آموزش جامع مبانی زبان پایتون

در این کورس آموزشی مبانی کدنویسی به زبان پایتون را یاد گرفته و همراه با مدرس دوره در پروژه های واقعی تجربه و تمرین خواهید کرد.

عنوان اصلی : Python Fundamentals

سرفصل ها :

مقدمه ای بر اصول پایتون: قسمت 1
نمای کلی درس
دریافت کد
ساختار پوشه نمونه ها
نصب آناکوندا
به روز رسانی آناکوندا
مدیران بسته
نصب jupyter-matplotlib
حساب توسعه دهنده توییتر
دریافت پاسخ سوالات شما
نمای کلی درس
استفاده از حالت تعاملی IPython به عنوان یک ماشین حساب
اجرای برنامه پایتون با استفاده از مفسر IPython
نوشتن و اجرای کد در یک نوت بوک Jupyter
نمای کلی درس
متغیرها و بیانیه های تکلیف
بررسی خود
حسابی
بررسی خود
چاپ تابع و مقدمه ای برای رشته های تک و دو نقل قول
بررسی خود
رشته های سه گانه
بررسی خود
دریافت ورودی از کاربر
بررسی خود
تصمیم گیری: بیانیه if و مقایسه اپراتورها
بررسی خود
اشیاء و تایپ پویا
بررسی خود
مقدمه ای بر علم داده: آمار توصیفی پایه
بررسی خود
نمای کلی درس
اگر بیانیه
بررسی خود
اگر...دیگر و اگر...الف...دیگر بیانیه ها
بررسی خود
در حالی که بیانیه
00:01:18
برای بیانیه؛ تکرار شونده ها، لیست ها و تکرار کننده ها. عملکرد محدوده داخلی
بررسی خود
تکالیف افزوده شده
بررسی خود
تکرار با توالی کنترل شده
بررسی خود
تکرار کنترل شده توسط نگهبان
محدوده عملکرد داخلی: نگاهی عمیق تر
بررسی خود
استفاده از نوع اعشاری برای مبالغ پولی
بررسی خود
شکستن و ادامه بیانیه ها
عملگرهای بولی و، یا و نه
بررسی خود
مقدمه ای بر علم داده: معیارهای گرایش مرکزی - میانگین، میانه و حالت
بررسی خود
نمای کلی درس
تعریف توابع
بررسی خود
توابع با پارامترهای متعدد
بررسی خود
تولید اعداد تصادفی
بررسی خود
مطالعه موردی: بازی شانس
بررسی خود
توابع ماژول ریاضی
مقادیر پارامترهای پیش فرض
آرگومان های کلیدواژه
فهرست های استدلال دلخواه
بررسی خود
روش ها: توابعی که به اشیا تعلق دارند
قوانین محدوده
واردات: نگاهی عمیق تر
بررسی خود
انتقال استدلال به توابع: نگاهی عمیق تر
بررسی خود
برنامه نویسی به سبک عملکردی
مقدمه ای بر علم داده: اندازه گیری های پراکندگی
مقدمه ای بر اصول پایتون: قسمت 2
درس 05: دنباله ها: لیست ها و تاپل ها
نمای کلی درس
لیست ها
بررسی خود
تاپل ها
بررسی خود
توالی باز کردن بسته بندی
ایجاد نمودار میله ای اولیه
بررسی خود
برش دنباله قسمت 1: دریافت زیرمجموعه ای از یک دنباله
برش دنباله ای قسمت 2: اصلاح فهرست
بررسی خود
بیانیه دل
بررسی خود
ارسال لیست به توابع
مرتب سازی لیست ها
بررسی خود
جستجوی دنباله ها
بررسی خود
سایر روش های فهرست
بررسی خود
شبیه سازی پشته ها با لیست ها
فهرست درک
بررسی خود
عبارات ژنراتور
بررسی خود
فیلتر، نقشه و کاهش
بررسی خود
سایر توابع پردازش توالی
بررسی خود
لیست های دو بعدی
بررسی خود
مقدمه ای بر علم داده: شبیه سازی و تجسم های ایستا
نمودارهای نمونه برای 600، 60000 و 6000000 دای رول
تجسم فرکانس ها و درصدهای دای رول -- قسمت 1
تجسم فرکانس ها و درصدهای دای رول -- قسمت 2
تجسم فرکانس ها و درصدهای دای رول -- قسمت 3
