آموزش مهندس داده شوید - BI، Python، SQL، SSIS، ETL

Become a Data Engineer- BI, Python, SQL, SSIS, ETL

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تغییر هوش تجاری با پایتون، SQL، SSIS و ETL ایجاد درک کاملی از اصول مهندسی داده در زمینه هوش تجاری (BI). به اصول برنامه نویسی پایتون برای دستکاری، تجزیه و تحلیل و تجسم داده ها مسلط شوید. استفاده ماهرانه از SQL برای مدیریت پایگاه داده، پرس و جو و بهینه سازی. نقش و قابلیت های SSIS (سرویس های یکپارچه سازی سرور SQL) در یکپارچه سازی داده ها و فرآیندهای ETL را درک کنید. طراحی و پیاده سازی راه حل های ETL (Extract, Transform, Load) با استفاده از SSIS برای پردازش کارآمد داده ها. استراتژی های پاکسازی، اعتبار سنجی و تبدیل داده ها را در فرآیندهای ETL پیاده سازی کنید. مفاهیم انبار داده و اهمیت آنها را در BI و تجزیه و تحلیل درک کنید. توسعه مهارت در بهینه سازی عملکرد برای گردش کار ETL و پردازش داده ها. مطالعات موردی در دنیای واقعی و پروژه های عملی شامل فرآیندهای ETL و وظایف BI را تجزیه و تحلیل کنید. اسکریپت ها و کتابخانه های پایتون را در جریان های کاری ETL ادغام کنید تا قابلیت های پردازش داده ها را افزایش دهید. از پرس و جوهای SQL و عملکردهای SSIS برای مدیریت خطا و اشکال زدایی در خطوط لوله داده استفاده کنید. با استفاده از کتابخانه های پایتون مانند Matplotlib و Seaborn، تجسم داده های تعاملی و روشنگر ایجاد کنید. نشان دادن مهارت در دستکاری و آماده سازی داده ها برای برنامه های کاربردی و تجزیه و تحلیل BI. پیاده سازی تکنیک های پیشرفته برای تجمیع داده ها، گروه بندی و خلاصه سازی. طراحی و اجرای یک پروژه capstone جامع با ادغام تکنیک های Python، SQL، SSIS، و ETL. پیش نیازها: درک اولیه مفاهیم داده ها: آشنایی با مفاهیم بنیادی داده مانند انواع داده ها، پایگاه های داده، ساختار داده ها و اصول دستکاری داده ها می تواند پایه ای برای درک مفاهیم پیشرفته تر مهندسی داده فراهم کند. دانش اولیه برنامه نویسی: اگرچه اجباری نیست، داشتن درک اولیه از مفاهیم برنامه نویسی می تواند مفید باشد. دانش متغیرها، حلقه‌ها، توابع و عبارات شرطی ممکن است فرآیند یادگیری را تسهیل کند، به‌ویژه زمانی که در برنامه‌نویسی پایتون فرو می‌روید. سواد کامپیوتری: دانش آموزان باید مهارت های اولیه سواد کامپیوتری از جمله آشنایی با سیستم عامل ها، مدیریت فایل ها و پیمایش خط فرمان یا ترمینال را داشته باشند. دسترسی به یک کامپیوتر با اتصال به اینترنت پایدار برای دسترسی به مواد درسی و انجام تمرین های عملی ضروری است. علاقه به مهندسی داده و هوش تجاری: علاقه به مهندسی داده، مفاهیم BI، و تمایل به کاوش بیشتر در کاربردهای عملی فرآیندهای Python، SQL، SSIS و ETL می تواند انگیزه و تعامل را در طول دوره به طور قابل توجهی افزایش دهد. اختیاری: تجربه قبلی با مدیریت پایگاه داده: برخی از مواجهه قبلی با سیستم های مدیریت پایگاه داده (DBMS)، پرس و جوی SQL، یا دستکاری داده ها با استفاده از صفحات گسترده ممکن است سودمند باشد، اما الزامی سختگیرانه نیست زیرا این موضوعات در طول دوره پوشش داده می شوند. داشتن میل شدید به یادگیری، کاوش و مشارکت فعال با محتوای دوره، تمرین ها و پروژه ها بسیار مهم است. ساختار دوره ممکن است فراگیرانی را با سطوح مختلف دانش قبلی در خود جای دهد، اما درک کامل از مفاهیم بنیادی داده و اشتیاق به یادگیری در مورد مهندسی داده برای اهداف BI برای حداکثر درک و تکمیل موفقیت آمیز دوره مفید خواهد بود.

