آموزش بوت کمپ مهندسی تجزیه و تحلیل

Analytics Engineering Bootcamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: تنها با یک دوره به یک متخصص مهندس تجزیه و تحلیل تبدیل شوید. مدل سازی داده، dbt، Google Bigquery و بسیاری موارد دیگر را بیاموزید! همه مجموعه مهارت های مورد نیاز برای تبدیل شدن به یک مهندس تجزیه و تحلیل را بیاموزید درک عمیق تکنیک های مدل سازی داده ها توانایی مشارکت در تصمیم گیری های معماری و توانایی ایجاد یک تکنیک مدل سازی داده با استفاده از DBT یادگیری مهارت های عملی مورد نیاز برای ساخت انبار داده از ابتدا رزومه خود را با بیشترین مهارت های مهندسی تجزیه و تحلیل تقویت کنید طراحی و پیاده سازی انبار داده ایجاد معماری انبار داده طراحی مدل های مفهومی، منطقی و فیزیکی روش های مختلف مدل سازی را بیاموزید (Inmon، Kimball، Data Vault، OBT) اصول مدل سازی داده های بعدی را به کار ببرید. به صورت عملی تمام مفاهیم و اصطلاحات مانند OLTP، OLAP، حقایق، ابعاد، طرحواره ستاره، طرح واره دانه های برف را بیاموزید. شما این دوره را بهتر می فهمید

به دوره Bootcamp مهندسی Analytics خوش آمدید. تنها دوره ای که برای تبدیل شدن به یک مهندس تجزیه و تحلیل شگفت انگیز به آن نیاز دارید.

این بوت کمپ کامل مهندسی تجزیه و تحلیل، شما را گام به گام از طریق سخنرانی‌های جذاب و سرگرم‌کننده راهنمایی می‌کند و هر آنچه را که در مورد چگونگی موفقیت به عنوان یک مهندس تجزیه و تحلیل نیاز دارید، به شما آموزش می‌دهد. در طول این دوره، بینش عمیقی در مورد تمام ابزارها، فناوری‌ها و مفاهیم مدل‌سازی خواهید داشت.

دانشجویان نحوه طراحی و پیاده سازی راه حل Data Warehouse را با استفاده از DBT BigQuery خواهند آموخت.

هر بخش شامل سوالات مسابقه مبتنی بر سناریو است که به تثبیت اهداف کلیدی یادگیری برای هر نظریه مفهومی کمک می کند..

در پایان دوره، یاد خواهید گرفت و درک بسیار خوبی از این موارد خواهید داشت:

  • تفاوت بین پایگاه داده و انبار داده

  • مفاهیم بین سیستم های OLTP OLAP

  • روشهای عادی سازی غیرعادی سازی

  • روش‌های مدل‌سازی داده‌ها مانند (Inmon، Kimball، Data Vault OBT)

  • تفاوت بین ETL ELT

  • تکنیک های مدل سازی داده ها به ویژه با استفاده از dbt

  • تجربه عملی در ساخت انبار داده های بعدی

به روز رسانی های اخیر:

Mar2023 - واژه نامه به روز شد و مطالب بیشتری اضافه شد


این دوره برای چه کسانی است:

  • تحلیلگر داده، تحلیلگران BI یا توسعه دهندگان انبار داده که به دنبال تبدیل شدن به مهندس تجزیه و تحلیل هستند یا به دنبال بهبود مهارت های موجود هستند

  • برای متخصصان داده که می‌خواهند درباره همه مفاهیم و اصطلاحات پیرامون سیستم‌های OLTP OLAP تجدید نظر کنند

  • دانشجویان یا فارغ التحصیلان اخیر که به دنبال شغلی به عنوان مهندس تجزیه و تحلیل هستند

  • هر کسی که به مسیر شغلی مهندس Analytics علاقه مند است


سرفصل ها و درس ها

معرفی Introduction

  • معرفی Introduction

  • بررسی اجمالی دوره Course Overview

  • چگونه از این دوره بهترین نتیجه را بگیریم How to get the best out of this course

  • منابع Resources

پایگاه داده چیست؟ What is a database?