تجسم فرکانس ها و درصدهای دای رول -- قسمت 4
نمای کلی درس
لغت نامه ها
ایجاد دیکشنری
بررسی خود
تکرار از طریق دیکشنری
عملیات دیکشنری پایه
بررسی خود
کلیدها و مقادیر روش‌های فرهنگ لغت
بررسی خود
مقایسه فرهنگ لغت
مثال: فرهنگ لغت نمرات دانش آموزان
مثال: تعداد کلمات
مجموعه‌های ماژول کتابخانه استاندارد پایتون
بررسی خود
به روز رسانی دیکشنری متد
درک فرهنگ لغت
بررسی خود
مجموعه ها
بررسی خود
مقایسه مجموعه ها
بررسی خود
عملیات مجموعه ریاضی
بررسی خود
اپراتورها و متدهای مجموعه قابل تغییر
مفاهیم را تنظیم کنید
مقدمه‌ای بر علم داده: تجسم‌های پویا -- نحوه عملکرد تجسم پویا
مقدمه ای بر علم داده: تجسم های پویا -- پیاده سازی تجسم پویا، قسمت 1
درس 07: برنامه نویسی آرایه گرا با NumPy
ایجاد آرایه از داده های موجود
بررسی خود
صفات آرایه
بررسی خود
پر کردن آرایه ها با مقادیر خاص
ایجاد آرایه از Ranges
بررسی خود
عملکرد فهرست در مقابل آرایه: معرفی %timeit
بررسی خود
اپراتورهای آرایه
بررسی خود
روش های محاسبه NumPy
بررسی خود
توابع جهانی
بررسی خود
نمایه سازی و برش
بررسی خود
نمایش ها: کپی های کم عمق
کپی های عمیق
تغییر شکل و جابجایی: تغییر شکل در مقابل تغییر اندازه
تغییر شکل و جابجایی: مسطح در مقابل راول
تغییر شکل و جابجایی: جابجایی سطرها و ستون ها
تغییر شکل و جابجایی: انباشته شدن افقی و عمودی
بررسی خود
مقدمه ای بر علم داده: سری پانداها و دیتا فریم ها
مقدمه ای بر علم داده: سری پانداها و قاب های داده--سری پانداها قسمت 1
مقدمه ای بر علم داده: سری پانداها و قاب های داده--سری پانداها قسمت 2
بررسی خود
مقدمه ای بر علم داده: سری پانداها و قاب های داده--ایجاد قاب های داده و سفارشی کردن شاخص ها
مقدمه ای بر علم داده: سری پانداها و قاب های داده--دسترسی به ستون های DataFrame
مقدمه ای بر علم داده: سری پانداها و قاب های داده--انتخاب ردیف ها از طریق ویژگی های loc و iloc
مقدمه ای بر علم داده: سری pandas و DataFrames--انتخاب ردیف ها از طریق برش ها و لیست ها با ویژگی های loc و iloc
مقدمه ای بر علم داده: سری پانداها و قاب های داده--انتخاب زیرمجموعه های سطرها و ستون ها
مقدمه ای بر علم داده: سری پانداها و قاب های داده -- نمایه سازی بولی
مقدمه‌ای بر علم داده: سری پانداها و قاب‌های داده--دسترسی به سلول‌های DataFrame خاص با ردیف و ستون
مقدمه ای بر علم داده: سری پانداها و قاب های داده -- آمار توصیفی
مقدمه ای بر علم داده: سری پانداها و قاب های داده--انتقال DataFrame با ویژگی T
مقدمه ای بر علم داده: سری پانداها و قاب های داده--مرتب سازی بر اساس شاخص ها
مقدمه ای بر علم داده: سری پانداها و قاب های داده--مرتب سازی بر اساس مقادیر ستون
بررسی خود
00:03:
مقدمه ای بر اصول پایتون: قسمت 3
نمای کلی درس
قالب بندی رشته ها -- انواع ارائه
بررسی خود
قالب بندی رشته ها--عرض و تراز فیلد
بررسی خود
قالب بندی رشته ها -- قالب بندی عددی
بررسی خود
قالب بندی رشته ها -- روش قالب بندی رشته
بررسی خود
الحاق و تکرار رشته ها
بررسی خود
حذف فضای خالی از رشته ها
بررسی خود
تغییر حالت شخصیت