این دوره با هدف تجهیز افراد به مهارت های ضروری مورد نیاز برای تبدیل شدن به مهندسان داده ماهر متخصص در هوش تجاری است. شرکت کنندگان درک جامعی از برنامه نویسی پایتون، مدیریت پایگاه داده SQL، SSIS (سرویس های یکپارچه سازی SQL Server) و اصول فرآیندهای Extract، Transform، Load (ETL) به دست خواهند آورد. از طریق ترکیبی از یادگیری تئوری و تمرین‌های عملی عملی، دانش‌آموزان تخصص مورد نیاز برای برتری در زمینه مهندسی داده، به‌ویژه در وظایف مرتبط با BI را توسعه خواهند داد.


مهارت هایی که دانش آموزان خواهند آموخت:


در طول این دوره، شرکت کنندگان در زمینه های کلیدی زیر مهارت خواهند داشت:

برنامه نویسی پایتون: با استفاده از کتابخانه هایی مانند Pandas و NumPy، اصول برنامه نویسی پایتون و کاربرد آن در دستکاری، تجزیه و تحلیل و تجسم داده ها را بیاموزید.

مدیریت پایگاه داده SQL: استاد SQL برای جستجو در پایگاه داده، مدیریت، بهینه سازی و تکنیک های پیشرفته دستکاری داده ها.

SSIS (سرویس‌های یکپارچه‌سازی SQL Server): درک جامعی از SSIS و نقش آن در طراحی و پیاده‌سازی راه‌حل‌های ETL برای یکپارچه‌سازی داده‌ها به دست آورید.

فرایندهای ETL: اصول و بهترین شیوه‌های فرآیندهای استخراج، تبدیل، بارگذاری (ETL)، از جمله استخراج داده‌ها، تبدیل، و بارگذاری در سیستم‌های هدف را بیاموزید.


شرایط دوره:


این دوره برای افرادی مناسب است که درک اولیه ای از مفاهیم داده دارند و علاقه زیادی به دنبال کردن حرفه ای در زمینه مهندسی داده و هوش تجاری دارند. پیش نیازهای این دوره عبارتند از:

آشنایی با مفاهیم داده: درک اولیه انواع داده ها، پایگاه های داده و مفاهیم دستکاری داده توصیه می شود.

دانش اولیه برنامه نویسی: آشنایی با مفاهیم برنامه نویسی مفید است، اما اجباری نیست.

سواد رایانه: دسترسی به رایانه ای با اتصال اینترنت پایدار و قابلیت نصب نرم افزارهای لازم (ابزارهای Python، SQL، و غیره) برای تمرینات عملی.


این دوره برای چه کسانی طراحی شده است؟


این دوره برای:

ایده آل است


مهندسین داده مشتاق به دنبال تخصص در هوش تجاری.

تحلیلگران داده یا دانشمندان داده با هدف گسترش مجموعه مهارت های خود در حوزه مهندسی داده برای برنامه های کاربردی BI.

حرفه‌ای در حال انتقال به مشاغل در زمینه مهندسی داده با تمرکز خاص بر ابزارها و فرآیندهای BI.

این دوره به گونه‌ای طراحی شده است که در دسترس و جامع باشد، پایه محکمی برای افرادی فراهم می‌کند که به دنبال شروع یا پیشرفت در یک حرفه در مهندسی داده، به ویژه در حوزه هوش تجاری هستند.

در این سفر آموزشی به ما بپیوندید تا مفاهیم اصلی و کاربردهای عملی ضروری برای مهارت در مهندسی داده برای هوش تجاری را بررسی کنیم.


سرفصل ها و درس ها

مقدمه ای بر مهندسی داده و BI Introduction to Data Engineering and BI

  • معرفی Introduction

  • مهندسی داده چیست؟ What is data engineering

  • BI چیست What is BI

  • مروری بر مهندسی داده و اهمیت آن در BI Overview of Data Engineering and its significance in BI

  • درک نقش یک مهندس داده در شرکت های مدرن Understanding the role of a Data Engineer in modern enterprises

  • مقدمه ای بر مفاهیم و ابزارهای BI Introduction to BI concepts and tools

مبانی پایتون برای مهندسان داده Foundations of Python for Data Engineers

  • مبانی زبان برنامه نویسی پایتون Basics of Python programming language

  • مقدمه ای بر NumPy برای محاسبات عددی Introduction to NumPy for numerical computing

  • نوت بوک ژوپیتر چیست؟ What is Jupyter Notebook

  • راهنمای نصب Jupyter Notebook Server Guide to installing Jupyter Notebook Server

