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

سرفصل ها و درس ها

مقدمه Introduction

• معرفی راهنمای جامع مهندسی تحلیل داده Introducing the complete guide to analytics engineering

• معرفی GitHub Codespaces GitHub Codespaces introduction

• معرفی CoderPad CoderPad introduction

• مرور کلی محتوای دوره Course contents overview

1. نمای کلی مهندسی تحلیل داده 1. Overview of Analytics Engineering

• چرخه حیات داده‌ها The lifecycle of data

• تکامل مهندسی تحلیل داده The evolution of analytics engineering

• مهندسی تحلیل داده به عنوان یک نقش ترکیبی Analytics engineering is a hybrid role

• آشنایی با مهندسی تحلیل داده Introduction to analytics engineering

• دموکراتیزه کردن داده‌ها و لایه‌های معنایی (Semantic Layers) Democratization of data and semantic layers

2. بررسی پایگاه داده‌ها، دریاچه داده‌ها و انبارهای داده 2. Overview of Databases, Data Lakes, and Data Warehouses

• پایگاه داده‌ها چگونه به تصمیم‌گیری کمک می‌کنند؟ How do databases support decision-making?

• دریاچه داده‌ها: یک روش جایگزین برای ذخیره‌سازی Data lakes: An alternative storage method

• پایگاه داده‌ها، دریاچه داده‌ها و انبارهای داده…اوه مای! Databases, data lakes, and data warehouses…oh my!

• پایگاه داده‌های رابطه‌ای Relational databases

• پایگاه داده‌های غیررابطه‌ای Nonrelational databases

• انبار داده‌ها (Data Warehousing) Data warehousing

• بهترین روش‌های مدیریت پایگاه داده Database best practices

3. مدیریت داده‌ها با کتابخانه pandas پایتون 3. Manipulating Data with Python pandas

• حل مشکلات رایج انواع داده‌ها با pandas پایتون Solving common data type problems with Python pandas

• پاکسازی داده‌ها با pandas Cleaning data with pandas

• محیط پایتون و مجموعه داده‌های ما Our Python environment and dataset

• کرنل‌ها، اجرای کد پایتون و سایر مبانی Kernels, running Python code, and other basics

• انتخاب، مرتب‌سازی و فیلتر کردن داده‌ها با pandas Selecting, sorting, and filtering data with pandas

• دیتا‌فریم‌ها، سری‌های داده و انواع داده‌ها در pandas DataFrames, data series, and data types in pandas

• پایتون چیست و چرا از آن استفاده می‌کنیم؟ What is Python, and why do we use it?

• راه‌حل CoderPad: حل یک مسئله تحلیلی با پایتون CoderPad solution: Solve an analytical task with Python

• کتابخانه pandas در پایتون The pandas Python library

4. تحلیل داده‌ها با کتابخانه pandas پایتون 4. Analyzing Data with Python pandas

• توابع تحلیلی در pandas Analytical functions in pandas

• ایجاد میانگین‌های متحرک با محاسبات پنجره‌ای (Window Calculations) Creating rolling averages with window calculations

• گروه‌بندی داده‌ها در pandas Grouping data in pandas

• ایجاد ستون‌های محاسباتی سفارشی در pandas Creating new custom calculated columns with pandas

• ادغام چندین دیتا‌فریم با pandas Merging multiple data frames with pandas

• راه‌حل CoderPad: محاسبه میانگین‌ها با توابع پنجره‌ای پایتون CoderPad solution: Calculate averages with Python window functions

5. بهره‌گیری از پایتون برای استخراج، تبدیل و بارگذاری (ETL) 5. Leveraging Python to Extract Transform Load

• ادغام و بازنویسی داده‌های موجود Merging and overwriting existing data

• واکشی داده‌ها (Data Fetching) Data fetching

• اتصال به پایگاه داده و API ما Connecting to our database and API

• تفاوت ETL و ELT ETL vs. ELT

• مزایا و معایب ابزارهای ETL Benefits and drawbacks of ETL tools

• گراف‌های جهت‌دار بدون چرخه (DAGs) DAGs

• چرا از ETL برای جابجایی داده‌ها استفاده کنیم؟ Why move data using ETLs?

6. مدل‌سازی داده‌ها با SQL 6. Modeling Data with SQL

• دستور SELECT The SELECT statement

• اتصال داخلی (Inner Join) چندین جدول Inner joining multiple tables

• آشنایی با SQL برای مهندسی تحلیل داده Introduction to SQL for analytics engineering

• سایر انواع اتصالات (Joins) در SQL Other types of SQL joins

• راه‌حل CoderPad: مدل‌سازی داده‌ها با SQL CoderPad solution: Modeling data with SQL

• عبارات جدولی مشترک (CTEs) Common table expressions

• توابع تاریخ در SQL SQL date functions

• توابع تجمیعی در SQL Aggregate functions in SQL

• فیلتر کردن نتایج داده‌ها با عبارت WHERE Filtering data results with the WHERE clause

• اتصال چپ (Left Join) چندین جدول Left joining multiple tables

7. ابزار dbt 7. dbt

• استفاده از DAGs برای بصری‌سازی لایه‌های مدل داده DAGs to visualize data model layers

• ساخت، اجرا و تست Building, running, and testing

• لایه‌های معنایی برای جریان‌های کاری مدرن داده Semantic layers for modern data workflows

• ماکروهای dbt dbt macros

• dbt چیست؟ What is dbt?

8. بصری‌سازی داده‌ها با ابزارهای هوش تجاری (BI) 8. Visualizing Data with Business Intelligence Tools

• استفاده از نمودار مناسب برای بصری‌سازی Use the right chart for visualization

• طراحی یک داشبورد تعاملی Crafting an interactive dashboard

• راه‌اندازی Tableau Tableau setup

• تفاوت ابعاد (Dimensions) و معیارها (Measures) Dimensions vs. measures

• اتصال به منابع داده مختلف در Tableau Connecting to different data sources in Tableau

• ایجاد فیلدهای محاسباتی Creating calculated fields

• بهترین روش‌های بصری‌سازی داده‌ها Data visualization best practices

• ترکیب چندین منبع داده با هم Blending multiple data sources together

• معرفی هوش تجاری (Business Intelligence) Introduction to business intelligence

9. تعامل با ذینفعان 9. Working with Stakeholders

• اطمینان از استفاده ذینفعان از محصول شما Ensuring your stakeholders use your product

• مدیریت یک پروژه از ابتدا تا انتها Managing a project from start to finish

• چرا تیم‌های مهندسی تحلیل داده به ارتباط با ذینفعان نیاز دارند؟ Why analytics engineering teams need stakeholder relationships

• ارتباطات مختصر و سریع Concise, quick communication

نتیجه‌گیری Conclusion

• مرور کلی و کوتاه مباحث پوشش داده شده Brief overview of topics covered

• گام‌های بعدی چیست؟ What to do next