آموزش سنجش کیفیت جامع داده‌ها (Total Data Quality) - آخرین آپدیت

دانلود Measuring Total Data Quality

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در پایان این دوره دوم از تخصص کیفیت جامع داده‌ها، فراگیران قادر خواهند بود: ۱. معیارهای مختلف برای ارزیابی کیفیت جامع داده‌ها (TDQ) را در هر مرحله از چارچوب TDQ بیاموزند. ۲. یک نقشه مفهومی کیفیت ایجاد کنند که جنبه‌های مرتبط با TDQ را از یک برنامه یا منبع داده خاص ردیابی کند. ۳. در مورد سبک-سنگین کردن توازن بین جنبه‌های کیفیت، هزینه‌های نسبی و محدودیت‌های عملی تحمیل شده توسط یک پروژه یا مطالعه خاص بیندیشند. ۴. نرم‌افزارهای مرتبط و ابزارهای وابسته برای محاسبه معیارهای مختلف را شناسایی کنند. ۵. معیارهایی را که می‌توان برای هر دو نوع داده‌های طراحی‌شده (Designed) و داده‌های یافت‌شده/ارگانیک (Found/Organic) محاسبه کرد، درک کنند. ۶. این معیارها را روی داده‌های واقعی اعمال کرده و مقادیر حاصل از آن‌ها را از منظر TDQ تفسیر کنند. این تخصص در مجموع با هدف بررسی عمیق چارچوب کیفیت جامع داده‌ها و ارائه اطلاعات بیشتر در مورد ارزیابی دقیق کیفیت داده‌ها که باید پیش از تحلیل داده‌ها صورت گیرد، طراحی شده است. هدف این است که فراگیران، ارزیابی کیفیت داده‌ها را به عنوان یک جزء حیاتی در تمام پروژه‌های خود بگنجانند. ما صمیمانه امیدواریم که دانش کیفیت جامع داده‌ها را به تمام فراگیرانی مانند دانشمندان داده و تحلیلگران کمی که آموزش کافی در مراحل اولیه فرآیند علم داده (با تمرکز بر جمع‌آوری و ارزیابی کیفیت داده‌ها) ندیده‌اند، منتقل کنیم. ما معتقدیم که دانش گسترده در تکنیک‌های علم داده و روش‌های تحلیل آماری، اگر داده‌های جمع‌آوری شده کیفیت لازم را نداشته باشند، کمکی به یک مطالعه پژوهشی کمی نخواهد کرد. این تخصص بر اولین گام‌های ضروری در هر نوع تحقیق علمی با استفاده از داده‌ها تمرکز دارد: تولید یا جمع‌آوری داده‌ها، درک منشأ داده‌ها، ارزیابی کیفیت داده‌ها و اتخاذ اقداماتی برای به حداکثر رساندن کیفیت داده‌ها پیش از انجام هرگونه تحلیل آماری یا به‌کارگیری تکنیک‌های علم داده برای پاسخ به سوالات پژوهشی. با توجه به این تمرکز، مطالب کمی در مورد تحلیل داده‌ها ارائه خواهد شد، زیرا این موضوع در بسیاری از تخصص‌های موجود در کورسرا پوشش داده شده است. تمرکز اصلی این تخصص بر درک و به حداکثر رساندن کیفیت داده‌ها پیش از تحلیل خواهد بود.

سرفصل ها و درس ها

مقدمه و سنجش اعتبار و کیفیت منشأ داده‌ها Introduction and Measuring Validity and Data Origin Quality

  • به دوره دوم خوش آمدید! Welcome to Course 2!

