آموزش کیفیت داده ها: مفاهیم اصلی

دانلود Data Quality: Core Concepts

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره نظری برای متخصصان داده، ذینفعان در سازمان های داده، رهبری داده ها و متخصصان علاقه مند به کیفیت داده طراحی شده است. مارک فریمن - یک مهندس داده و رهبر فناوری - یک نمای کلی سطح بالا از کیفیت داده ها را ارائه می دهد، معیاری از اینکه چقدر داده ها انتظارات شرکت را برای دقت، کامل بودن، سازگاری، قابلیت اطمینان و اعتبار برآورده می کنند. علاوه بر محتوای دوره، یک پروژه نهایی را تکمیل کنید که شامل یک مخزن کد ارائه شده برای بررسی و یک گزارش تحلیلی با مشکلات کیفیت داده است. مشکلات کیفیت داده ها را شناسایی کنید و برای رفع آنها توصیه هایی ارائه کنید. این دوره شما را با درک قوی از مفاهیم زیربنای کیفیت داده ها مجهز می کند.

سرفصل ها و درس ها

مقدمه Introduction

  • اهمیت کیفیت داده The importance of data quality

1. مبانی کیفیت داده ها 1. Data Quality Fundamentals

  • ابعاد کیفیت داده: مقدمه Data quality dimensions: Intro

  • تمرین فکری: چرخه عمر داده های خود را ترسیم کنید Thought exercise: Map your data lifecycle

  • اتصال کیفیت داده به نتایج کسب و کار: مقدمه Connecting data quality to business outcomes: Intro

  • تمرین فکری: ارزیابی کنید که چگونه DQ بر درآمد و ریسک تأثیر می گذارد Thought exercise: Assess how DQ impacts revenue and risk

  • معرفی کیفیت داده Data quality introduction

  • تمرین فکری: تحقیق را ترکیب کنید و ROI را به اشتراک بگذارید Thought exercise: Synthesize research and communicate ROI

  • تعریف کیفیت داده Defining data quality

  • ابعاد DQ: اعتبار، کامل بودن، سازگاری DQ dimensions: Validity, completeness, consistency

  • تمرین فکری: مدل کسب و کار را درک کنید Thought exercise: Understand the business model

  • تاثیر کیفیت پایین داده ها Impact of poor data quality

  • چارچوب های رایج ارزیابی کیفیت داده ها Common data quality assessment frameworks

  • ابعاد DQ: یکپارچگی، به موقع بودن، ارز DQ dimensions: Integrity, timeliness, currency

  • تمرین فکری: ارزیابی کنید که سهامداران چگونه درآمد کسب می کنند Thought exercise: Evaluate how stakeholders drive revenue

  • ابعاد DQ: معقول بودن، منحصر به فرد بودن، دقت DQ dimensions: Reasonableness, uniqueness, accuracy

  • تمرین فکری: ذینفعان خود را شناسایی کنید Thought exercise: Identify your stakeholders

  • تمرین فکری: تجارت الکترونیک Thought exercise: Ecommerce

2. کیفیت داده در چرخه عمر داده 2. Data Quality Across the Data Lifecycle

  • نمای کلی چرخه عمر داده Data lifecycle overview

  • DQ در سراسر چرخه عمر: اکتساب داده DQ across the lifecycle: Data acquisition

  • ذینفعان چرخه عمر داده: داده ها Data lifecycle stakeholders: Data

  • DQ در سراسر چرخه حیات: پایگاه داده های تحلیلی DQ across the lifecycle: Analytical databases

  • DQ در سراسر چرخه عمر: تجزیه و تحلیل داده ها و محصولات داده DQ across the lifecycle: Data analytics and data products

  • DQ در طول چرخه عمر: خطوط لوله ETL/ELT DQ across the lifecycle: ETL/ELT pipelines

  • ذینفعان چرخه عمر داده: کسب و کار Data lifecycle stakeholders: Business

  • DQ در سراسر چرخه عمر: ایجاد داده DQ across the lifecycle: Data creation

  • DQ در طول چرخه عمر: مصرف داده/بینش DQ across the lifecycle: Data/insights consumption

  • DQ در سراسر چرخه عمر: استراتژی کسب و کار DQ across the lifecycle: Business strategy

  • ذینفعان چرخه عمر داده: مهندسان Data lifecycle stakeholders: Engineers

  • معرفی چرخه عمر داده Data lifecycle introduction

  • DQ در سراسر چرخه حیات: پایگاه های داده تراکنش DQ across the lifecycle: Transactional databases

3. مسائل رایج کیفیت داده ها و نحوه اندازه گیری آنها 3. Common Data Quality Issues and How to Measure Them

  • مقدمه ای بر مسائل و اندازه گیری ها Introduction to issues and measurements

  • اندازه‌گیری کیفیت داده‌ها Measuring data quality

  • تجزیه و تحلیل علت ریشه: RCA Root cause analysis: RCA

  • طرحواره تغییر می کند Schema changes

  • تازگی و به موقع بودن داده ها Data freshness and timeliness

  • نرخ‌های تهی Null rates

  • اشکالات تبدیل داده Data transformation bugs

  • رانش داده Data drift

4. ابزار کیفیت داده 4. Data Quality Tooling

  • کاتالوگ های داده Data catalogs

  • مانیتورینگ داده و قابلیت مشاهده Data monitoring and observability

  • مقدمه ای بر ابزار Introduction to tooling

  • قراردادهای داده Data contracts

  • دیکشنری های داده Data dictionaries

  • اصل و نسب داده Data lineage

نتیجه گیری Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش کیفیت داده ها: مفاهیم اصلی
جزییات دوره
1h 28m
45
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
675
- 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.