آموزش مدل‌سازی داده‌های مبتنی بر هوش مصنوعی با استفاده از ChatGPT و Copilot - آخرین آپدیت

مقدمه Introduction

• معرفی دوره Course Promo

• خوش‌آمدگویی و آشنایی با مدرس Welcome and Getting to Know Your Lecturer

• انتظارات از دوره و دستاوردهای یادگیری What to Expect from This Course & Learning Outcomes

مبانی و پایه‌های مدل‌سازی داده‌ها Data Modeling Fundamentals and Foundations

• معرفی پودمان Module Introduction

• مدل داده چیست و چرا اهمیت دارد؟ What Is a Data Model and Why Does It Matter?

• چرا مدل‌های داده مهم هستند؟ Why Do Data Models Matter?

• مدل داده مفهومی (Conceptual) Conceptual Data Model

• مدل داده منطقی (Logical) Logical Data Model

• مدل داده فیزیکی (Physical) Physical Data Model

• سطوح مدل‌های داده: خلاصه Levels of Data Models: Summary

• مدل‌سازی ابعادی: مقدمه Dimensional Modeling: Introduction

• مدل‌سازی ابعادی: اهمیت Dimensional Modeling: Importance

• مدل‌سازی ابعادی: فکت‌ها و ابعاد Dimensional Modeling: Facts & Dimensions

• مدل ابعادی: نحوه تعامل فکت‌ها و ابعاد Dimensional Model: How Facts and Dimensions Work Together

• نمایش مدل داده در Power BI Data Model Demonstration in Power BI

• درک قابلیت جمع‌پذیری (Additivity) در فکت‌ها Understanding Additivity in Facts

• انواع جمع‌پذیری در عمل Types of Additivity in Practice

• فکت‌های جمع‌پذیر: مثال Additive Facts: Example

• فکت‌های نیمه‌جمع‌پذیر: مثال Semi-Additive Facts: Example

• فکت‌های غیرجمع‌پذیر: مثال Non-Additive Facts: Example

• دمو: جمع‌پذیری در Power BI Demo: Additivity in Power BI

• چرا جمع‌پذیری در هوش تجاری (BI) کاربردی است Why Additivity Matters in Business Intelligence in Practice

• ابعاد مشترک (Conformed Dimensions) – کلید تحلیل‌های سازگار Conformed Dimensions – A Key to Consistent Analysis

• پیاده‌سازی ابعاد مشترک در Power BI Conformed Dimensions Applied in Power BI

• ابعاد با تغییرات کند (SCDs) چیستند؟ What Are Slowly Changing Dimensions (SCDs)?

• انواع ابعاد با تغییرات کند Types of Slowly Changing Dimensions

• ابعاد با تغییرات کند – نوع 0 Slowly Changing Dimensions – Type 0

• ابعاد با تغییرات کند – نوع 1 Slowly Changing Dimensions – Type 1

• ابعاد با تغییرات کند – نوع 2 Slowly Changing Dimensions – Type 2

• ابعاد با تغییرات کند – نوع 3 Slowly Changing Dimensions – Type 3

• مدل‌سازی نرمال شده Normalized Modeling

• مدل داده نرمال شده – مثال Normalized Data Model – Example

• طرح ستاره‌ای (Star Schema) Star Schema

• طرح ستاره‌ای – مثال Star Schema – Example

• مقدمه‌ای بر نمادگذاری‌های مدل‌سازی داده Introduction to Data Modeling Notations

• نمادگذاری‌های رایج در مدل‌سازی داده Common Data Modeling Notations

• عناصر اصلی مدل‌های داده Core Elements of Data Models

• مثال نماد Crow's Foot Crow's Foot Example

• ابزارهای مدل‌سازی داده Tools for Data Modeling

تمرین مدل‌سازی داده‌ها Data Modeling Exercise

• معرفی مطالعه موردی Case Study Introduction

• آشنایی با dbdiagram.io Introduction to dbdiagram.io

• آشنایی با draw.io Introduction to draw.io

• راه‌اندازی پایگاه داده MySQL و MySQL Workbench Setting Up MySQL Database and MySQL Workbench

