آموزش کیفیت داده: تجزیه و تحلیل و ارائه - آخرین آپدیت

دانلود Data Quality: Analytics and Serving

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

دوره آموزشی عملی کیفیت داده: حل مشکلات داده با کدنویسی و استراتژی‌های موثر

در این دوره عملی، به دنیای کیفیت داده قدم بگذارید و مهارت‌های کدنویسی خود را در یک محیط آزمایشی (sandbox) ارتقا دهید. این دوره برای بهبود کیفیت داده طراحی شده و به شما کمک می‌کند تا مشکلات داده را شناسایی، تحلیل و حل کنید.

آنچه در این دوره خواهید آموخت:

  • شناسایی و تحلیل مشکلات کیفیت داده: یاد بگیرید چگونه مسائل مربوط به کیفیت داده را تشخیص دهید و علل ریشه‌ای آن‌ها را بررسی کنید.
  • استفاده از تکنیک‌های پیشرفته: با روش‌های قدرتمندی مانند تحلیل ریشه‌ای (root cause analysis) و مهندسی آشوب (chaos engineering) آشنا شوید.
  • پیاده‌سازی با SQL و DBT: یاد بگیرید چگونه از کوئری‌های SQL و تست‌های DBT برای محافظت از خطوط لوله داده و اطمینان از قابلیت اطمینان مجموعه‌داده‌های خود استفاده کنید.
  • بررسی خطوط لوله داده و منطق کسب‌وکار: با نحوه بررسی خطوط لوله داده و کشف منطق کسب‌وکاری که بر کیفیت داده تاثیر می‌گذارد، آشنا شوید.
  • ارتباط با ذینفعان: نحوه استفاده از استراتژی SBAR برای انتقال موثر یافته‌های خود به ذینفعان را فرا بگیرید.

مدرس: Mark Freeman، مهندس داده با تجربه

چه کسانی می‌توانند از این دوره استفاده کنند؟

  • دانشمندان داده
  • تحلیلگران داده
  • افراد علاقه‌مند به بهبود فرآیندهای داده
  • متخصصانی که به دنبال حل مشکلات کیفیت داده هستند

این دوره به شما کمک می‌کند تا پتانسیل خود را در حل مشکلات پیچیده کیفیت داده آزاد کنید و در محیط‌های داده‌محور تاثیرگذار باشید. با این دوره، بهبود کیفیت داده‌ها را تجربه کنید و به یک متخصص در این زمینه تبدیل شوید!


سرفصل ها و درس ها

مقدمه Introduction

  • آنالیز و درس‌های خدمات در کیفیت داده‌ها Analytics and service lessons in data quality

1. معرفی پروژه 1. Project Introduction

  • CLI و مستندات dbt CLI and dbt docs

  • سناریوی پروژه Project scenario

  • فرایند حل مشکلات کیفیت داده‌های پایین‌دستی The downstream data quality resolution process

  • زیرساخت داده و گزارش ها Data infrastructure and reports

  • کد فضاهای (Codespaces) و مرور کلی مخزن (Repository) Codespaces and repository overview

2. آشوب به پا کن 2. Bring on the Chaos

  • راه حل: هرج و مرج را به پا کنید Solution: Bring on the chaos

  • چالش: آشوب را آغاز کنید Challenge: Bring on the chaos

3. تعیین محدوده مسئله 3. Issue Scoping

  • ورزش: تعیین محدوده مسئله Exercise: Issue scoping

  • ورزش: مستندسازی دامنه پروژه Exercise: Documenting the scope

4. بازتولید مشکل 4. Issue Replication

  • ورزش: مستندسازی تکثیر Exercise: Documenting the replication

  • ورزش: تکرار مسئله Exercise: Issue replication

5. بررسی داده‌ها 5. Data Profiling

  • ورزش: استفاده از شجره‌نامه برای پروفایل‌سازی Exercise: Using lineage for profiling

  • ورزش: مستندسازی برنامه پروفایل‌سازی Exercise: Documenting the profiling plan

  • ورزش: پروفایل‌سازی داده، قسمت ۱ Exercise: Data profiling, part 1

6. پرسش‌های پروفایل‌سازی داده‌ها 6. Data Profiling Queries

  • ورزش: جستجوی مغایرت‌ها Exercise: Querying for discrepancies

  • ورزش: تجزیه و تحلیل داده های آژانس صادر کننده Exercise: Analyzing issuing agency data

  • ورزش: پروفایل‌سازی داده‌ها با پرس و جوها، بخش ۲ Exercise: Data profiling with queries, part 2

  • ورزش: تجزیه و تحلیل داده‌های شهرستان Exercise: Analyzing county data

  • تمرین: خلاصه‌سازی یافته‌های پروفایل‌سازی Exercise: Summarizing profiling findings

7. بررسی خط لوله پایین‌دستی 7. Downstream Pipeline Investigation

  • تمرین: بررسی خط لوله پایین‌دستی Exercise: Downstream pipeline investigation

  • ورزش: شناسایی منطق کسب‌وکار مشکل‌ساز Exercise: Identifying problematic business logic

8. اجرای رفع اشکال (آزمایش‌ها) 8. Implement the Fix (Tests)

  • تمرین: ایجاد و اجرای تست‌های کیفیت داده Exercise: Creating and running DQ tests

  • ورزش: پیاده‌سازی تست‌های رفع اشکال داده (DQ)، قسمت 1 Exercise: Implementing DQ fix tests, part 1

۹. پیاده‌سازی رفع اشکال (کد) 9. Implement the Fix (Code)

  • ورزش: اعمال اصلاحیه کد نهایی Exercise: Applying the final code fix

  • ورزش: پیاده‌سازی رفع خطای کیفیت داده، قسمت دوم Exercise: Implementing the DQ fix, part 2

10. ارتباطات ذینفعان 10. Stakeholder Communications

  • ارتباطات با ذینفعان Stakeholder communications

  • خلاصه کردن یافته‌ها با روش SBAR Summarizing findings with the SBAR method

نتیجه گیری Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش کیفیت داده: تجزیه و تحلیل و ارائه
جزییات دوره
1h 1m
29
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
1,194
- از 5
ندارد
دارد
دارد
Mark Freeman
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mark Freeman Mark Freeman

مارک فریمن یک رهبر فناوری در Gable.ai است.

مارک یک مدافع سلامت جامعه است که به مهندس داده علاقه مند به تلاقی تأثیر اجتماعی، تجارت و فناوری است. هدف او بهبود رفاه هر چه بیشتر مردم از طریق داده ها است - به ویژه در میان افرادی که به حاشیه رانده شده اند. به عنوان بنیانگذار On the Mark Data، مارک از پلتفرم خود برای کمک به برندها در ارتباط با متخصصان داده از طریق محتوای جذاب استفاده می کند. او مدرک کارشناسی ارشد خود را از دانشکده پزشکی استنفورد دریافت کرد و همچنین دارای گواهینامه کارآفرینی و نوآوری از دانشکده تحصیلات تکمیلی استنفورد است. علاوه بر این، او در استارت‌آپ‌های متعددی کار کرده است که در آن‌ها مدل‌های یادگیری ماشینی را در تولید قرار داده است، تجزیه و تحلیل داده‌ها را در محصولات یکپارچه کرده و مهاجرت‌ها را برای بهبود زیرساخت داده‌ها هدایت کرده است.