بررسی خود
مقایسه عملگرها برای رشته ها
جستجو برای زیر رشته ها
00:05:
بررسی خود
جایگزینی رشته های فرعی
بررسی خود
تقسیم و اتصال رشته ها
بررسی خود
00:03:
شخصیت ها و روش های تست شخصیت
رشته های خام
مقدمه ای بر عبارات با قاعده
تطبیق کامل ماژول و عملکرد قسمت 1 -- تطبیق نویسه های تحت اللفظی
تطبیق کامل ماژول و تابع قسمت 2--متاکاراکترها، کلاس‌های کاراکتر و کمی‌سازها
تطبیق کامل ماژول و عملکرد قسمت 3--کلاس های کاراکتر سفارشی
تطبیق کامل ماژول و تابع قسمت 1--کمیت کننده ها
بررسی خود
جایگزینی رشته های فرعی و تقسیم رشته ها
بررسی خود
سایر توابع جستجو؛ دسترسی به مسابقات -- جستجوی تابع: یافتن اولین تطابق در هر نقطه از یک رشته
سایر توابع جستجو؛ دسترسی به موارد منطبق - نادیده گرفتن حروف کوچک با پرچم‌های اختیاری Argument کلمه کلیدی
سایر توابع جستجو؛ دسترسی به موارد منطبق -- متا کاراکترهایی که مسابقات را به ابتدا یا انتهای یک رشته محدود می کنند
سایر توابع جستجو؛ دسترسی به مسابقات -- توابع findall و finditer: یافتن همه موارد منطبق در یک رشته
سایر توابع جستجو؛ دسترسی به مسابقات -- گرفتن زیر رشته ها در یک مسابقه
بررسی خود
مقدمه‌ای بر علم داده: پانداها، عبارات با قاعده و داده‌های مانگینگ قسمت 1: مقدمه
مقدمه ای بر علم داده: پانداها، عبارات با قاعده و مانگینگ داده قسمت 3: اعتبارسنجی داده ها
مقدمه ای بر علم داده: پانداها، عبارات با قاعده و داده های مانگینگ قسمت 4: قالب بندی مجدد داده های شما
بررسی خود
نمای کلی درس
فایل ها
پردازش فایل متنی -- نوشتن در یک فایل متنی: معرفی عبارت with
بررسی خود
پردازش فایل متنی -- خواندن داده ها از یک فایل متنی
بررسی خود
به روز رسانی فایل های متنی
بررسی خود
سریال سازی با فرمت داده JSON--JSON
سریال سازی با JSON--سریال کردن یک شی به JSON
سریال سازی با JSON--آسیاب زدایی یک شی JSON در پایتون
سریال سازی با JSON--نمایش متن JSON
بررسی خود
حالت های باز کردن فایل
رسیدگی به استثناها
تقسیم بر صفر و ورودی نامعتبر
بیانیه ها را امتحان کنید
بررسی خود
در نهایت بند
بررسی خود
صراحتاً ایجاد استثنا
Stack Unwinding و Tracebacks
مقدمه ای بر علم داده: کار با فایل های CSV -- ماژول کتابخانه استاندارد پایتون csv
بررسی خود
مقدمه ای بر علم داده: کار با فایل های CSV--خواندن فایل های CSV در دیتا فریم های پاندا
مقدمه ای بر علم داده: کار با فایل های CSV -- خواندن مجموعه داده های فاجعه تایتانیک
مقدمه ای بر علم داده: کار با فایل های CSV - تجزیه و تحلیل داده های ساده با مجموعه داده فاجعه تایتانیک
مقدمه ای بر علم داده: کار با فایل های CSV--هیستوگرام سن مسافر
مقدمه ای بر اصول پایتون: قسمت 4
نمای کلی درس
حساب کلاس سفارشی -- حساب کلاس رانندگی آزمایشی
حساب کلاس سفارشی -- تعریف کلاس حساب
بررسی خود
کنترل دسترسی به ویژگی ها
ویژگی‌های دسترسی به داده - زمان کلاس رانندگی آزمایشی
ویژگی های دسترسی به داده - تعریف زمان کلاس
بررسی خود
ویژگی‌های دسترسی به داده - یادداشت‌های تعریف زمان کلاس
شبیه سازی ویژگی های "خصوصی".
