آموزش مدل‌سازی داده‌ها با هوش مصنوعی: از مبانی تا ChatGPT و Copilot - آخرین آپدیت

دانلود Data Modeling with AI: Fundamentals to ChatGPT & Copilot

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره بر مبانی هوش تجاری (BI)، انبار داده (Data Warehouse) و ETL مسلط شوید و از ابزارهای هوش مصنوعی مانند ChatGPT و Copilot برای مدل‌سازی داده‌ها استفاده کنید! آنچه در این دوره خواهید آموخت: - درک مبانی مدل‌سازی داده‌ها: مدل‌های مفهومی (Conceptual)، منطقی (Logical) و فیزیکی (Physical) - یادگیری نحوه استفاده از هوش مصنوعی (Copilot و ChatGPT) در هر مرحله از فرآیند مدل‌سازی داده‌ها - ساخت طرح‌های ستاره‌ای (Star Schemas)، شناسایی واقعیت‌ها (Facts) و ابعاد (Dimensions) و تسلط بر مفاهیم جمع‌پذیری (Additivity) - یادگیری مبانی ETL و ELT و تأثیر آن‌ها بر شکل‌گیری مدل‌های داده - تمرین مدل‌های نرمال‌سازی شده در مقابل مدل‌های ابعادی و تشخیص زمان استفاده از هر کدام - استفاده از MySQL Workbench و dbdiagram برای طراحی و پیاده‌سازی مدل‌ها - تمرین عملی جریان‌های ETL با ابزارهای رایگان (Apache Hop) - اجرای یک پروژه جامع (Capstone Project) برای ترکیب تمامی مهارت‌های آموخته شده پیش‌نیازها: فقط کنجکاو باشید؛ تمامی مبانی لازم در طول دوره ارائه می‌شود :)

دنیای داده‌ها با سرعت در حال تغییر است. از یک سو، سازمان‌ها همچنان به مبانی اثبات شده مدل‌سازی داده‌ها و هوش تجاری (مانند طرح‌های ستاره‌ای، واقعیت‌ها، ابعاد، انبار داده‌ها و خط لوله‌های ETL) متکی هستند. از سوی دیگر، ابزارهای هوش مصنوعی مانند ChatGPT و GitHub Copilot در حال متحول کردن روش‌های طراحی، پیاده‌سازی و بهینه‌سازی مدل‌های داده هستند.

این دوره هر دو دنیا را به هم پیوند می‌دهد. به شما پایه‌ای مستحکم در مدل‌سازی سنتی داده‌ها می‌دهد و همزمان نشان می‌دهد چگونه از هوش مصنوعی به عنوان یک کمک‌خلبان (Co-pilot) در کارهای روزمره استفاده کنید. شما یاد خواهید گرفت چگونه مدل‌های مفهومی، منطقی و فیزیکی را طراحی کنید، انبار داده‌ها (Data Warehouses) و دیتا مارت‌ها (Data Marts) را بسازید و درک کنید که سیستم‌های ETL و OLAP در مقابل OLTP چگونه معماری شما را شکل می‌دهند. در عین حال، کشف خواهید کرد که چگونه ChatGPT و Copilot می‌توانند در ایده‌پردازی طرح‌ها، تولید کدهای SQL، بررسی کیفیت داده‌ها و حتی مستندسازی مدل‌های شما کمک کنند.

برخلاف بسیاری از دوره‌های تئوری، این دوره کاملاً عملی و کاربردی است. شما با ابزارهای رایگانی مانند MySQL Workbench و dbdiagram برای ایجاد مدل‌ها، ساخت جریان‌های ETL با Apache Hop و اتصال داده‌ها به Power BI برای تحلیل‌ها کار خواهید کرد. همچنین با مجموعه داده‌های واقعی و ناپاک (Dirty Datasets) دست و پنجه نرم می‌کنید و پاک‌سازی و تبدیل داده‌ها را دقیقاً مشابه یک پروژه واقعی تمرین می‌کنید.