• مرور کلی مطالعه موردی The Case Study Overview

• تحلیل مطالعه موردی (بخش اول) Analyzing the Case Study (Part 1)

• تحلیل مطالعه موردی (بخش دوم) Analyzing the Case Study (Part 2)

• رسم مدل داده مفهومی Drawing the Conceptual Data Model

• رسم مدل داده منطقی (در draw.io) Drawing the Logical Data Model (in draw.io)

• رسم مدل داده منطقی (در MySQL Workbench) Drawing the Logical Data Model (in MySQL Workbench)

• مهندسی پیشرو (Forward Engineering) در MySQL Workbench Forward Engineering in MySQL Workbench

• رسم مدل ابعادی (بخش اول) Drawing the Dimensional Model (Part 1)

• رسم مدل ابعادی (بخش دوم) Drawing the Dimensional Model (Part 2)

ضروریات معماری داده‌ها Data Architecture Essentials

• معرفی پودمان Module Introduction

• معماری BI و تحلیل داده چیست؟ What Is BI & Data Analytics Architecture?

• مدل معماری هوش تجاری Business Intelligence Architecture Model

• نقش‌های کلیدی در هوش تجاری و معماری داده Key Roles in Business Intelligence & Data Architecture

• چرا به معماری تخصصی BI و تحلیل داده نیاز داریم؟ Why Do We Need Specialized Business Intelligence & Analytics Architecture?

• انبار داده (Data Warehouse) چیست؟ What Is a Data Warehouse?

• معماری انبار داده Data Warehouse Architecture

• دیتا مارت (Data Mart) چیست؟ What Is a Data Mart?

• اهمیت معماری‌های دیتا مارت Data Mart Architectures Matter

• معماری Stovepipe – مرور کلی Stovepipe Architecture – Overview

• معماری Stovepipe – مزایا و معایب Stovepipe Architecture – Pro & Con

• معماری Hub and Spoke – مرور کلی Hub-and-Spoke Architecture – Overview

• معماری Hub and Spoke – مزایا و معایب Hub-and-Spoke Architecture – Pro & Con

• مقایسه اینمون در مقابل کیمبال (و ترکیب مدرن) Inmon vs. Kimball (and the Modern Blend)

• دریاچه داده (Data Lake) چیست؟ What Is a Data Lake?

• معماری دریاچه داده Data Lake Architecture

• مقایسه انبار داده در مقابل دریاچه داده Data Warehouse vs. Data Lake

• دیتا لیک‌هاوس (Data Lakehouse) چیست؟ What Is a Data Lakehouse?

• متاداده و حاکمیت داده‌ها (Data Governance) Metadata and Data Governance

استخراج، تبدیل و بارگذاری (ETL)، ELT و مفاهیم OLAP و OLTP Extract Transform Load (ETL), ELT, and OLAP & OLTP

• معرفی پودمان Module Introduction

• مقدمه‌ای بر ETL و ELT Introduction to ETL and ELT

• تبدیلات رایج (Transformations) Typical Transformations

• بارگذاری (Load) Load

• بارگذاری افزایشی (Incremental Load) The Incremental Load

• پردازش رکوردهای حذف شده Processing Deleted Records

• پردازش رکوردهای حذف شده (بارگذاری افزایشی) Processing Deleted Records (Incremental Load)

• پردازش آنلاین تراکنش‌ها (OLTP) چیست؟ What Is Online Transaction Processing (OLTP)?

• پردازش تحلیلی آنلاین (OLAP) چیست؟ What Is Online Analytical Processing (OLAP)?

