه
  • پایگاه داده Cassandra (مثال داده‌های سیستم کرایه دوچرخه) - قسمت پانزدهم منتشر شده ۸ دقیقه
  • جمع بندی (SQL و NoSQL) - قسمت سوم منتشر شده ۶ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت اول منتشر شده ۹ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت دوم منتشر شده ۱۱ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت سوم منتشر شده ۲۳ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت چهارم منتشر شده ۱۵ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت پنجم منتشر شده ۱۴ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت ششم منتشر شده ۱۶ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت هفتم منتشر شده ۱۵ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت هشتم منتشر شده ۲۰ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت نهم منتشر شده ۲۰ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت دهم منتشر شده ۸ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت یازدهم منتشر شده ۲۵ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت دوازدهم منتشر شده ۱۰ دقیقه
  • پایگاه داده Elasticsearch (مثال داده‌های دیوار) - قسمت سیزدهم منتشر شده ۲۳ دقیقه
  • جمع بندی (SQL و NoSQL) - قسمت چهارم منتشر شده ۸ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت اول منتشر شده ۲۱ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت دوم منتشر شده ۱۶ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت سوم منتشر شده ۲۷ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت چهارم منتشر شده ۱۵ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت پنجم منتشر شده ۸ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت ششم منتشر شده ۱۵ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت هفتم منتشر شده ۱۴ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت هشتم منتشر شده ۲۳ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت نهم منتشر شده ۲۷ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت دهم منتشر شده ۲۱ دقیقه
  • پایگاه داده Mongodb (مثال داده‌های Airbnb) - قسمت یازدهم منتشر شده ۹ دقیقه
  • جمع بندی (SQL و NoSQL) - قسمت پنجم منتشر شده ۶ دقیقه

  • در این بخش چه چیزی یاد می‌گیریم؟
  • پایگاه داده Prometheus (مثال سیستم یوتیوب) - قسمت اول رایگان ۸ دقیقه
  • پایگاه داده Prometheus (مثال سیستم یوتیوب) - قسمت دوم منتشر شده ۲۱ دقیقه
  • پایگاه داده Prometheus (مثال سیستم یوتیوب) - قسمت سوم منتشر شده ۲۳ دقیقه
  • پایگاه داده Prometheus (مثال سیستم یوتیوب) - قسمت چهارم منتشر شده ۲۲ دقیقه
  • پایگاه داده Prometheus (مثال سیستم یوتیوب) - قسمت پنجم منتشر شده ۲۲ دقیقه
  • پایگاه داده Prometheus (مثال سیستم یوتیوب) - قسمت ششم منتشر شده ۲۱ دقیقه
  • پایگاه داده Prometheus (مثال سیستم یوتیوب) - قسمت هفتم منتشر شده ۲۱ دقیقه
  • ابزار Grafana و ارتباط آن با Prometheus منتشر شده ۱۳ دقیقه
  • انبار داده ClickHouse (مثال انبار داده آمازون، دیجی‌کالا) - قسمت اول منتشر شده ۲۱ دقیقه
  • انبار داده ClickHouse (مثال انبار داده آمازون، دیجی‌کالا) - قسمت دوم منتشر شده ۱۵ دقیقه
  • انبار داده ClickHouse (مثال انبار داده آمازون، دیجی‌کالا) - قسمت سوم منتشر شده ۱۰ دقیقه
  • انبار داده ClickHouse (مثال انبار داده آمازون، دیجی‌کالا) - قسمت چهارم منتشر شده ۱۷ دقیقه
  • انبار داده ClickHouse (مثال انبار داده آمازون، دیجی‌کالا) - قسمت پنجم منتشر شده ۱۶ دقیقه
  • انبار داده ClickHouse (مثال انبار داده آمازون، دیجی‌کالا) - قسمت ششم منتشر شده ۲۲ دقیقه
  • مقدمات داکر و نصب و اجرای نرم افزارها در داکر - قسمت اول منتشر شده ۱۸ دقیقه
  • مقدمات داکر و نصب و اجرای نرم افزارها در داکر - قسمت دوم منتشر شده ۲۹ دقیقه
  • مقدمات داکر و نصب و اجرای نرم افزارها در داکر - قسمت سوم منتشر شده ۲۸ دقیقه
  • RabbitMQ و نصب و اجرا با استفاده از داکر - قسمت اول منتشر شده ۹ دقیقه
  • RabbitMQ و نصب و اجرا با استفاده از داکر - قسمت دوم منتشر شده ۱۷ دقیقه
  • RabbitMQ و نصب و اجرا با استفاده از داکر - قسمت سوم منتشر شده ۳۱ دقیقه
  • RabbitMQ و نصب و اجرا با استفاده از داکر - قسمت چهارم منتشر شده ۱۳ دقیقه
  • Apache Kafka و نصب و اجرا با استفاده از داکر - قسمت اول منتشر شده ۱۳ دقیقه
  • Apache Kafka و نصب و اجرا با استفاده از داکر - قسمت دوم منتشر شده ۱۶ دقیقه
  • Apache Kafka و نصب و اجرا با استفاده از داکر - قسمت سوم منتشر شده ۲۸ دقیقه
  • Apache Kafka و نصب و اجرا با استفاده از داکر - قسمت چهارم منتشر شده ۲۷ دقیقه
  • Apache Kafka و نصب و اجرا با استفاده از داکر - قسمت پنجم منتشر شده ۲۴ دقیقه
  • Apache Kafka و نصب و اجرا با استفاده از داکر - قسمت ششم منتشر شده ۱۸ دقیقه
  • جمع بندی + نقشه‌ی ذهنی منتشر شده ۱۱ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت اول منتشر شده ۱۱ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت دوم منتشر شده ۱۲ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت سوم منتشر شده ۲۱ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت چهارم منتشر شده ۱۴ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت پنجم منتشر شده ۱۵ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت ششم منتشر شده ۱۱ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت هفتم منتشر شده ۲۳ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت هشتم منتشر شده ۲۷ دقیقه
  • پایگاه داده مبتنی بر گراف Neo4J (مثال داده‌های توییتر) - قسمت نهم منتشر شده ۱۴ دقیقه
  • جمع بندی + نقشه ذهنی منتشر شده ۵ دقیقه
  • تمرین پایانی فصل