نقطه عطف این دوره، پروژه جامع FastBite است؛ یک کسب‌وکار شبیه‌سازی شده ارسال غذا. شما از داده‌های خام شروع کرده، مدل ابعادی را طراحی می‌کنید، یک انبار داده در MySQL پیاده‌سازی می‌کنید، جریان‌های ETL را برای پر کردن جداول واقعیت و ابعاد می‌سازید و در نهایت به Power BI متصل می‌شوید تا به سوالات واقعی کسب‌وکار پاسخ دهید. در این مسیر، یاد می‌گیرید چگونه از ابزارهای هوش مصنوعی به عنوان دستیار خود استفاده کنید: برای پیشنهاد طراحی طرح‌ها، طبقه‌بندی واقعیت‌ها و ابعاد، تولید منطق تبدیل و نوشتن مستندات.

در پایان این دوره، شما قادر خواهید بود:

  • در هر مرحله از گردش کار مدل‌سازی، از پشتیبانی هوش مصنوعی با ChatGPT و Copilot استفاده کنید.

  • با اطمینان کامل انبار داده‌ها (Data Warehouses) و دیتا مارت‌ها (Data Marts) را طراحی و پیاده‌سازی کنید.

  • بر مدل‌سازی ابعادی با طرح‌های ستاره‌ای، SCDها، واقعیت‌ها، ابعاد و جمع‌پذیری مسلط شوید.

  • نقش خط لوله‌های ETL/ELT و محل پیاده‌سازی منطق داده‌ها را درک کنید.

  • یک پروژه آماده برای پورتفولیو بسازید که مهارت‌های شما را در مدل‌سازی داده‌ها و هوش تجاری اثبات کند.

این روش مدرن یادگیری مدل‌سازی داده‌ها است: ترکیبی از بهترین روش‌های کلاسیک BI با بهره‌وری تقویت شده توسط هوش مصنوعی.

اگر می‌خواهید پایه‌های محکمی در مدل‌سازی داده‌ها و هوش تجاری بسازید و در عین حال بیاموزید چگونه از ابزارهای AI برای تبدیل شدن به یک متخصص داده سریع‌تر و هوشمندتر استفاده کنید، این دوره برای شماست.


سرفصل ها و درس ها

ماژول ۱: مقدمه Module 1: Introduction

  • خوش‌آمدگویی و آشنایی با مدرس Welcome and getting to know your lecturer

  • چه انتظاراتی از این دوره داشته باشید و دستاوردهای یادگیری What to Expect from this course & Learning Outcomes

  • اسلایدهای دوره Course Slides

ماژول ۲: مبانی و پایه‌های مدل‌سازی داده‌ها Module 2: Data Modeling Fundamentals and Foundations

  • مقدمه ماژول Module Introduction

  • مدل داده چیست و چرا اهمیت دارد؟ What is a Data Model and why does it matter?

  • چرا مدل‌های داده مهم هستند؟ Why do Data Models matter?

  • مدل مفهومی داده‌ها (Conceptual) Conceptual Data Model

  • مدل منطقی داده‌ها (Logical) Logical Data Model

  • مدل فیزیکی داده‌ها (Physical) Physical Data Model

  • سطوح مدل‌های داده: خلاصه Levels of Data Models: Summary

  • مدل‌سازی ابعادی: مقدمه Dimensional Modeling: Introduction

  • مدل‌سازی ابعادی: اهمیت Dimensional Modeling: Importance

  • مدل‌سازی ابعادی: واقعیت‌ها و ابعاد Dimensional Modeling: Facts & Dimensions

  • مدل ابعادی: نحوه همکاری واقعیت‌ها و ابعاد Dimensional Model: How Facts and Dimensions work together

  • نمایش مدل داده در Power BI Data Model demonstration in Power BI

  • درک مفهوم جمع‌پذیری (Additivity) در واقعیت‌ها Understanding Additivity in Facts

  • انواع جمع‌پذیری در عمل Types of Additivity in Practice

  • واقعیت‌های جمع‌پذیر: مثال Additive Facts: Example

  • واقعیت‌های نیمه‌جمع‌پذیر: مثال Semi-Additive Facts: Example

  • واقعیت‌های غیرجمع‌پذیر: مثال Non-Additive Facts: Example

  • دمو: جمع‌پذیری در Power BI Demo: Additivity in Power BI

  • چرا جمع‌پذیری در هوش تجاری عملیاتی اهمیت دارد Why Additivity matters in Business Intelligence in Practice

  • ابعاد مشترک (Conformed Dimensions) - کلیدی برای تحلیل‌های سازگار Conformed Dimensions - A key to consistent analysis

  • کاربرد ابعاد مشترک در Power BI Conformed Dimensions applied in Power BI

  • ابعاد با تغییرات کند (SCDs) چیستند؟ What are Slowly Changing Dimensions (SCDs)?