  • سنجش اعتبار برای داده‌های طراحی‌شده Measuring Validity for Designed Data

  • مثال ۱: اجرای CFA و بررسی ناوردا بودن اندازه‌گیری در R Example 1: Performing CFA and Examining Measurement Invariance in R

  • رویکردها و ملاحظات سنجش کیفیت برای داده‌های جمع‌آوری‌شده Approaches and Considerations for Measuring Quality for Gathered Data

  • سنجش اعتبار برای داده‌های جمع‌آوری‌شده Measuring Validity for Gathered Data

  • سنجش کیفیت منشأ داده‌ها برای داده‌های طراحی‌شده Measuring Data Origin Quality for Designed Data

  • مثال‌ها: محاسبه معیارهای کیفیت منشأ داده‌ها برای داده‌های طراحی‌شده در R Examples: Computing Measures of Data Origin Quality for Designed Data in R

  • سنجش کیفیت منشأ داده‌ها برای داده‌های جمع‌آوری‌شده Measuring Data Origin Quality for Gathered Data

  • مثال ۴: سنجش اعتبار و کیفیت منشأ داده‌ها برای داده‌های جمع‌آوری‌شده Example 4: Measuring Validity and Data Origin Quality for Gathered Data

سنجش کیفیت پردازش و دسترسی به داده‌ها Measuring Processing and Data Access Quality

  • سنجش کیفیت پردازش برای داده‌های طراحی‌شده Measuring Processing Quality for Designed Data

  • مثال: محاسبه معیارهای پردازش با داده‌های واقعی و کدنویسی Example: Computing Processing Metrics with Real Data and Code

  • سنجش کیفیت پردازش برای داده‌های جمع‌آوری‌شده Measuring Processing Quality for Gathered Data

  • مثال: محاسبه معیارهای پردازش برای داده‌های جمع‌آوری‌شده Example: Computing Processing Metrics for Gathered Data

  • سنجش کیفیت دسترسی به داده‌ها برای داده‌های طراحی‌شده Measuring Data Access Quality for Designed Data

  • مثال: محاسبه معیارهای دسترسی با داده‌های واقعی و کدنویسی Example: Computing Access Metrics with Read Data and Code

  • سنجش کیفیت دسترسی به داده‌ها برای داده‌های جمع‌آوری‌شده Measuring Data Access Quality for Gathered Data

  • مطالعه موردی: سنجش کیفیت دسترسی به داده‌های جمع‌آوری‌شده از توییتر Case Study: Measuring Data Access Quality in Gathered Twitter Data

سنجش کیفیت منبع داده‌ها و فقدان داده‌ها Measuring Data Source Quality and Data Missingness

  • سنجش کیفیت منبع داده‌ها برای داده‌های طراحی‌شده Measuring Data Source Quality for Designed Data

  • مثال: محاسبه معیارهای منبع داده با داده‌های واقعی و کدنویسی Example: Computing Data Source Metrics with Real Data and Code

  • سنجش کیفیت منبع داده‌ها برای داده‌های جمع‌آوری‌شده Measuring Data Source Quality for Gathered Data

  • مثال: محاسبه معیارهای کیفیت منبع داده با داده‌های واقعی و کدنویسی Example: Computing Data Source Quality Metrics with Real Data and Code

  • سنجش تهدیدات کیفیت منبع داده: داده‌های طراحی‌شده Measuring Threats to Data Source Quality: Designed Data

  • مثال: محاسبه معیارهای فقدان داده‌ها با داده‌های واقعی و کدنویسی Example: Computing Data Missingness Metrics with Real Data and Code

  • سنجش فقدان داده‌ها برای داده‌های جمع‌آوری‌شده Measuring Data Missingness for Gathered Data

  • مثال: محاسبه معیارهای فقدان داده‌ها برای داده‌های جمع‌آوری‌شده Example: Computing Data Missingness for Gathered Data

سنجش کیفیت تحلیل داده‌ها Measuring the Quality of Data Analysis

  • سنجش کیفیت تحلیل داده‌های طراحی‌شده Measuring the Quality of an Analysis of Designed Data

  • مثال: محاسبه معیارهای کیفیت تحلیل داده‌ها برای داده‌های طراحی‌شده در R Example: Computing Measures of Data Analysis Quality for Designed Data in R

  • سنجش کیفیت تحلیل داده‌های جمع‌آوری‌شده Measuring the Quality of an Analysis of Gathered Data

  • مثال: محاسبه معیارهای کیفیت مدل‌های داده‌های جمع‌آوری‌شده Example: Computing Metrics for Quality of Models of Gathered Data

نمایش نظرات

آموزش سنجش کیفیت جامع داده‌ها (Total Data Quality)
جزییات دوره
9h 1m
29
(آخرین آپدیت)
1,676
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده