آموزش کیفیت داده‌ها: اندازه‌گیری، بهبود و پیاده‌سازی سیستم‌های قابل اعتماد - آخرین آپدیت

دانلود Data Quality: Measure, Improve, and Enforce Reliable Systems

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: کیفیت داده‌ها زیربنای تحلیل‌های قابل اتکا، داشبوردهای trustworthy و یادگیری ماشین موثر است. در این دوره، مدرس Smriti Mishra مفاهیم اصلی کیفیت داده‌ها را بررسی کرده و به شما نشان می‌دهد که چگونه بهترین روش‌ها را برای بهبود نتایج در چرخه حیات داده‌ها به کار بگیرید. از درک ابعاد کیفیت گرفته تا ساخت چک‌های اعتبارسنجی در پایتون و ادغام آن‌ها در خط لوله‌های داده (Data Pipelines)، این دوره شما را به ابزارهای عملی برای مدیریت موثرتر کیفیت داده‌ها در محیط‌های واقعی مجهز می‌کند. در طول مسیر، Smriti توضیح می‌دهد که چگونه داده‌های با کیفیت پایین می‌توانند مدل‌های هوش مصنوعی را تضعیف کرده، هوش تجاری (BI) را مخدوش کنند و تصمیم‌گیری‌های استراتژیک را به خطر اندازند. این دوره برای متخصصان داده‌ای طراحی شده است که می‌خواهند سیستم‌های داده‌ای قابل اعتمادتر، کارآمدتر و با عملکرد بالاتر ایجاد کنند.

سرفصل ها و درس ها

مقدمه Introduction

  • اعتمادسازی با کیفیت داده‌ها Building trust with data quality

1. درک مفهوم کیفیت داده‌ها 1. Understanding Data Quality

  • کیفیت داده چیست؟ What is data quality?

  • ابعاد کیفیت داده‌ها Dimensions of data quality

  • ریسک‌های دنیای واقعی داده‌های بد Real-world risks of bad data

  • منابع رایج مشکلات داده‌ای Common sources of data issues

2. ارزیابی و اعتبارسنجی کیفیت داده‌ها 2. Evaluating and Validating Data Quality

  • آشنایی با Great Expectations Intro to Great Expectations

  • پروفایل‌بندی داده‌ها برای ارزیابی کیفیت Profiling data for quality

  • قوانین اعتبارسنجی در پایتون Validation rules in Python

3. کاربرد عملی کیفیت داده‌ها 3. Applying Data Quality in Practice

  • کیفیت داده‌ها در خط لوله‌های انتقال (Pipelines) Data quality in pipelines

  • کیفیت در یادگیری ماشین و داشبوردها Quality in ML and dashboards

  • طراحی برای کیفیت داده‌ها Designing for data quality

4. ادامه مسیر یادگیری کیفیت داده‌ها 4. Continuing Your Data Quality Learning Journey

  • پیشرفت با داده‌های باکیفیت‌تر Move forward with better data

نمایش نظرات

آموزش کیفیت داده‌ها: اندازه‌گیری، بهبود و پیاده‌سازی سیستم‌های قابل اعتماد
جزییات دوره
0h 46m
12
(آخرین آپدیت)
1,616
- از 5
ندارد
دارد
دارد
Smriti Mishra
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Smriti Mishra Smriti Mishra

اسمیتی میشرا (Smriti Mishra) مهندس داده، متخصص هوش مصنوعی و مدرس است که تجربه گسترده‌ای در ساخت سیستم‌های داده قابل اعتماد و مقیاس‌پذیر روی پلتفرم‌های ابری مدرن دارد. او به عنوان یکی از چهره‌های برتر لینکدین در حوزه فناوری و نوآوری (اروپا) و یکی از ۳۰ زن برجسته در حوزه داده شناخته شده است. اسمیتی در زمینه‌های مهندسی داده، کیفیت داده‌ها و معماری‌های Lakehouse تخصص دارد و مهارت عملی در Databricks، Microsoft Fabric، Azure، AWS و ابزارهای متن‌باز مانند Python، SQL و dbt داراست. فعالیت‌های او شامل طراحی خط لوله‌های داده (Data Pipelines) سرتاسری، پیاده‌سازی اعتبارسنجی و ردیابی داده‌ها (Lineage) و بهینه‌سازی عملکرد برای بارهای کاری حیاتی در صنایعی چون خرده‌فروشی، لجستیک، پایداری و مراقبت‌های بهداشتی است. او به عنوان مدرس در پلتفرم‌هایی مانند LinkedIn Learning و DataCamp، هزاران دانشجو را از طریق دوره‌های کاربردی و با امتیاز بالا در زمینه‌های قابلیت اطمینان داده، حاکمیت داده و جریان‌های مهندسی واقعی آموزش داده است. علاوه بر تدریس، او یک منتور فعال، سخنران عمومی و رهبر جامعه است که به عنوان مدیر AI4Diversity سوئد فعالیت می‌کند و در ابتکارات جهانی برای ترویج پذیرش مسئولانه و فراگیر هوش مصنوعی مشارکت دارد.