  • انواع ابعاد با تغییرات کند Types of Slowly Changing Dimensions

  • ابعاد با تغییرات کند - نوع ۰ Slowly Changing Dimensions - Type 0

  • ابعاد با تغییرات کند - نوع ۱ Slowly Changing Dimensions - Type 1

  • ابعاد با تغییرات کند - نوع ۲ Slowly Changing Dimensions - Type 2

  • ابعاد با تغییرات کند - نوع ۳ Slowly Changing Dimensions - Type 3

  • مدل‌سازی نرمال شده Normalized Modeling

  • مدل داده نرمال شده - مثال Normalized Data Model - Example

  • طرح ستاره‌ای (Star Schema) Star Schema

  • طرح ستاره‌ای - مثال Star Schema - Example

  • مقدمه‌ای بر نمادهای مدل‌سازی داده‌ها Introduction to Data Modeling Notations

  • نمادهای رایج مدل‌سازی داده‌ها Common Data Modeling Notations

  • عناصر اصلی مدل‌های داده Core Elements of Data Models

  • مثال نماد Crow's Foot Crow's Foot Example

  • ابزارهای مدل‌سازی داده‌ها Tools for Data Modeling

  • آزمون مبانی مدل‌سازی داده‌ها Quiz Data Modeling Foundations

  • شبیه‌سازی نقش: مدل‌سازی داده‌ها Role Play: Data Modeling

  • شناسایی واقعیت‌ها و ابعاد Identifying Fact and Dimensions

ماژول ۲: تمرین مدل‌سازی داده‌ها Module 2: Data Modeling Exercise

  • دانلود مورد مطالعه (Case Study) Case Study Download

  • مقدمه مورد مطالعه Case Study Introduction

  • آشنایی با dbdiagram.io Introduction to dbdiagramio

  • آشنایی با draw.io Introduction to drawio

  • دانلود نصب‌کننده جامع MySQL Download MySQL All-in-One Installer

  • راه‌اندازی دیتابیس MySQL و MySQL Workbench Setting up MySQL Database and MySQL Workbench

  • بررسی کلی مورد مطالعه The Case Study Overview

  • تحلیل مورد مطالعه (بخش اول) Analysing the Case Study (Part 1)

  • تحلیل مورد مطالعه (بخش دوم) Analysing the Case Study (Part 2)

  • رسم مدل مفهومی داده‌ها Drawing the Conceptual Data Model

  • رسم مدل منطقی داده‌ها (در draw.io) Drawing the Logical Data Model (in drawio)

  • رسم مدل منطقی داده‌ها (در MySQL Workbench) Drawing the Logical Data Model (in MySQL Workbench)

  • مهندسی رو به جلو (Forward Engineering) در MySQL Workbench Forward Engineering in MySQL Workbench

  • رسم مدل ابعادی (بخش اول) Drawing the Dimensional Model (Part 1)

  • رسم مدل ابعادی (بخش دوم) Drawing the Dimensional Model (Part 2)

  • دانلود نمونه پاسخ‌ها Example Solutions Download

ماژول ۳: ضروریات معماری داده‌ها Module 3: Data Architecture Essentials

  • مقدمه ماژول Module Introduction

  • معماری BI و تحلیل داده‌ها چیست؟ What is BI & Data Analytics Architecture?

  • مدل معماری هوش تجاری (BI Architecture) Business Intelligence Architecture Model

  • نقش‌های کلیدی در هوش تجاری و معماری داده‌ها Key Roles in Business Intelligence & Data Architecture

  • چرا به معماری تخصصی BI و تحلیل نیاز داریم؟ Why do we need specialised Business Intelligence & Analytics Architecture?