اکوسیستم آپاچی هدوپ و پردازش Map Reduced

  • کدها و مجموعه داده‌های این بخش
  • در این بخش چه چیزی یاد می‌گیریم؟
  • آشنایی با Apache Hadoop (هدوپ) و معماری آن رایگان ۷ دقیقه
  • آشنایی با HDFS (فایل سیستم توزیع شده هدوپ) و معماری آن منتشر شده ۱۷ دقیقه
  • آشنایی با Map Reduce و معماری آن منتشر شده ۱۶ دقیقه
  • نصب و استفاده از هدوپ در داکر - قسمت اول منتشر شده ۲۰ دقیقه
  • نصب و استفاده از هدوپ در داکر - قسمت دوم منتشر شده ۲۸ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت اول منتشر شده ۲۵ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت دوم منتشر شده ۲۵ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت سوم منتشر شده ۲۱ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت چهارم منتشر شده ۱۶ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت پنجم منتشر شده ۲۲ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت ششم منتشر شده ۲۳ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت هفتم منتشر شده ۲۶ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت هشتم منتشر شده ۲۱ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت نهم منتشر شده ۲۹ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر جاوا بر بستر هدوپ - قسمت دهم منتشر شده ۳۹ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر پایتون و Streaming - قسمت اول منتشر شده ۸ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر پایتون و Streaming - قسمت دوم منتشر شده ۳۳ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر پایتون و Streaming - قسمت سوم منتشر شده ۹ دقیقه
  • ساخت یک برنامه Map Reduce مبتنی بر پایتون و Streaming - قسمت چهارم منتشر شده ۴۲ دقیقه

  • در این بخش چه چیزی یاد می‌گیریم؟
  • آپاچی پیگ (Pig) در اکوسیستم هدوپ (مثال داده‌های اوبر) - قسمت اول رایگان ۶ دقیقه
  • آپاچی پیگ (Pig) در اکوسیستم هدوپ (مثال داده‌های اوبر) - قسمت دوم منتشر شده ۳۶ دقیقه
  • آپاچی پیگ (Pig) در اکوسیستم هدوپ (مثال داده‌های اوبر) - قسمت سوم منتشر شده ۲۷ دقیقه
  • آپاچی پیگ (Pig) در اکوسیستم هدوپ (مثال داده‌های اوبر) - قسمت چهارم منتشر شده ۲۴ دقیقه
  • آپاچی پیگ (Pig) در اکوسیستم هدوپ (مثال داده‌های اوبر) - قسمت پنجم منتشر شده ۳۲ دقیقه
  • آپاچی هایو (Hive) در اکوسیستم هدوپ (مثال سیستم شبکه شتاب) - قسمت اول منتشر شده ۷ دقیقه
  • آپاچی هایو (Hive) در اکوسیستم هدوپ (مثال سیستم شبکه شتاب) - قسمت دوم منتشر شده ۱۲ دقیقه
  • آپاچی هایو (Hive) در اکوسیستم هدوپ (مثال سیستم شبکه شتاب) - قسمت سوم منتشر شده ۱۸ دقیقه
  • آپاچی هایو (Hive) در اکوسیستم هدوپ (مثال سیستم شبکه شتاب) - قسمت چهارم منتشر شده ۳۲ دقیقه
  • آپاچی هایو (Hive) در اکوسیستم هدوپ (مثال سیستم شبکه شتاب) - قسمت پنجم منتشر شده ۹ دقیقه
  • پایگاه داده آپاچی HBase مبتنی بر Hadoop - قسمت اول منتشر شده ۲۰ دقیقه
  • پایگاه داده آپاچی HBase مبتنی بر Hadoop - قسمت دوم منتشر شده ۲۱ دقیقه
  • پایگاه داده آپاچی HBase مبتنی بر Hadoop - قسمت سوم منتشر شده ۸ دقیقه
  • پایگاه داده آپاچی HBase مبتنی بر Hadoop - قسمت چهارم منتشر شده ۱۰ دقیقه
  • آپاچی Mahout و یادگیری ماشین در هدوپ - قسمت اول منتشر شده ۸ دقیقه
  • آپاچی Mahout و یادگیری ماشین در هدوپ - قسمت دوم منتشر شده ۱۴ دقیقه
  • آپاچی Sqoop در اکوسیستم هدوپ - قسمت اول منتشر شده ۶ دقیقه
  • آپاچی Sqoop در اکوسیستم هدوپ - قسمت دوم منتشر شده ۲۴ دقیقه
  • آپاچی Sqoop در اکوسیستم هدوپ - قسمت سوم منتشر شده ۱۸ دقیقه
  • جمع بندی + نقشه ذهنی منتشر شده ۹ دقیقه
  • تمرین پایانی فصل

اکوسیستم آپاچی اسپارک

  • کدها و مجموعه داده‌های این بخش
  • در این بخش چه چیز یاد می‌گیریم؟
  • آشنایی با آپاچی اسپارک (Spark) و تفاوت آن با هدوپ (Hadoop) - قسمت اول رایگان ۱۷ دقیقه
  • آشنایی با آپاچی اسپارک (Spark) و تفاوت آن با هدوپ (Hadoop) - قسمت دوم منتشر شده ۹ دقیقه
  • آشنایی با زبان Scala - قسمت اول منتشر شده ۱۳ دقیقه
  • آشنایی با زبان Scala - قسمت دوم منتشر شده ۱۵ دقیقه
  • آشنایی با زبان Scala - قسمت سوم منتشر شده ۸ دقیقه
  • مفاهیم مقدماتی اسپارک بر بستر داکر (مثال داده‌های AirBNB) - قسمت اول منتشر شده ۱۴ دقیقه
  • مفاهیم مقدماتی اسپارک بر بستر داکر (مثال داده‌های AirBNB) - قسمت دوم منتشر شده ۱۵ دقیقه
  • مفاهیم مقدماتی اسپارک بر بستر داکر (مثال داده‌های AirBNB) - قسمت سوم منتشر شده ۱۸ دقیقه
  • مفاهیم مقدماتی اسپارک بر بستر داکر (مثال داده‌های AirBNB) - قسمت چهارم منتشر شده ۲۷ دقیقه
  • مفاهیم مقدماتی اسپارک بر بستر داکر (مثال داده‌های AirBNB) - قسمت پنجم منتشر شده ۲۰ دقیقه
  • پایتون و اسپارک (PySpark) (مثال داده‌های MovieLens و بازار سهام) - قسمت اول منتشر شده ۱۹ دقیقه
  • پایتون و اسپارک (PySpark) (مثال داده‌های MovieLens و بازار سهام) - قسمت دوم منتشر شده ۲۷ دقیقه
  • پایتون و اسپارک (PySpark) (مثال داده‌های MovieLens و بازار سهام) - قسمت سوم منتشر شده ۱۸ دقیقه
  • اسپارک و SQL (مثال داده‌های بیماری قلبی) - قسمت اول منتشر شده ۱۹ دقیقه
  • اسپارک و SQL (مثال داده‌های بیماری قلبی) - قسمت دوم منتشر شده ۲۷ دقیقه
  • ارتباط اسپارک و HDFS هدوپ منتشر شده ۱۶ دقیقه
  • پروژه مشتری‌های هایپرمارکت با پایتون و آپاچی اسپارک - قسمت اول منتشر شده ۲۲ دقیقه
  • پروژه مشتری‌های هایپرمارکت با پایتون و آپاچی اسپارک - قسمت دوم منتشر شده ۱۶ دقیقه
  • بررسی نصب آپاچی اسپارک در داکر منتشر شده ۱۱ دقیقه