  • نصب سرور نوت بوک Jupyter در ویندوز Installing Jupyter Notebook Server on Windows

  • سرور نوت بوک Jupyter در حال اجرا Running Jupyter Notebook Server

  • دستورات رایج نوت بوک Jupyter Common Jupyter Notebook Commands

  • اجزای نوت بوک Jupyter Jupyter Notebook Components

  • داشبورد نوت بوک Jupyter Jupyter Notebook Dashboard

  • رابط کاربری نوت بوک Jupyter Jupyter Notebook User Interface

  • ایجاد یک نوت بوک جدید Creating a new notebook

  • عبارات پایتون Python Expressions

  • بیانیه های پایتون Python Statements

  • نظرات پایتون Python Comments

  • انواع داده پایتون Python Data Types

  • انواع داده های ریخته گری Casting Data Types

  • متغیرهای پایتون Python Variables

  • لیست پایتون Python List

  • پایتون تاپل Python Tuple

  • دیکشنری های پایتون Python Dictionaries

  • اپراتورهای پایتون Python Operators

  • دستورات شرطی پایتون Python Conditional Statements

  • حلقه های پایتون Python Loops

  • توابع پایتون Python Functions

  • داده های جدولی Tabular Data

  • دستکاری و تجزیه و تحلیل داده ها با استفاده از کتابخانه پاندا Data manipulation and analysis using Pandas library

  • کاوش Pandas DataFrame Exploring Pandas DataFrame

  • دستکاری یک DataFrame پانداها Manipulating a Pandas DataFrame

  • پاکسازی داده ها چیست؟ What is data cleaning

  • فرآیند پاکسازی داده های اولیه Basic data cleaning process

  • تجسم داده چیست؟ What is data visualization

  • تجسم داده های کیفی Visualizing Qualitative Data

  • تجسم داده های کمی Visualizing Quantitative Data

مدیریت پایگاه داده SQL SQL Database Management

  • SQL چیست؟ What is SQL

  • TSQL چیست؟ What is TSQL

  • SQL Server چیست؟ What is SQL Server

  • الزامات نصب SQL Server SQL Server Installation Requirements

  • نسخه های سرور SQL SQL Server Editions

  • دانلود SQL Server Developer Edition Download SQL Server Developer Edition

  • نصب نسخه توسعه دهنده SQL Server SQL Server Developer Edition Installation

  • نصب SQL Server Management Studio Installing SQL Server Management Studio

  • اتصال به SQL Server با SSMS Connecting to SQL Server with SSMS

  • نمونه دیتابیس را دانلود و نصب کنید Download and install sample database

  • مفاهیم پایه پایگاه داده Basic database concepts

  • مقدمه ای برای اتصال جداول با SQL Introduction to joining tables with SQL

  • پیوستن داخلی INNER JOIN

  • LEFT Outer Join LEFT Outer Join

  • RIGHT Outer Join RIGHT Outer Join

  • مقدمه ای بر فیلتر کردن داده ها با SQL Introduction to filtering data with SQL

  • فیلتر کردن سوابق با استفاده از فیلترهای برابری اولیه Filtering Records Using Basic Equality Filters

  • فیلتر کردن سوابق با استفاده از مقایسه های اساسی Filtering Records Using Basic Comparisons

  • فیلتر کردن رکوردها با استفاده از مقایسه های منطقی Filtering Records Using Logical Comparisons

  • فیلتر کردن رکوردها با استفاده از مقایسه رشته ها Filtering Records Using String Comparisons

  • فیلتر کردن رکوردها با استفاده از مقایسه NULL Filtering Records Using NULL Comparisons

  • مقدمه ای بر مرتب سازی داده ها با SQL Introduction to sorting data with SQL

  • مرتب سازی بر اساس صعودی Sorting by Ascending

  • مرتب سازی بر اساس نزولی Sorting By Descending

  • مرتب سازی بر اساس چندین ستون Sorting By multiple columns

  • مقدمه ای بر توابع جمع Introduction to aggregate functions

  • COUNT () تابع جمع COUNT () Aggregate Function

  • تابع جمع AVG(). AVG() Aggregate Function

  • تابع جمع MAX() MAX() Aggregate Function

  • تابع جمع MIN() MIN() Aggregate Function

  • تابع جمع SUM(). SUM() Aggregate Function

  • استفاده از توابع جمع چندگانه Using Multiple Aggregate Functions

  • گروه بندی داده ها Grouping Data

  • استفاده از سوالات فرعی Using Subqueries

  • عبارات جدول رایج (CTE) Common Table Expressions (CTEs)

  • استفاده از توابع ویندوز Using Windows Functions

  • استفاده از عملیات Pivot و Unpivot Using Pivot and Unpivot operations

  • پرس و جوهای SQL پیشرفته برای دستکاری و استخراج داده ها Advanced SQL queries for data manipulation and extraction

  • بهینه سازی پایگاه داده و تکنیک های تنظیم عملکرد Database optimization and performance tuning techniques

SSIS (سرویس های یکپارچه سازی سرور SQL) SSIS (SQL Server Integration Services)

  • درک SSIS و نقش آن در فرآیندهای ETL Understanding SSIS and its role in ETL processes

  • طراحی و پیاده سازی راه حل های ETL با استفاده از SSIS Designing and implementing ETL solutions using SSIS

  • انجام وظایف استخراج، تبدیل و بارگذاری داده ها Handling data extraction, transformation, and loading tasks

  • مدیریت خطا و اشکال زدایی در بسته های SSIS Error handling and debugging in SSIS packages

  • نصب نمونه پایگاه داده Datawarehouse Installing sample Datawarehouse Database

  • ویژوال استودیو چیست؟ What is Visual Studio

  • الزامات نصب ویژوال استودیو Visual studio installation requirements

  • ویژوال استودیو را نصب کنید Install Visual Studio

  • SQL Server Data Tools - SSDT را نصب کنید Install SQL Server Data Tools - SSDT

  • SSDT Designer Templates را نصب کنید Install SSDT Designer Templates

  • ETL چیست؟ What is ETL

  • یک پروژه خدمات یکپارچه سازی جدید ایجاد کنید Create a new Integration Services project

  • یک مدیر اتصال Flat File را اضافه و پیکربندی کنید Add and configure a Flat File connection manager

  • نگاشت مجدد انواع داده های ستون Remapping Column Data Types

  • یک مدیر اتصال OLE DB را اضافه و پیکربندی کنید Add and configure an OLE DB connection manager

  • یک وظیفه جریان داده را به بسته اضافه کنید Add a Data Flow task to the package

  • منبع فایل مسطح را اضافه و پیکربندی کنید Add and configure the flat file source

  • تبدیل های جستجو را اضافه و پیکربندی کنید Add and configure the lookup transformations

  • Lookup for DateKey Transformation را اضافه و پیکربندی کنید Add and configure Lookup for DateKey Transformation

  • مقصد OLE DB را اضافه و پیکربندی کنید Add and configure the OLE DB destination

  • بسته را تست کنید Test the package

تکنیک های پیشرفته ETL Advanced ETL Techniques

  • بهترین شیوه ها برای توسعه و پیاده سازی ETL Best practices for ETL development and implementation

  • کار با داده های بدون ساختار و نیمه ساختار یافته Working with unstructured and semi-structured data

  • استراتژی های پاکسازی، اعتبار سنجی و تبدیل داده ها Data cleansing, validation, and transformation strategies

  • مطالعات موردی زندگی واقعی و یادگیری مبتنی بر پروژه برای وظایف ETL Real-life case studies and project-based learning for ETL tasks

پروژه Capstone و موضوعات پیشرفته Capstone Project and Advanced Topics

  • پروژه Capstone یکپارچه سازی تکنیک های Python، SQL، SSIS، و ETL Capstone project integrating Python, SQL, SSIS, and ETL techniques

  • بهینه سازی عملکرد در گردش کار ETL Performance optimization in ETL workflows

  • مقدمه ای بر مفاهیم انبارداری داده Introduction to Data Warehousing concepts

  • روندهای نوظهور و موضوعات پیشرفته در مهندسی داده و BI Emerging trends and advanced topics in Data Engineering and BI

نمایش نظرات

آموزش مهندس داده شوید - BI، Python، SQL، SSIS، ETL
جزییات دوره
8.5 hours
107
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,005
از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Bluelime Learning Solutions Bluelime Learning Solutions

آموزش ساده بلوبلایم مبتنی بر انگلستان است و کیفیت قابل فهم راه حل های یادگیری الکترونیکی را ایجاد می کند. همه دوره های ما 100٪ مبتنی بر فیلم است. ما نمونه هایی را به دست ها می آموزیم که مهارت های زندگی واقعی را آموزش می دهند. Bluelime در پروژه های مختلف برای 500 شرکت ثروتمند شرکت کرده است و درک می کند که برای آماده سازی دانش آموزان با مهارت های مربوطه مورد نیاز چیست.