• دانشجویان و فارغ التحصیلان رشته های مهندسی و علوم کامپیوتر
• افرادی که حوزه کاری و تحقیقاتی آن ها یادگیری ماشین می باشد
• افراد علاقمند به هوش مصنوعی و یادگیری ماشین

• درک مفاهیم مرتبط با یادگیری ماشین.
• درک انواع مدل ها و الگوریتم های مورد استفاده در یادگیری ماشین.
• طراحی، انتخاب، و تنظیم مدل ها و الگوریتم های یادگیری ماشین برروی داده های مختلف.
• عیب یابی مدل های یادگیری ماشین.
• تحلیل و ساخت کاربرد های مختلف دنیای واقعی در حوزه یادگیری ماشین.

• Machine Learning Basic Concepts
• Supervised Learning
  • Basic Concepts
  • Linear Regression
  • Logistic Regression
  • Bayesian Decision Theory
  • Support Vector Machines
  • Decision Trees
  • Neural Networks
  • Lazy Learning
• Model Selection & Evaluation
• Ensemble Methods
• Learning Theory
• Dimensionality Reduction
  • Curse of Dimensionality
  • Feature Selection
  • Feature Generation
• Unsupervised Learning
  • Clustering Basic Concepts
  • K-Means Clustering
  • Spectral Clustering
  • Hierarchical Clustering
• Reinforcement Learning
  • Basic Concepts
  • Problem Formulation
  • Planning Algorithms
  • Learning Algorithms
• Deep Learning
  • Introduction to Deep Learning
  • Architecture Design
  • Training Challenges
  • Well-known architectures

• علاقه مندان به مباحث Big Data
• دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
• علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده

آشنایی با مفاهیم و راه‌حل‌های موجود در دنیای کلان داده و توانایی حل مسائل موجود در این حوزه با استفاده از ابزارهای تدریس شده در کلاس

Introduction to Big Data

• What is Big Data
• Big Data opportunities, Challenges
• Characteristics of Big Data

Introduction to Hadoop

• Hadoop Distributed File System
• Comparing Hadoop & SQL
• Industries using Hadoop
• Data Locality
• Hadoop Architecture
• Map Reduce & HDFS

(Hadoop Distributed File System (HDFS

• HDFS Design & Concepts
• Blocks, Name nodes and Data nodes
• HDFS High-Availability and HDFS Federation
• Hadoop DFS The Command-Line Interface
• Basic File System Operations
• Anatomy of File Read, File Write
• Block Placement Policy and Modes
• Metadata, FS image, Edit log, Secondary Name Node and Safe Mode

YARN Component

• Architecture Overview
• ResourceManager
• YARN Scheduling Components
• FIFO Scheduler
• Capacity Scheduler
• Fair Scheduler
• NodeManager
• YARN Resource Model
• ApplicationMaster Container Allocation
• Write some Map Reduce programs to solve some real world problems

Writing Spark Applications

• Spark Applications vs. Spark Shell
•  Creating the SparkContext
•  Configuring Spark Properties
•  Building and Running a Spark Application
• Spark Job Anatomy

• تمامی لینوکس کاران و متخصصان شبکه
• Sysadmins Developers

• شروع کار با Docker
• معرفی Docker، تاریخچه و آشنایی با مباحث اولیه
• پیش نیازهای نصب، نصب Docker  - آشنایی با مباحث اولیه و پیاده سازی آن ها
• شروع کار با Docker و  Basic Commands
• بررسی معماری Docker
• آشنایی باContainer  و Image, Docker Files
• راه اندازی پراسس ها تحت Docker
• Manage Containers
• Resource Management
• Docker logs
• تنظیمات شبکه در Docker و Link کردنContainer  ها
• راه اندازی سرویس های مختلف تحت Docker
• آشنایی با مفهوم Storage
• آشنایی Swarm Mode
• و....

• علاقه مندان به مباحث Big Data
• دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
• علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده
• علاقه‌مندان به زبان اسکالا و سکوی آپاچی اسپارک

• توسعه برنامه ها مبتنی بر زبان اسکالا و حل مسئله های کلان داده با استفاده از ابزار آپاچی اسپارک
• ارائه راه‌حل جهت دریافت و جمع ‌آوری جریان داده‌ها
• ذخیره‌سازی داده‌های جریانی بصورت لحظه‌ایی
• توانایی توسعه برنامه پردازش داده‌های جریانی