  • انبار داده (Data Warehouse) چیست؟ What is a Data Warehouse?

  • معماری انبار داده Data Warehouse Architecture

  • دیتا مارت (Data Mart) چیست؟ What is a Data Mart?

  • اهمیت معماری‌های دیتا مارت Data Mart Architectures Matter

  • معماری Stovepipe - بررسی کلی Stovepipe Architecture - Overview

  • معماری Stovepipe - مزایا و معایب Stovepipe Architecture - Pro & Con

  • معماری Hub and Spoke - بررسی کلی Hub-and-Spoke Architecture - Overview

  • معماری Hub and Spoke - مزایا و معایب Hub-and-Spoke Architecture - Pro & Con

  • مقایسه اینمون در برابر کیمبال (و ترکیب مدرن آن‌ها) Inmon vs. Kimball (and the Modern Blend)

  • دریاچه داده (Data Lake) چیست؟ What is a Data Lake?

  • معماری دریاچه داده Data Lake Architecture

  • مقایسه انبار داده در مقابل دریاچه داده Data Warehouse vs. Data Lake

  • دیتا لیک‌هاوس (Data Lakehouse) چیست؟ What is a Data Lakehouse?

  • متادیتا و حاکمیت داده‌ها (Data Governance) Metadata and Data Governance

  • آزمون Quiz

  • شبیه‌سازی نقش معماری BI Roleplay BI Architecture

ماژول ۴: استخراج، تبدیل و بارگذاری (ETL)، ELT و مفاهیم OLAP و OLTP Module 4: Extract Transform Load (ETL), ELT and OLAP & OLTP

  • مقدمه ماژول Module Introduction

  • مقدمه‌ای بر ETL و ELT Introduction to ETL and ELT

  • تبدیلات رایج Typical Transformations

  • بارگذاری (Load) Load

  • بارگذاری افزایشی (Incremental Load) The Incremental Load

  • پردازش رکوردهای حذف شده Processing Deleted Records

  • پردازش رکوردهای حذف شده (بارگذاری افزایشی) Processing Deleted Records (Incremental Load)

  • پردازش تراکنش‌های آنلاین (OLTP) چیست؟ What is Online Transaction Processing (OLTP)?

  • پردازش تحلیلی آنلاین (OLAP) چیست؟ What is Online Analytical Processing (OLAP)?

  • تفاوت‌های کلیدی OLTP در مقابل OLAP OLTP vs OLAP - Key Differences

  • چگونه ETL و معماری سیستم بر مدل‌های داده تأثیر می‌گذارند How ETL & System Architecture Influence Data Models

  • منطق کجا قرار می‌گیرد: SCDها، Staging و Audit Where Logic Lives - SCDs, Straging and Audit

  • درک نواحی میانی (Staging Areas) در ETL Understanding ETL Staging Areas

  • چرا زمان‌بندی در ETL اهمیت دارد Why Timing Matters in ETL

  • ETL دسته‌ای (Batch) - مفاهیم و ویژگی‌ها Batch ETL - Concepts and Characteristics

  • ETL/ELT در لحظه (Streaming) - مفاهیم و ویژگی‌ها Real-Time (Streaming) ETL/ELT - Concepts and Characteristics

  • مقایسه ETL دسته‌ای در مقابل ETL در لحظه Batch ETL vs. Real-Time ETL

  • انتخاب رویکرد مناسب: ملاحظات تجاری و فنی Choosing the right approach: Business & Technical Considerations

  • ارکستراسیون و زمان‌بندی ETL چیست؟ What is ETL Orchestration & Scheduling?

