آموزش جامع مهندسی تحلیل داده (Analytics Engineering) - آخرین آپدیت

پشته داده‌های مدرن و مبانی SQL Modern Data Stack & SQL Foundations

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• نقش مهندسی تحلیل داده در چرخه حیات داده Role of analytics engineering in the data lifecycle

• مقایسه ELT در مقابل ETL در خط لوله‌های مدرن ELT vs. ETL in modern pipelines

• ضروریات کوئری‌نویسی SQL SQL Querying Essentials

• توابع تحلیلی و Window برای معیارهای کسب‌وکار Analytical and Window Functions for Business Metrics

• محاسبه کل فروش و درآمد به تفکیک دسته‌بندی در PostgreSQL Compute Total Sales and Revenue per Category in PostgreSQL

• ایجاد Viewهای SQL قابل استفاده مجدد برای گزارش‌دهی Create Reusable SQL Views for Reporting

• مقایسه OLTP در مقابل OLAP و مبانی انبار داده OLTP vs. OLAP and Warehouse Basics

• مزایا و معایب نرمال‌سازی در مقابل غیرنرمال‌سازی Normalization vs. Denormalization Trade-offs

• ایجاد جداول Dimension و Fact در PostgreSQL Create Dimension and Fact Tables in PostgreSQL

• مقایسه عملکرد: کوئری‌های نرمال در مقابل غیرنرمال (دستور EXPLAIN ANALYZE) Compare Performance: Normalized vs. Denormalized Queries - EXPLAIN ANALYZE Command

• مقایسه عملکرد: کوئری‌های نرمال در مقابل غیرنرمال (درج داده‌ها) Compare Performance: Normalized vs. Denormalized Queries - Inserting Data

مدل‌سازی داده و مفاهیم ELT Data Modeling and ELT Concepts

• ابزار dbt چیست What is dbt

• پروفایل‌ها و ساختار پروژه Profiles and Project Structure

• راه‌اندازی یک پروژه dbt Initialize a dbt project

• اجرای پروژه‌های dbt و تایید خروجی‌ها در پایگاه داده Run dbt Projects and verify outputs in the database

• مفاهیم Fact، Dimension، Grain و کلیدها Facts, Dimensions, Grain, and Keys

• طراحی مدل Star در مقابل Snowflake Star vs. Snowflake Schema Design

• طراحی مدل ستاره‌ای خرده‌فروشی: ایجاد جداول Design a Retail Star Schema - Creating Tables

• طراحی مدل ستاره‌ای خرده‌فروشی: مشاهده نتایج Design a Retail Star Schema - Viewing the Results

• استخراج KPIها با مدل ابعادی: کل درآمد Query KPIs using your Dimensional Model - Total Revenue

• استخراج KPIها با مدل ابعادی: ترکیب درآمد و میانگین ارزش سفارش (AOV) Query KPIs using your Dimensional Model - Combining Revenue and AOV

• جریان‌های کاری ELT و جابجایی داده‌ها ELT Workflows and Data Movement

• لایه‌های Raw، Staging و Mart Raw, Staging, and Mart Layers

• ایجاد جداول Staging و اعمال پاک‌سازی اولیه با SQL Create Staging Tables and Apply Basic Cleaning with SQL

• پر کردن جدول Mart از Staging: ایجاد جداول Populate a Mart Table from Staging - Creating Tables

• پر کردن جدول Mart از Staging: کل درآمد و AOV Populate a Mart Table from Staging - Total Revenues and AOV

ساخت و تست مدل‌های dbt Building and Testing dbt Models

• پیکربندی Sourceها و Refها Configuring sources and refs

• ساختار پوشه‌ها و قراردادهای نام‌گذاری Folder Structure and Naming Conventions

• ساخت مدل‌های Staging و Dimension از منابع: تنظیم فایل‌های SQL و yml Build Staging and Dimension Models from Sources - Setting up SQL and yml File

• ساخت مدل‌های Staging و Dimension از منابع: اجرای مدل Build Staging and Dimension Models from Sources - Running the Model

• تجسم Lineage و DAG در مستندات dbt Visualize Lineage and DAG in dbt Docs

• مدل‌های Table، View و Incremental Table, View and Incremental Model

• استفاده از Seed برای داده‌های استاتیک و جداول Lookup Seeds for Static Data and Lookup Tables

• افزودن Seed و اجرای دستور dbt seed Add a seed and run dbt seed

• ساخت مدل Incremental برای سفارشات (Fact Orders): تنظیم SQL و yml Build an Incremental Fact Orders Model - Setting up SQL and yml File

• ساخت مدل Incremental برای سفارشات (Fact Orders): اجرای مدل Build an Incremental Fact Orders Model - Running the Model

• تست‌های dbt (unique, not_null, relationships) dbt tests (unique, not_null, relationships)

• تست‌های SQL سفارشی و استراتژی مستندسازی Custom SQL tests & documentation strategy

• اجرای تست‌ها و تحلیل خطاها Run tests & analyze failures

• جمع‌بندی دوره Course Summary