• تفاوت‌های کلیدی OLTP در مقابل OLAP OLTP vs. OLAP – Key Differences

• تاثیر ETL و معماری سیستم بر مدل‌های داده How ETL & System Architecture Influence Data Models

• محل قرارگیری منطق – SCDها، استیجینگ و حسابرسی Where Logic Lives – SCDs, Staging and Audit

• درک نواحی استیجینگ (Staging Areas) در ETL Understanding ETL Staging Areas

• چرا زمان‌بندی در ETL اهمیت دارد Why Timing Matters in ETL

• ETL دسته‌ای (Batch) – مفاهیم و ویژگی‌ها Batch ETL – Concepts and Characteristics

• ETL/ELT در لحظه (Streaming) – مفاهیم و ویژگی‌ها Real-Time (Streaming) ETL/ELT – Concepts and Characteristics

• مقایسه ETL دسته‌ای در مقابل ETL در لحظه Batch ETL vs. Real-Time ETL

• انتخاب رویکرد مناسب: ملاحظات تجاری و فنی Choosing the Right Approach: Business & Technical Considerations

• ارکستراسیون و زمان‌بندی ETL چیست؟ What Is ETL Orchestration & Scheduling?

• اجزای کلیدی و رویکردهای زمان‌بندی Key Components & Scheduling Approaches

• بهترین روش‌ها برای ارکستراسیون ETL Best Practices for ETL Orchestration

• عوامل کلیدی تاثیرگذار بر عملکرد ETL Key Factors Impacting ETL Performance

• تکنیک‌های بهینه‌سازی و بهترین متدها Optimization Techniques & Best Practices

• مرور کلی ابزارهای ETL ETL Tools Overview

تمرین ETL و معماری داده‌ها در Apache Hop ETL and Data Architecture Exercise in Apache Hop

• مقدمه Introduction

• راه‌اندازی Apache Hop (پنتـاهوی سابق) Setting Up Apache Hop (Previously Pentaho)

• تنظیم محیط Apache Hop و بارگذاری داده‌ها Setting Up the Apache Hop Environment and Loading the Data

• توسعه ETL از سیستم منبع تا ناحیه استیجینگ Developing the ETL from the Source System to the Staging Area

• توسعه خط لوله ETL از ناحیه استیجینگ تا انبار داده Developing the ETL Pipeline from the Staging Area to the Data Warehouse

• اتصال Power BI به مدل داده ابعادی ما Connecting Power BI to Our Dimensional Data Model

پروژه نهایی – از نیازمندی‌ها تا مدل داده، ETL و Power BI Capstone Project – From Requirements to Data Model, to ETL to Power BI

• مقدمه Introduction

• معرفی مورد مطالعاتی Introducing the Case

• تحلیل مورد مطالعاتی Analyzing the Case

• رسم مدل داده مفهومی Drawing the Conceptual Data Model

• رسم مدل داده منطقی Drawing the Logical Data Model

• رسم طرح ستاره‌ای Drawing the Star Schema

• راه‌اندازی محیط داده‌ها Setting Up the Data Environment

• راه‌اندازی پروژه Apache Hop Setting Up Apache Hop Project

• راه‌اندازی خط لوله ETL با استفاده از تزریق متاداده Setting Up the ETL Pipeline Using Metadata Injection

• راه‌اندازی خط لوله ETL از ناحیه استیجینگ تا انبار داده Setting Up the ETL Pipeline from the Staging Area to the Data Warehouse

• اتصال Power BI به طرح ستاره‌ای Connecting Power BI to the Star Schema

مدل‌سازی داده‌ها با هوش مصنوعی (AI)، Copilot و ChatGPT Data Modeling with Artificial Intelligence (AI), Copilot and ChatGPT

• مقدمه Introduction

• مرور کلی: مدل‌سازی داده با GitHub Copilot Overview: Data Modeling with GitHub Copilot

• دمو: ایده‌پردازی مدل داده با ChatGPT Demo: Data Model and Idea Brainstorming with ChatGPT

• دمو: مستندسازی طرح (Schema) و واژه‌نامه با GitHub Copilot Demo: Schema Documentation and Glossary with GitHub Copilot

• دمو: شناسایی فکت‌ها و ابعاد با GitHub Copilot Demo: Fact & Dimension Identification with GitHub Copilot

• دمو: تعریف ETL با GitHub Copilot Demo: ETL Definition with GitHub Copilot

• دمو: بررسی کیفیت داده‌ها با ChatGPT Demo: Data Quality Checks with ChatGPT

• تولید داده‌های نمونه و تست با ChatGPT Sample and Test Data Generation with ChatGPT

جمع‌بندی Conclusion

• جمع‌بندی Conclusion