Apache Spark

• توضیح در خصوص کلان داده و سیستم های توزیع شده
• آماده سازی محیط کدنویسی و اجرا
  1. مقدمه بر زبان برنامه نویسی جاوا
  2. نصب و راه اندازی IDE
• بررسی پروژه آپاچی Spark
• راه اندازی و پیکربندی کلاستر Spark
• توسعه و اجرای برنامه های نمونه با استفاده از پروژه Spark
  1. بررسی و کار با مفاهیم RDD
  2. Transformation و Action
  3. بررسی تابع‌های UDF
• بررسی فرمت فایل‌های مورد استفاده در کلان داده و چگونگی نحوه استفاده از آنها در اسپارک
• بررسی زیرساخت‌های ذخیر‌ه‌سازی داده و استفاده آنها همراه با اسپارک
  1. HDFS
  2. Object Storage
  3. Cassandra
  4. MongoDB
• توسعه برنامه با استفاده از مولفه SparkSQL
  1. تحلیل داده‌های دارای ساختار توسط پرس‌وجوهای sql در اسپارک
  2. DataFrame
  3. Dataset
• توسعه برنامه با استفاده از مولفه MLib در پروژه اسپارک
• بررسی مولفه Graphframe به منظور پردازش داده‌های گراف در اسپارک
• بررسی زیرساخت‌های استقرار پروژه اسپارک
  1. Yarn
  2. Mesos
  3. Docker
  4. Kubernetes
  5. Cloud Computing - IaaS

Apache Kafka

Introduction to Stream Data Processing

• Definition
• Origin and history of Big Data
• Webpages in Big Data projects
• Big Data problems
• Types of Big Data processing
  • Batch
  • Stream
  • Data processing in (almost) real time
  • Definition
  • Advantages and disadvantages
  • Examples
  • Types of message delivery guarentee
    • at-most-once
    • at-least-once
    • exactly-once
  • Tools:
    • Apache Kafka
    • Apache NiFi
    • ELK Stack
    • Apache Flume
    • Fluentd

  • Introduction to Apache Kafka

  • What Kafka is and why it was created
  • The Kafka Architecture
  • The main components of Kafka
  • Some of the use cases for Kafka

  • Kafka Command Line

  • The contents of Kafka's /bin directory
  • How to start and stop Kafka
  • How to create new topics
  • How to use Kafka command line tools to produce and consume messages
  • Kafka terminologies
    • Broker
    • Topic
    • Partition
    • Producer
    • Consumer

  • Kafka Producer Java API

  • The Kafka producer client
  • Some of the KafkaProducer configuration settings and what they do
  • How to create a Kafka producer using the Java API and send messages both synchronously and asynchronously

Kafka Consumer Java API

• The Kafka consumer client
• Some of the KafkaConsumer configuration settings and what they do
• How to create a Kafka consumer using the Java API

Kafka Connect and Spark Streaming

• How to use Kafka and Spark Streaming together

Streaming Platform Concept

• Spark Streaming
• Apache Storm
• Apache Flink
• Apache Kafka Streaming

افرادی که حوزه کاری یا تحقیقاتی آنان یادگیری ماشین و عمیق باشد

امکان تحلیل و ساخت برنامه کاربردی در حوزه یادگیری عمیق

مقدمه و معرفی یادگیری عمیق (learning Deep)

• معرفی هوش مصنوعی
• معرفی اجمالی یادگیری ماشین
• معرفی روش ها و الگوریتم های یادگیری ماشین
• معرفی اجمالی شبکه های عصبی مصنوعی
• تاریخچه یادگیری عمیق
• کاربردهای یادگیری عمیق
• فرصت ها و چالش های یادگیری عمیق

روش ها و مدل های یادگیری عمیق

• معرفی انواع یادگیری
• الگوریتم ها و کاربردهای یادگیری با نظارت (Supervised)
• الگوریتم و کاربردهای یادگیری بدون نظارت (Unsupervised)
• عملکرد و کاربرد روش خود رمزنگار (Auto Encoder)
• عملکرد و روش کار شبکه های (GANs (Generative Adversarial Networks
• معرفی و کاربرد شبکه عصبی کانولوشنی (CNN (Convolutional Neural Network
• معرفی و کاربرد شبکه عصبی بازگشتی (RNN (Recurrent Neural Network

سخت افزار و نرم افزارهای مورد نیاز

• معرفی سخت افزارهای مختلف موجود در ایران و جهان برای پیاده سازی الگوریتم ها و روش های حوزه یادگیری عمیق
• معرفی نرم افزارها و کتابخانه های برنامه نویسی حوزه یادگیری عمیق
• نحوه راه اندازی بسترهای کدنویسی پایتون و TensorFlow در ویندوز

جزئیات پیاده سازی شبکه عصبی عمیق با مثال عملی

• معرفی ساختار و نحوه پیاده سازی یک شبکه عصبی عمیق
• معرفی و پیاده سازی شبکه عصبی عمیق کانولوشن با مجموعه داده MNIST به صورت کامال پایه ای
• معرفی و پیاده سازی سیستم تشخیص چهره با استفاده از شبکه عصبی عمیق