مطالعه موردی: درهم‌رفتن کارت و شبیه‌سازی برخورد - آزمون کلاس‌های رانندگی کارت و کارت‌های کارت
مطالعه موردی: درهم‌رفتن کارت و شبیه‌سازی معامله - کارت کلاس و مقدمه‌ای بر ویژگی‌های کلاس
مطالعه موردی: درهم‌رفتن کارت و شبیه‌سازی معامله - کلاس DeckOfCards
مطالعه موردی: درهم‌رفتن کارت و شبیه‌سازی برخورد--نمایش تصاویر کارت با Matplotlib
بررسی خود
وراثت: کلاس های پایه و زیر کلاس ها
ایجاد یک سلسله مراتب وراثت و معرفی چند شکلی--کارمند کمیسیون کلاس پایه
ایجاد یک سلسله مراتب وراثت و معرفی چند شکلی--کارمند کمیسیون حقوق و دستمزد زیر طبقه
ایجاد سلسله مراتب وراثت و معرفی چند شکلی -- پردازش کارکنان کمیسیون و کارکنان کمیسیون حقوق و دستمزد به صورت چند شکلی
تایپ اردک و چند شکلی
بارگذاری بیش از حد اپراتور
مجتمع کلاسی تست رانندگی
تعریف مجتمع کلاسی
بررسی خود
به نام تاپلز
معرفی مختصری از کلاس های داده جدید پایتون 3.7
معرفی مختصری بر کلاس های داده جدید پایتون 3.7 - ایجاد کلاس داده کارت
معرفی مختصری بر کلاس‌های داده جدید پایتون 3.7 - با استفاده از کلاس داده کارت
بررسی خود
معرفی مختصری بر کلاس‌های داده جدید پایتون 3.7 - مزیت‌ها نسبت به تاپل‌های نام‌گذاری شده و کلاس‌های سنتی
تست واحد با Docstrings و doctest
بررسی خود
فضاهای نام و محدوده
مقدمه ای بر علم داده: سری های زمانی و رگرسیون خطی ساده - مقدمه
مقدمه ای بر علم داده: سری های زمانی و رگرسیون خطی ساده - مؤلفه های محاسبه رگرسیون خطی ساده
مقدمه ای بر علم داده: سری های زمانی و رگرسیون خطی ساده - بارگیری میانگین دمای بالا در یک DataFrame
مقدمه ای بر علم داده: سری های زمانی و رگرسیون خطی ساده - پاکسازی داده ها
مقدمه ای بر علم داده: سری های زمانی و رگرسیون خطی ساده - محاسبه آمار توصیفی پایه برای مجموعه داده
مقدمه‌ای بر علم داده: سری‌های زمانی و رگرسیون خطی ساده--پیش‌بینی میانگین دمای بالای ژانویه آینده
مقدمه ای بر علم داده: سری های زمانی و رگرسیون خطی ساده - ترسیم میانگین دماهای بالا و یک خط رگرسیون
نمای کلی درس
معرفی
TextBlob
یک TextBlob ایجاد کنید
تبدیل متن به جملات و کلمات
برچسب‌گذاری بخش‌های گفتار
استخراج عبارات اسمی
تجزیه و تحلیل احساسات با تحلیلگر احساسات پیش فرض TextBlob
تجزیه و تحلیل احساسات با NaiveBayesAnalyzer
تشخیص زبان و ترجمه
عطف: کثرت و تکینگی
بررسی املا و تصحیح
عادی سازی: ریشه زایی و لماتیزه شدن
فرکانس های کلمه
دریافت تعاریف، مترادف ها و متضادها از WordNet
حذف استاپ ورد
n-گرم
تجسم فرکانس های کلمه با پانداها
تجسم فرکانس های کلمه با ابرهای ورد
ارزیابی خوانایی با Textatistic
به نام Entity Recognition با spaCy
تشخیص شباهت با spaCy
نمای کلی درس