  • اجزای کلیدی و رویکردهای زمان‌بندی Key Components & Scheduling Approaches

  • بهترین روش‌ها برای ارکستراسیون ETL Best Practices for ETL Orchestration

  • عوامل کلیدی مؤثر بر عملکرد ETL Key Factors Impacting ETL Performance

  • تکنیک‌های بهینه‌سازی و بهترین روش‌ها Optimization Techniques & Best Practices

  • بررسی کلی ابزارهای ETL ETL Tools Overview

  • آزمون Quiz

ماژول ۳ و ۴: تمرین ETL و معماری داده‌ها در Apache Hop Module 3/4: ETL and Data Architecture Exercise in Apache Hop

  • دانلود داده‌های منبع Download Source Data

  • دانلود و نصب Apache Hop Downloading & Setting Up Apache Hop

  • راه‌اندازی Apache Hop (نام قبلی Pentaho) Setting up Apache Hop (previously Penthaho)

  • تنظیم محیط Apache Hop و بارگذاری داده‌ها Setting up the Apache Hop environment and loading the data

  • توسعه ETL از سیستم منبع تا ناحیه Staging Developing the ETL from the source system to the staging area

  • توسعه خط لوله ETL از ناحیه Staging تا انبار داده Developing the ETL pipeline from the staging area to the Data Warehouse

  • اتصال Power BI به مدل ابعادی داده‌های ما Connecting Power BI to our dimensional Data Model

  • نمونه پاسخ Sample Solution

ماژول ۵: پروژه جامع - از نیازمندی‌ها تا مدل داده، ETL و Power BI Module 5: Capstone Project - From Requirements to Data Model, to ETL to Power BI

  • دانلود دستورالعمل پروژه جامع Download the Capstone Project Brief

  • مقدمه Introduction

  • معرفی مورد مطالعه Introducing the Case

  • تحلیل مورد مطالعه Analysing the Case

  • رسم مدل مفهومی داده‌ها Drawing the Conceptual Data Model

  • رسم مدل منطقی داده‌ها Drawing the Logical Data Model

  • رسم طرح ستاره‌ای Drawing the Star Schema

  • راه‌اندازی محیط داده‌ها Setting up the Data Environment

  • راه‌اندازی پروژه Apache Hop Setting up Apache Hop Project

  • راه‌اندازی خط لوله ETL با استفاده از تزریق متادیتا Setting up the ETL Pipeline using Metadata Injection

  • راه‌اندازی خط لوله ETL از ناحیه Staging تا انبار داده Setting up the ETL Pipeline from the Staging Area to the Data Warehouse

  • اتصال Power BI به طرح ستاره‌ای Connecting Power BI to the Star Schema

  • دانلود نمونه پاسخ‌ها Download Sample Solutions

ماژول ۶: مدل‌سازی داده‌ها با هوش مصنوعی (AI)، Copilot و ChatGPT Module 6: Data Modeling with Artificial Intelligence (AI), Copilot and ChatGPT

  • یادآوری: داده‌های مورد استفاده در این دوره Reminder: Data worked with in this course

  • مقدمه Introduction

  • بررسی کلی: مدل‌سازی داده‌ها با GitHub Copilot Overview: Data Modeling with GitHub Copilot

  • دمو: ایده‌پردازی مدل داده‌ها با ChatGPT Demo: Data Model and Idea Brainstorming with ChatGPT

  • دمو: مستندسازی طرح و واژه‌نامه با GitHub Copilot Demo: Schema Documentation and Glossary with GitHub Copilot

  • دمو: شناسایی واقعیت‌ها و ابعاد با GitHub Copilot Demo: Fact & Dimension Identification with GitHub Copilot

  • دمو: تعریف ETL با GitHub Copilot Demo: ETL Definition with GitHub Copilot

  • دمو: بررسی کیفیت داده‌ها با ChatGPT Demo: Data Quality Checks with ChatGPT

  • تولید داده‌های نمونه و تست با ChatGPT Sample and Test Data Generation with ChatGPT

  • تقویت مدل‌سازی داده‌ها با هوش مصنوعی Supercharging Data Modeling with AI

ماژول ۷: جمع‌بندی Module 7: Conclusion

  • جمع‌بندی Conclusion

درس جایزه Bonus Lecture

  • درس جایزه Bonus Lecture

نمایش نظرات

آموزش مدل‌سازی داده‌ها با هوش مصنوعی: از مبانی تا ChatGPT و Copilot
جزییات دوره
14.5 hours
130
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
214
4.9 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr Florian Detzel  BI Academy Dr Florian Detzel BI Academy

توانمندسازی یادگیرندگان برای پیشرفت در حوزه داده و هوش تجاری (BI)