آموزش راهنمای جامع آماده‌سازی داده‌ها برای تحلیل (Data Preparation) - آخرین آپدیت

سرفصل ها و درس ها

بخش اول: مقدمه‌ای بر چارچوب‌های جمع‌آوری داده برای متخصصان Part 1 - Introduction - Data Collection Frameworks for Data Professionals

• مقدمه Introduction

• کجا و چرا به جمع‌آوری داده نیاز داریم Where and Why We Need Data Collection

انواع و چارچوب‌های جمع‌آوری داده Types and Frameworks of Data Collection

• انواع جمع‌آوری داده Types of Data Collection

• چارچوب تحلیل‌های موبایل و وب Mobile and Web Analytics Framework

• چارچوب‌های تحلیل تعامل کاربر User Engagement Analytics Frameworks

• چارچوب‌های ثبت متمرکز (Centralized Logging) Centralized Logging Frameworks

• چارچوب‌های استریمینگ داده‌های لحظه‌ای Real-Time Data Streaming Frameworks

• چارچوب‌های جمع‌آوری داده مبتنی بر کلاود Cloud-Based Data Collection Frameworks

• چارچوب‌های مشاهده‌پذیری (Observability) Observability Frameworks

زمینه کسب‌وکار و ابزارهای جمع‌آوری داده Business Context and Tools for Data Collection

• تکامل کسب‌وکار و چارچوب‌ها در مراحل مختلف Business Evolution and Frameworks at Different Stages of the Business

• ابزارهای مورد استفاده در چارچوب‌های جمع‌آوری داده Tools for Data Collection Frameworks

بخش دوم: مقدمه‌ای بر طراحی نظرسنجی از مبتدی تا حرفه‌ای (چارچوب و ChatGPT) Part 2 - Introduction Survey Design Beginner to Pro - Framework and ChatGPT

• مقدمه Introduction

• کاربردهای نظرسنجی Where Surveys Are Used

• تاثیر نظرسنجی (مثال مک‌دونالد) Impact of a Survey - McDonald Example

• انواع نظرسنجی‌ها Types of Surveys

• اجزای تشکیل‌دهنده یک نظرسنجی Components of a Survey

آشنایی با پروژه نظرسنجی Introduction to the Survey Project

• معرفی پروژه Introduction to the Project

• اطلاعات پس‌زمینه و تعریف اهداف Background Information and Defining Objectives

طراحی سوالات نظرسنجی Creating Survey Questions

• مقدمه بخش Section Introduction

• تم‌های تفکر - تم‌های کلیدی Thinking Themes – Key Themes

• طوفان فکری برای سوالات Brainstorming Questions

• اولویت‌بندی سوالات Prioritizing Questions

• انواع سوالات Question Types

• طراحی سوالات شفاف Crafting Clear Questions

• پرهیز از سوالات دوگانه (Double Barreled) Avoid Double-Barreled Questions

• بررسی گزینه‌های پاسخ Consider Response Options

• زبان خنثی، جریان سوالات و حساسیت‌ها Neutral Language Question Flow and Sensitivity

طراحی پرسشنامه با استفاده از ChatGPT Creating Questionnaire with ChatGPT

• تدوین و بهینه‌سازی سوالات Forming Questions and Fine-Tuning the Questions

• ایجاد پرسشنامه در گوگل فرمز و تعریف گزینه‌ها Creating the Questionnaire in Google Forms and Creating Options

مدیریت و اجرای نظرسنجی Survey Administration

• شاخه‌بندی منطقی (Logical Branching) Logical Branching

• اجرای آزمایشی و حالت‌های مدیریتی Piloting and Administrative Modes

• روش‌های مدیریتی Administrative Methods

• جمع‌بندی Conclusion

بخش سوم: مقدمه‌ای بر چارچوب‌های استانداردسازی داده‌ها Part 3 - Introduction - Data Standardization Frameworks

• مقدمه دوره استانداردسازی داده‌ها Introduction to the Data Standardization Course

• تاثیر استانداردسازی داده‌ها Impact of Data Standardization

• جنبه‌های مختلف استانداردسازی داده Aspects of Data Standardization

چارچوب‌های استانداردسازی داده Data Standardization Frameworks

• چارچوب‌های استانداردسازی داده Frameworks of Data Standardization

• دست‌کاری داده‌ها (Data Wrangling) Data Wrangling

• استانداردسازی داده‌ها Data Standardization

• ارکستراسیون داده‌ها (Data Orchestration) Data Orchestration

• ترکیب داده‌ها (Data Blending) Data Blending

• پاک‌سازی داده‌ها Data Cleaning

• تبدیل داده‌ها Data Transformation

• یکپارچه‌سازی و غنی‌سازی داده‌ها Data Integration and Data Enrichment

استانداردهای صنعتی و چارچوب‌های آن Industry Standards and Its Frameworks

• انواع استانداردسازی و استانداردهای کلی داده Types of Data Standardization and General Data Standards

• دموی استانداردسازی برای چارچوب‌های عمومی Demo of Data Standardization for General Data Standardization Frameworks

• دموی استانداردسازی داده‌های پیچیده Demo of Complex Data Standardization

بخش چهارم: مقدمه‌ای بر چارچوب‌ها و تکنیک‌های پاک‌سازی داده برای متخصصان Part 4 - Introduction - Data Cleaning Frameworks and Techniques - Data Professionals

• مقدمه‌ای بر پاک‌سازی داده‌ها و اهمیت آن Introduction to Data Cleaning and How Significant It Is

• پاک‌سازی داده چیست What Is Data Cleaning

جنبه‌های کلیدی پاک‌سازی داده‌ها Key Aspects of Data Cleaning

• جنبه‌های کلیدی پاک‌سازی داده Key Aspects of Data Cleaning

• پروفایلینگ داده‌ها (Data Profiling) Data Profiling

• روش‌های پاک‌سازی داده Methods of Data Cleaning

• تاثیر پاک‌سازی داده‌ها Impact of Data Cleaning

• کاربردهای پاک‌سازی داده Where Data Cleaning Is Used

تکنیک‌های پاک‌سازی داده Techniques of Data Cleaning

• تکنیک‌های پاک‌سازی داده Techniques of Data Cleaning

• مدیریت مقادیر گم‌شده (Missing Values) Handling Missing Values

• مثال‌هایی از مدیریت مقادیر گم‌شده Examples of Handling Missing Values

• حذف داده‌های تکراری و شناسایی اطلاعات مشابه Data Deduplication and Identifying Duplicate Information

• حذف تکراری‌ها: روش‌های مقایسه‌ای Data Deduplication - Comparison Methods

• شناسایی داده‌های تکراری Duplicate Detection

• جمع‌بندی حذف داده‌های تکراری Data Deduplication Conclusion

• شناسایی و مدیریت داده‌های پرت (Outliers) Outlier Identification and Treatment

• مثال شناسایی و مدیریت داده‌های پرت Example of Outlier Identification and Treatment

• نرمال‌سازی و استانداردسازی داده‌ها Data Normalization and Data Standardization

• فرمت‌بندی و تجزیه داده‌ها (Parsing) Data Formatting and Data Parsing

• مدیریت داده‌های متناقض Inconsistent Data Handling

• تصحیح خطا و اعتبارسنجی Error Correction and Validation

• تبدیل داده‌ها Data Transformation

• مهندسی ویژگی‌ها (Feature Engineering) Feature Engineering

• مدیریت داده‌های نامتوازن (Imbalanced Data) Handling Imbalanced Data