معرفی
مروری بر API های توییتر
ایجاد یک حساب توسعه دهنده توییتر
دریافت اعتبار توییتر--ایجاد یک برنامه
در یک توییت چیست؟
توییپی
احراز هویت با توییتر از طریق Tweepy
دریافت اطلاعات درباره حساب توییتر
بررسی خود
مقدمه ای بر مکان نماهای Tweepy: دریافت فالوورها و دوستان یک حساب کاربری
تعیین فالوورهای یک حساب کاربری
بررسی خود
تعیین اینکه یک حساب چه کسی را دنبال می کند
دریافت توییت های اخیر یک کاربر
بررسی خود
جستجوی توییت های اخیر
بررسی خود
Spotting Trends: Twitter Trends API
مکان هایی با موضوعات پرطرفدار
دریافت لیستی از موضوعات پرطرفدار
بررسی خود
یک ابر کلمه از موضوعات پرطرفدار ایجاد کنید
بررسی خود
تمیز کردن/پیش پردازش توییت ها برای تجزیه و تحلیل
Twitter Streaming API
ایجاد یک زیر کلاس از StreamListener
شروع پردازش جریان
توجه محدودیت های توییتر
تحلیل احساسات توییت
ژئوکدینگ و نقشه برداری
دریافت و نقشه برداری از توییت ها
توابع ابزار در tweetutilities.py و Class LocationListener
نمای کلی درس
مقدمه ای بر واتسون
حساب ابری آی‌بی‌ام و کنسول ابری
خدمات Watson: دمو دستیار Watson
خدمات واتسون: تشخیص بصری
خدمات واتسون: گفتار به متن
خدمات واتسون: متن به گفتار
خدمات واتسون: مترجم زبان
خدمات واتسون: درک زبان طبیعی
خدمات واتسون: بینش شخصیت
خدمات و ابزار اضافی
Watson Developer Cloud Python SDK
مطالعه موردی: اپلیکیشن ترجمه همراه مسافر
قبل از اجرای برنامه
قبل از اجرای برنامه: ثبت نام برای سرویس گفتار به متن
قبل از اجرای برنامه: ثبت نام برای سرویس متن به گفتار
قبل از اجرای برنامه: ثبت نام برای سرویس مترجم زبان
تست رانندگی برنامه
بررسی اسکریپت SimpleLanguageTranslator.py
بررسی اسکریپت SimpleLanguageTranslator.py: وارد کردن کلاس‌های Watson SDK از ماژول ibm_watson
مرور اسکریپت SimpleLanguageTranslator.py: سایر ماژول های وارداتی
مرور اسکریپت SimpleLanguageTranslator.py: برنامه اصلی: تابع run_translator
SimpleLanguageTranslator.py بررسی اسکریپت: تابع speech_to_text
SimpleLanguageTranslator.py بررسی اسکریپت: ترجمه تابع
SimpleLanguageTranslator.py بررسی اسکریپت: تابع text_to_speech
SimpleLanguageTranslator.py بررسی اسکریپت: تابع record_audio
SimpleLanguageTranslator.py بررسی اسکریپت: تابع play_audio
منابع واتسون
نمای کلی درس
مقدمه ای بر یادگیری ماشین
مطالعه موردی: طبقه‌بندی با k-نزدیک‌ترین همسایگان و مجموعه داده‌های رقم، بخش 1
k-الگوریتم نزدیکترین همسایگان
k-نزدیکترین همسایگان الگوریتم: فراپارامترها و تنظیم فراپارامتر
در حال بارگیری مجموعه داده
بارگذاری مجموعه داده: نمایش توضیحات
