راهنمای جامع آماده‌سازی داده‌ها برای تحلیل [آموزشی] - آخرین آپدیت

سرفصل ها و درس ها

بخش اول: مقدمه و چارچوب‌های جمع‌آوری داده برای متخصصین داده Part 1 - Introduction - Data Collection Frameworks for Data Professionals

• مقدمه Introduction

• کجا و چرا به جمع‌آوری داده نیاز داریم Where and Why We Need Data Collection

انواع و چارچوب‌های جمع‌آوری داده Types and Frameworks of Data Collection

• انواع جمع‌آوری داده Types of Data Collection

• چارچوب تحلیل‌های موبایل و وب Mobile and Web Analytics Framework

• چارچوب‌های تحلیل تعامل کاربر User Engagement Analytics Frameworks

• چارچوب‌های ثبت متمرکز لاگ‌ها Centralized Logging Frameworks

• چارچوب‌های استریمینگ داده‌های در لحظه Real-Time Data Streaming Frameworks

• چارچوب‌های جمع‌آوری داده مبتنی بر ابر (Cloud) Cloud-Based Data Collection Frameworks

• چارچوب‌های مشاهده‌پذیری (Observability) Observability Frameworks

زمینه تجاری و ابزارهای جمع‌آوری داده Business Context and Tools for Data Collection

• تکامل کسب‌وکار و چارچوب‌ها در مراحل مختلف بیزنس Business Evolution and Frameworks at Different Stages of the Business

• ابزارهای مورد استفاده در چارچوب‌های جمع‌آوری داده Tools for Data Collection Frameworks

بخش دوم: مقدمه طراحی نظرسنجی از مبتدی تا حرفه‌ای، چارچوب‌ها و ChatGPT Part 2 - Introduction Survey Design Beginner to Pro - Framework and ChatGPT

• مقدمه Introduction

• کاربردهای نظرسنجی Where Surveys Are Used

• تاثیر نظرسنجی - مثال مک‌دونالد Impact of a Survey - McDonald Example

• انواع نظرسنجی‌ها Types of Surveys

• اجزای یک نظرسنجی Components of a Survey

مقدمه‌ای بر پروژه نظرسنجی Introduction to the Survey Project

• مقدمه‌ای بر پروژه Introduction to the Project

• اطلاعات پیش‌زمینه و تعریف اهداف Background Information and Defining Objectives

طراحی سوالات نظرسنجی Creating Survey Questions

• مقدمه بخش Section Introduction

• تم‌های تفکری - تم‌های کلیدی Thinking Themes – Key Themes

• طوفان فکری برای سوالات Brainstorming Questions

• اولویت‌بندی سوالات Prioritizing Questions

• انواع سوالات Question Types

• طراحی سوالات شفاف Crafting Clear Questions

• پرهیز از سوالات دوپهلو (Double Barreled) Avoid Double-Barreled Questions

• بررسی گزینه‌های پاسخ Consider Response Options

• زبان خنثی، جریان سوالات و حساسیت‌ها Neutral Language Question Flow and Sensitivity

ساخت پرسشنامه با استفاده از ChatGPT Creating Questionnaire with ChatGPT

• تدوین و بهینه‌سازی سوالات Forming Questions and Fine-Tuning the Questions

• ساخت پرسشنامه در گوگل فرم و ایجاد گزینه‌ها Creating the Questionnaire in Google Forms and Creating Options

مدیریت و اجرای نظرسنجی Survey Administration

• شاخه بندی منطقی (Logical Branching) Logical Branching

• اجرای آزمایشی و حالت‌های مدیریتی Piloting and Administrative Modes

• متدهای مدیریتی Administrative Methods

• جمع‌بندی Conclusion

بخش سوم: مقدمه چارچوب‌های استانداردسازی داده‌ها Part 3 - Introduction - Data Standardization Frameworks

• مقدمه‌ای بر دوره استانداردسازی داده‌ها Introduction to the Data Standardization Course

• تاثیر استانداردسازی داده‌ها Impact of Data Standardization

• جنبه‌های استانداردسازی داده‌ها Aspects of Data Standardization

چارچوب‌های استانداردسازی داده‌ها Data Standardization Frameworks

• چارچوب‌های استانداردسازی داده Frameworks of Data Standardization

• آماده‌سازی داده‌ها (Data Wrangling) Data Wrangling

• استانداردسازی داده‌ها Data Standardization

• ارکستراسیون داده‌ها (Data Orchestration) Data Orchestration

• ترکیب داده‌ها (Data Blending) Data Blending

• پاک‌سازی داده‌ها Data Cleaning

• تبدیل داده‌ها (Data Transformation) Data Transformation

• یکپارچه‌سازی و غنی‌سازی داده‌ها Data Integration and Data Enrichment

استانداردهای صنعتی و چارچوب‌های مربوطه Industry Standards and Its Frameworks

• انواع استانداردسازی و استانداردهای عمومی داده Types of Data Standardization and General Data Standards

• دموی استانداردسازی برای چارچوب‌های عمومی Demo of Data Standardization for General Data Standardization Frameworks

• دموی استانداردسازی داده‌های پیچیده Demo of Complex Data Standardization

بخش چهارم: مقدمه چارچوب‌ها و تکنیک‌های پاک‌سازی داده برای متخصصین داده Part 4 - Introduction - Data Cleaning Frameworks and Techniques - Data Professionals

• مقدمه‌ای بر پاک‌سازی داده‌ها و اهمیت آن Introduction to Data Cleaning and How Significant It Is

• پاک‌سازی داده چیست What Is Data Cleaning

جنبه‌های کلیدی پاک‌سازی داده‌ها Key Aspects of Data Cleaning

• جنبه‌های کلیدی پاک‌سازی داده‌ها Key Aspects of Data Cleaning

• پروفایلینگ داده‌ها (Data Profiling) Data Profiling

• متدهای پاک‌سازی داده‌ها Methods of Data Cleaning

• تاثیر پاک‌سازی داده‌ها Impact of Data Cleaning

• کاربردهای پاک‌سازی داده‌ها Where Data Cleaning Is Used

تکنیک‌های پاک‌سازی داده‌ها Techniques of Data Cleaning

• تکنیک‌های پاک‌سازی داده‌ها Techniques of Data Cleaning

• مدیریت مقادیر مفقود (Missing Values) Handling Missing Values

• مثال‌هایی از مدیریت مقادیر مفقود Examples of Handling Missing Values

• حذف داده‌های تکراری و شناسایی اطلاعات مشابه Data Deduplication and Identifying Duplicate Information

• حذف تکراری‌ها - متدهای مقایسه‌ای Data Deduplication - Comparison Methods

• تشخیص داده‌های تکراری Duplicate Detection

• جمع‌بندی حذف داده‌های تکراری Data Deduplication Conclusion

• شناسایی و مدیریت نقاط پرت (Outliers) Outlier Identification and Treatment

• مثالی از شناسایی و مدیریت نقاط پرت Example of Outlier Identification and Treatment

• نرمال‌سازی و استانداردسازی داده‌ها Data Normalization and Data Standardization

• فرمت‌بندی و تجزیه داده‌ها (Parsing) Data Formatting and Data Parsing

• مدیریت داده‌های ناسازگار Inconsistent Data Handling

• اصلاح خطا و اعتبارسنجی Error Correction and Validation

• تبدیل داده‌ها Data Transformation

• مهندسی ویژگی‌ها (Feature Engineering) Feature Engineering

• مدیریت داده‌های نامتوازن (Imbalanced Data) Handling Imbalanced Data