آموزش روش های داده Power BI

Power BI Data Methods

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: Power BI ابزاری قدرتمند برای تجزیه و تحلیل و تجسم داده است که به کاربران در نظارت بر داده ها ، تحلیل روندها و تصمیم گیری دقیق تر کمک می کند. گستردگی قابلیت های این ابزار در کل برنامه بسیار گسترده است ، از اتصالات داده سفارشی گرفته تا تصاویر داشبورد سفارشی. این دوره بر روی پایان داده Power BI ، همچنین به عنوان Power Query (همان Query Power موجود در اکسل) شناخته می شود ، و اینکه چگونه این قسمت از برنامه می تواند فرآیند جستجوی داده ها و بازسازی مجموعه داده ها را به صورت خودکار تمرکز کند. مربی هلن وال مجموعه ای از گزینه های اتصال داده Power BI را از پرونده های ثابت تا اسکریپت های پایتون مرور می کند. تکنیک های اصلی برای تبدیل داده های غیر قابل استفاده را به اشتراک می گذارد. نحوه استفاده از زبان فرمول M برای بهبود کارایی و ایجاد نمایش داده های سفارشی را توضیح می دهد. و بیشتر.
موضوعات شامل:
  • مراحل اتصال به پوشه ها را شرح دهید.
  • روند استفاده از لیست و ضبط اشیا را در تجزیه و تحلیل داده ها توضیح دهید.
  • هنگام ایجاد کد با M. خطاها را شناسایی کنید
  • نحوه ارجاع لیست به جدول را به عنوان ستون مشخص كنید.

سرفصل ها و درس ها

مقدمه Introduction

  • اکوسیستم Power BI The Power BI ecosystem

  • Power BI چیست؟ What is Power BI?

  • درک ETL (استخراج ، تبدیل و بار) Understanding ETL (extract, transform, and load)

  • روی Query Power تمرکز کنید Focus on Power Query

  • ملاحظات دوره Course considerations

1. استخراج داده ها: پرونده ها 1. Extracting Data: Files

  • اتصال به CSV یا پرونده های متنی Connecting to CSV or text files

  • وارد کردن داده به صورت دستی Manually entering data

  • اتصال به یک پرونده اکسل Connecting to an Excel file

  • اتصال به یک پرونده PDF Connecting to a PDF file

  • اتصال به پوشه ها Connecting to folders

2. استخراج داده ها: بانک اطلاعاتی 2. Extracting Data: Databases

  • اتصال به پایگاه داده ها Connecting to databases

  • مقایسه حالت های اتصال داده Comparing data connection modes

  • پرس و جوهای تاشو و نمایش داده شدگان بومی Query folding and native queries

3. استخراج داده ها: وب و گزینه های دیگر 3. Extracting Data: Web and Other Options

  • اتصال به جداول وب Connecting to web tables

  • جستجوی داده های API Querying API data

  • جستجوی اتصالات REST API Querying REST API connections

  • پیکربندی فیدهای OData Configuring OData feeds

  • نصب پایتون Installing Python

  • در حال اجرای اسکریپت های پایتون Running Python scripts

4- تبدیل داده ها: تمیز کردن 4. Transforming Data: Cleaning

  • ابرداده اعمال می شود Leveraging metadata

  • انواع داده اعمال می شود Leveraging data types

  • تحولات میدانی اولیه Making initial field transformations

  • زمینه های تقسیم Splitting fields

  • زمینه های ادغام Merging fields

  • تمیز کردن زمینه های متن Cleaning text fields

  • تبدیل زمینه های عددی Transforming numerical fields

  • حذف یا جایگزینی مقادیر Removing or replacing values

  • فیلتر و از بین بردن نسخه های تکراری Filtering and removing duplicates

  • دسترسی به سؤال بومی در تمیز کردن Accessing native query in cleaning

5- تبدیل داده ها: ادغام 5. Transforming Data: Integration

  • معرفی اشیاء جدول Introducing table objects

  • معرفی لیست و ضبط اشیاء Introducing list and record objects

  • کار با اشیاء باینری Working with binary objects

  • داده های گروهی Grouping data

  • داده های محوری Pivoting data

  • انتقال داده Transposing data

  • داده بدون حاشیه Unpivoting data

  • دسترسی به جستجوی محلی در ادغام Accessing native query in integration

6. تبدیل داده ها: غنی سازی 6. Transforming Data: Enrichment

  • فرمول متن اعمال شده Leveraging text formulas

  • فرمول های شرطی Conditional formulas

  • ستون های بالا یا پایین را پر کنید Filling up or down columns

  • فرمول تاریخ اهرم Leveraging date formulas

  • ترکیب پرونده های باینری با فرمول ها Combining binary files with formulas

  • دسترسی به جستجوی محلی در غنی سازی Accessing native query in enrichment

7. اعمال نفوذ M زبان: منطق و نحو 7. Leveraging M Language: Logic and Syntax

  • مراحل کار با ویرایشگر Query Working with Query Editor steps

  • شکستن نحو Breaking down syntax

  • تغییر نام مراحل در M Renaming steps in M

  • تحکیم مراحل M Consolidating M steps

  • افزودن انواع داده به عنوان کد M سفارشی Adding data types as custom M code

  • اتصال به داده های باینری پستی Connecting to zipped binary data

8. اعمال نفوذ زبان M: اشیاء 8. Leveraging M Language: Objects

  • استفاده از پارامترها Utilizing parameters

  • ایجاد اشیاء لیست Creating list objects

  • ارجاع لیست به عنوان ستون در یک جدول Referencing a list as a column in a table

  • اعمال اشیاء ضبط شده Leveraging record objects

  • توابع لیست اعمال نفوذ Leveraging list functions

  • ایجاد جداول تاریخ Creating date tables

  • حلقه زدن با لیست ها Looping with lists

  • ترکیب اشیاء لیست Combining list objects

9. اعمال نفوذ زبان M: توابع سفارشی 9. Leveraging M language: Custom Functions

  • تنظیم توابع سفارشی Setting up custom functions

  • تبدیل نمایش داده شد به توابع Converting queries into functions

  • پیکربندی فیلترهای سفارشی Configuring custom filtering

10. بارگیری داده ها 10. Loading Data

  • پیکربندی گزینه های بارگیری Configuring loading options

  • رفع خطاها Fixing errors

  • داده های تازه کننده Refreshing data

  • به مجموعه داده ها ملحق می شوید Joining sets of data

  • مدل های کامپوزیت Composite models

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش روش های داده Power BI
جزییات دوره
3h 56m
66
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
14,369
- از 5
دارد
دارد
دارد
Helen Wall
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Helen Wall Helen Wall

کارشناس تجزیه و تحلیل داده ها و تجزیه و تحلیل کسب و کار

هلن وال یک متخصص تجزیه و تحلیل داده ها و تجزیه و تحلیل کسب و کار است.

هلن در تجزیه و تحلیل داده ها - پرسش، تجزیه و تحلیل و مدل سازی داده ها مهارت دارد. برای به دست آوردن بینش - و ایجاد تجسم هایی که معیارها را نشان می دهد، تا به کسب و کارها در تصمیم گیری آگاهانه کمک کند. او در نقش خود به عنوان یک تحلیلگر ارشد مالی، در حال حاضر گزارش ها را بهبود می بخشد، فرآیندها را ساده می کند و پیش بینی ها را نظارت می کند و به گروه پیش بینی و تجزیه و تحلیل بودجه کمک می کند. او در چندین ابزار از جمله Tableau، Microsoft Excel، Microsoft Power Query، Microsoft Power BI مهارت دارد.