بارگیری مجموعه داده: بررسی اندازه نمونه و هدف
بارگیری مجموعه داده: یک تصویر رقمی نمونه
بارگیری مجموعه داده: آماده سازی داده ها برای استفاده با Scikit-Learn
تجسم داده ها
تقسیم داده ها برای آموزش و آزمایش
ایجاد مدل
آموزش مدل
پیش بینی کلاس های رقمی
مطالعه موردی: طبقه‌بندی با k-نزدیک‌ترین همسایگان و مجموعه داده‌های رقم، قسمت 2
معیارهای دقت مدل: امتیاز روش برآوردگر
معیارهای دقت مدل: ماتریس سردرگمی
معیارهای دقت مدل: گزارش طبقه بندی
معیارهای دقت مدل: تجسم ماتریس سردرگمی
K-Fold Cross-Validation
اجرای چندین مدل برای یافتن بهترین
تنظیم فراپارامتر
مطالعه موردی: سری زمانی و رگرسیون خطی ساده
بارگیری میانگین دمای بالا در یک DataFrame
تقسیم داده ها برای آموزش و آزمایش
آموزش مدل
تست مدل
پیش بینی دماهای آینده و تخمین دماهای گذشته
تجسم مجموعه داده با خط رگرسیون
بیش از حد برازش / کم تناسب
مطالعه موردی: رگرسیون خطی چندگانه با مجموعه داده مسکن کالیفرنیا
در حال بارگیری مجموعه داده
کاوش داده ها با پانداها
تجسم ویژگی ها
تقسیم داده ها برای آموزش و آزمایش
آموزش مدل
تست مدل
تجسم قیمت های مورد انتظار در مقابل قیمت های پیش بینی شده
معیارهای مدل رگرسیون
انتخاب بهترین مدل
مطالعه موردی: یادگیری ماشینی بدون نظارت، بخش 1--کاهش ابعاد
در حال بارگیری مجموعه داده اعداد
ایجاد یک برآوردگر TSNE برای کاهش ابعاد
تبدیل ویژگی های مجموعه داده رقمی به دو بعدی
تجسم داده های کاهش یافته
تجسم داده های کاهش یافته با رنگ های مختلف برای هر رقم
تجسم داده های کاهش یافته به صورت سه بعدی
مطالعه موردی: یادگیری ماشینی بدون نظارت، بخش 2--k-خوشه بندی ابزار
در حال بارگیری مجموعه داده Iris
کاوش در مجموعه داده عنبیه: آمار توصیفی با پانداها
تجسم مجموعه داده با نمودار زوجی Seaborn
با استفاده از برآوردگر KMeans
کاهش ابعاد با تحلیل مولفه اصلی
انتخاب بهترین تخمینگر خوشه بندی
نمای کلی درس
معرفی
برنامه های کاربردی یادگیری عمیق
دموهای یادگیری عمیق
منابع کراس
مجموعه داده های داخلی Keras
محیط های سفارشی آناکوندا
شبکه های عصبی
تانسورها
شبکه های عصبی کانولوشن برای چشم انداز; چند طبقه بندی با مجموعه داده MNIST
تکرارپذیری در Keras و یادگیری عمیق
شبکه عصبی پایه Keras
در حال بارگیری مجموعه داده MNIST
کاوش داده ها
تجسم ارقام
تغییر شکل داده های تصویر
عادی سازی داده های تصویر
رمزگذاری تک داغ: تبدیل برچسب ها از اعداد صحیح به داده های طبقه بندی شده
ایجاد شبکه عصبی
افزودن لایه ها به شبکه
پیچیدگی
افزودن یک لایه Convolution Conv2D به مدل ما
ابعاد خروجی لایه پیچ اول
بیش از حد برازش
افزودن یک لایه ادغام
افزودن یک لایه کانولوشنال و لایه ادغام
صاف کردن نتایج به یک بعدی با یک لایه صاف Keras