  • در این بخش چه چیز یاد می‌گیریم؟
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت اول رایگان ۱۲ دقیقه
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت دوم منتشر شده ۲۱ دقیقه
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت سوم منتشر شده ۱۴ دقیقه
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت چهارم منتشر شده ۱۰ دقیقه
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت پنجم منتشر شده ۱۹ دقیقه
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت ششم منتشر شده ۱۵ دقیقه
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت هفتم منتشر شده ۱۴ دقیقه
  • یادگیری ماشین در اسپارک (Spark MLib) (مثال داده‌های خط تولید و فروش محصولات) - قسمت هشتم منتشر شده ۱۶ دقیقه
  • پردازش جریان داده‌ها در اسپارک (Spark Streaming) (مثال لاگ کاربران وب‌سایت) - قسمت اول منتشر شده ۱۱ دقیقه
  • پردازش جریان داده‌ها در اسپارک (Spark Streaming) (مثال لاگ کاربران وب‌سایت) - قسمت دوم منتشر شده ۲۴ دقیقه
  • پردازش جریان داده‌ها در اسپارک (Spark Streaming) (مثال لاگ کاربران وب‌سایت) - قسمت سوم منتشر شده ۲۴ دقیقه
  • پردازش جریان داده‌ها در اسپارک (Spark Streaming) (مثال لاگ کاربران وب‌سایت) - قسمت چهارم منتشر شده ۱۸ دقیقه
  • ترکیب آپاچی اسپارک و آپاچی کافکا برای پردازش جریان داده‌ها منتشر شده ۲۰ دقیقه
  • ترکیب آپاچی اسپارک و Mongo برای پردازش داده‌ها منتشر شده ۱۵ دقیقه
  • آپاچی اسپارک گراف (GraphX) منتشر شده ۲۷ دقیقه
  • تمرین پایانی فصل

از چه کسی یاد میگیری؟

تصویر مسعود کاویانی

مسعود کاویانی

متخصص علم داده و یادگیری ماشین (آپارت، فیلیمو، صباویژن)

  • دانشمند ارشد داده در صباایده (آپارت، فیلیمو، صباویژن)
  • مهندس داده زیرساخت ذخیره‌سازی ابری پارس‌پک
  • مدرس پایتون، یادگیری ماشین و علم داده در جهاد دانشگاهی صنعتی شریف، دانشگاه شهید رجایی، دانشگاه خواجه نصیر و شهرک تحقیقاتی صنعتی اصفهان
  • مشاور داده کاوی در داروسازی دکتر عبیدی، نیروی انتظامی تهران بزرگ و بیمه سامان
  • مدیر واحد داده‌کاوی در پرتوتک سامانه (وب‌سایت هوشمند خبرفارسی) 
  • بنیان‌گذار پروژه‌ی آموزشی چیستیو (سامانه chistio.ir)
  • دارنده‌ی مدال کارآفرینی از کمپانی گوگل و کاربر برتر ماه در بخش داده‌کاوی سایت StackOverFlow
  • برنامه‌نویس ارشد شرکت فناوری اطلاعات ثانیه (مجری پروژه‌های هوشمندسازی راه‌آهن جمهوری اسلامی ایران، سامانه برنامه‌ریزی هوشمند دانشگاهی ترنج و سازمان بنادر کل کشور)
  • برنامه نویس پایتون - پی‌اچ‌پی در شرکت جویشگر پردیس ارم (سامانه جویشگر)
  • مدیر فنی و برنامه نویسی در شرکت پدیده تجارت و هم‌بنیان‌گذار استارتاپ بازآرتچه

رزومه و نمونه تدریس

منتورهای دوره دوستان زیر منتور دوره متخصص مهندسی داده و بیگ دیتا هستند و در طول دوره به سوالات شما پاسخ میدن و همراهتون هستند.

همین الان ثبت نام کن

جشنواره نوروزی سون لرن
۱.۸۱۷ میلیون تومان تخفیف ویژه به مدت محدود
۷.۹ میلیون تومان
۶.۰۸۳ میلیون تومان
اقساطی در ۴قسط ( به صورت ماهانه)
پرداخت ۴ قسط ۱.۹۷۵ میلیون تومانی ، به صورت ماهانه (مجموعا ۷.۹ میلیون تومان)
مبلغ قسط اول
۱.۹۷۵ میلیون تومان

نیاز به مشاوره تخصصی دارید؟

ثبت درخواست مشاوره رایگان:
متخصص مهندسی داده و بیگ دیتا دسترسی سریع به جمع متخصصین بپیوندید ...
نقدی/اقساطی ثبت نام میکنم