آموزش ساخت با هوش مصنوعی: خط لولههای داده با Cursor، Neon و Streamlit - آخرین آپدیت
دانلود Build with AI: Data Pipelines with Cursor, Neon, and Streamlit
مقدمه Introduction
-
کدنویسی خط لوله تنها با یک پرامپت Coding a pipeline with one prompt
-
مرور دوره: آنچه خواهید ساخت و آموخت Course overview: What you'll build and learn
۱. راهاندازی پروژه 1. Setting Up Your Project
-
راهاندازی گیتهاب GitHub setup
-
آموزش Cursor AI: کدنویسی خط لولههای داده با IDE مبتنی بر هوش مصنوعی Cursor AI tutorial: Code data pipelines with AI-powered IDE
-
کنترل نسخه با Git: اولین کامیت برای پروژههای خط لوله داده Git version control: First commit for data pipeline projects
-
راهاندازی محیط مجازی پایتون: بهترین روشها برای خط لوله داده Python virtual environment setup: Data pipeline best practices
-
مرور کلی: آنچه خواهید ساخت Overview: What you will build
۲. ساخت پروژه 2. Building Your Project
-
شروع سریع با OpenAlex: تحلیل دادهها برای خط لولههای پایتون OpenAlex quick start: Analyze data for Python data pipelines
-
پردازش و بارگذاری دادهها Process and load your data
-
تست کیفیت دادهها Data quality testing
-
راهاندازی دیتابیس Neon: PostgreSQL ابری برای پروژههای خط لوله داده Neon database setup: Cloud PostgreSQL for data pipeline projects
-
لایه استخراج داده: دریافت دادهها از OpenAlex Data extraction layer: Get data from OpenAlex
-
طراحی شمای جدول و ایجاد جدول در دیتابیس Design table schema and create a table in the database
-
دیپلوی کردن داشبورد Streamlit Deploy the Streamlit dashboard
-
یکپارچهسازی منطق خط لوله Consolidate pipeline logic
-
ساخت داشبورد Streamlit Build a Streamlit dashboard
جمعبندی Conclusion
https://donyad.com/d/ecc936
Vlad Gheorghe
Vlad Gheorghe معمار راه حل های داده سازمانی ، یک متخصص در زیرساخت های ابری و پشته داده های مدرن و علاقه مندان به هوش مصنوعی است.
VLAD سیستم عامل های داده در مقیاس بزرگ را که روزانه 100TB+ را پردازش می کند ، ساخته است. وی با همکاری با استارتاپ های پیشرو برلین ، راه حل هایی را با استفاده از Spark ، AWS ، GCP و Databricks ، مقیاس بندی سیستم عامل های داده را از ابتدا برای ارائه خدمات 100K+ ماهانه انجام داد. او انبارهای داده را برای عملکرد و هزینه بهینه کرده و از طریق گزینه های معماری هوشمند و بهترین شیوه ها ، به پیشرفت های قابل توجهی در زمان اجرا رسیده است. دوره "شهودی SQL برای تجزیه و تحلیل" او به 250K+ بیننده رسیده است ، و مقالات فنی وی 30k+ بازدید را به خود اختصاص داده است. VLAD به عنوان مهندس داده حرفه ای Google تأیید شده است. او علاقه مند به راهنمایی نسل بعدی متخصصان داده و ساختن راه حل های داده با تأثیر بالا است.
نمایش نظرات