افزودن یک لایه متراکم برای کاهش تعداد ویژگی ها
افزودن یک لایه متراکم دیگر برای تولید خروجی نهایی
چاپ خلاصه مدل
تجسم ساختار یک مدل
تدوین مدل
آموزش و ارزیابی مدل
ارزیابی مدل بر روی داده های دیده نشده
پیشگویی
تعیین مکان پیش بینی های نادرست
تجسم پیش بینی های نادرست
نمایش احتمالات برای چندین پیش بینی نادرست
ذخیره و بارگذاری یک مدل
تجسم آموزش شبکه عصبی با TensorBoard
ConvnetJS: آموزش و تجسم یادگیری عمیق مبتنی بر مرورگر
شبکه های عصبی مکرر برای دنباله ها. تجزیه و تحلیل احساسات با مجموعه داده های IMDb
در حال بارگیری مجموعه داده بررسی فیلم های IMDb
کاوش داده ها
رمزگذاری نقد و بررسی فیلم و رمزگشایی یک نقد
آماده سازی داده ها
00:05:
ایجاد شبکه عصبی
افزودن یک لایه جاسازی
افزودن یک لایه LSTM
افزودن یک لایه خروجی متراکم
کامپایل مدل و نمایش خلاصه
آموزش و ارزیابی مدل (1 از 2)
آموزش و ارزیابی مدل (2 از 2)
تنظیم مدل های یادگیری عمیق
نمای کلی درس
مقدمه -- پایگاه های داده
مقدمه--Apache Hadoop و Apache Spark
مقدمه--اینترنت اشیا
مقدمه--نرم افزار کلان داده های ابری و دسکتاپ را تجربه کنید
مقدمه--منابع کلان داده
پایگاه های داده رابطه ای و زبان پرس و جوی ساختاریافته (SQL)
بانک اطلاعات کتاب
پرس و جوها را انتخاب کنید
بند WHERE
ترتیب بر اساس بند
ادغام داده ها از چندین جدول: NJOIN داخلی
در بیانیه درج کنید
به روز رسانی بیانیه
حذف از بیانیه
پایگاه‌های داده کلان NoSQL و NewSQL: یک تور مختصر
پایگاه‌های داده کلیدی-مقدار NoSQL
پایگاه های داده اسناد NoSQL
پایگاه های داده ستونی NoSQL
پایگاه های داده گراف NoSQL
پایگاه های داده NewSQL
مطالعه موردی: پایگاه داده اسناد MongoDB JSON
ایجاد خوشه Atlas MongoDB
پخش توییت ها در MongoDB
هادوپ
بررسی اجمالی Hadoop
خلاصه کردن طول کلمات در رومئو و ژولیت از طریق MapReduce
ایجاد یک Apache Hadoop Cluster در Microsoft Azure HDInsight: قسمت 1
ایجاد یک Apache Hadoop Cluster در Microsoft Azure HDInsight: قسمت 2
Hadoop Streaming
پیاده سازی Mapper
پیاده سازی Reducer
در حال آماده شدن برای اجرای مثال MapReduce
اجرای کار MapReduce
مروری بر جرقه
Docker and Jupyter Docker Stacks
تعداد کلمات با اسپارک
Spark Word Count در Microsoft Azure
Spark Streaming: شمارش هشتگ های توییتر با استفاده از pysparknotebook Docker Stack
پخش جریانی توییت ها به سوکت
جمع بندی هشتگ های توییت; معرفی Spark SQL
اینترنت اشیا و داشبورد
انتشار و اشتراک
تجسم یک جریان زنده نمونه PubNub با داشبورد Freeboard
شبیه سازی ترموستات متصل به اینترنت در پایتون و ایجاد داشبورد در Freeboard.io
ایجاد یک مشترک Python PubNub