  • معرفی پایگاه داده Database Introduction

  • تعریف پایگاه داده Database definition

  • مثال SQL SQL Example

  • سیستم مدیریت پایگاه داده (DBMS) Database Management System (DBMS)

  • شیت در مقابل پایگاه داده Sheets vs Database

  • OLTP OLTP

  • اسید OLTP OLTP ACID

  • OLAP OLAP

  • خلاصه OLTP در مقابل OLAP OLTP vs OLAP Summary

  • معرفی NoSQL NoSQL Introduction

  • فروشگاه ارزش کلیدی Key Value Store

  • فروشگاه اسناد Document Store

  • ستون های عریض Wide Columns

  • پایگاه داده نمودار Graph Database

  • موتورهای جستجو Search Engines

  • SQL در مقابل NoSQL SQL vs NoSQL

  • On-Prem vs Cloud On-Prem vs Cloud

  • امتحان Quiz

انبار داده چیست؟ What is a data warehouse?

  • معرفی انبار داده Data Warehouse Introduction

  • تعریف انبار داده Data Warehouse Definition

  • مزایای انبار داده Data Warehouse Benefits

  • معماری انبار داده Data Warehouse Architecture

  • منبع اطلاعات Data Source

  • دریاچه دیتا Data Lake

  • لایه انبار داده Data Warehouse Layer

  • مقدمه هوش تجاری Business Intelligence Introduction

  • ابزارهای هوش تجاری Business Intelligence Tools

  • ETL - مقدمه ELT ETL - ELT Introduction

  • ETL ETL

  • ELT ELT

  • ETL در مقابل ELT ETL vs ELT

  • امتحان Quiz

مدل سازی داده ها و نمادهای ERD Data Modelling & ERD Notations

  • مقدمه مدلسازی داده و نمودار رابطه موجودیت (ERD). Data Modelling & Entity Relationship Diagram (ERD) Introduction

  • مروری بر مدل سازی داده ها Data Modelling Overview

  • بررسی اجمالی ERD ERD Overview

  • روابط ویژگی های موجودیت Entity Attributes Relationships

  • مراحل ایجاد ERD Steps to Create an ERD

  • ERD را با استفاده از سبک نشانه گذاری Chen بسازید Build ERD using Chen's Notation Style

  • ERD را با استفاده از شیوه نمادگذاری مهندسی اطلاعات بسازید Build ERD using Information Engineering Notation Style

  • مفاهیم مدل سازی داده ها Data Modelling Concepts

  • انواع مختلف کلیدها Different Type of Keys

  • ابزارهای پیشنهادی برای ایجاد ERD Recommended Tools for Creating ERD

  • امتحان Quiz

عادی سازی و غیر عادی سازی Normalisation & Denormalisation

  • عادی سازی چیست؟ What is Normalisation?

  • 1 فرم عادی 1st Normal Form

  • فرم 2 عادی 2nd Normal Form

  • 3 فرم عادی 3rd Normal Form

  • مزایا و معایب مدل نرمال شده Pros & Cons of Normalised Model

  • نرمال زدایی چیست؟ What is De-Normalisation?

  • تکنیک های غیر عادی سازی De-Normalisation Techniques

  • مزایا و معایب مدل غیر عادی Pros & Cons of De-Normalised Model

  • امتحان Quiz

روش های طراحی انبار داده Data Warehouse Design Methodologies

  • مقدمه روش های طراحی انبار داده Data Warehouse Design Methodologies Introduction

  • روش شناسی اینمون Inmon Methodology

  • توضیح معماری کارخانه اطلاعات شرکتی (CIF). Corporate Information Factory (CIF) Architecture Explained

  • معماری اینمون Inmon Architecture

  • مزایا و معایب روش Inmon Pros & Cons of Inmon Methodology

  • روش شناسی کیمبال Kimball Methodology

  • فرآیندهای روش شناسی کیمبال Processes of Kimball Methodology

  • معماری کیمبال Kimball Architecture

  • مزایا و معایب روش کیمبال Pros & Cons of Kimball Methodology

  • اینمون در مقابل کیمبال Inmon vs Kimball

  • معماری ترکیبی Hybrid Architecture

  • مقدمه روش شناسی خزانه داده ها Data Vault Methodology Introduction

  • اجزای خزانه داده Data Vault Components

  • معماری و نمونه Data Vault Data Vault Architecture & Example

  • مزایا و معایب Data Vault Pros & Cons of Data Vault

  • Inmon vs Kimball vs Data Vault Inmon vs Kimball vs Data Vault

  • یک میز بزرگ (OBT)/میز عریض One Big Table (OBT) / Wide Table

  • مزایا و معایب OBT Pros & Cons of OBT

  • مدل سازی داده ها در آن زمان، اکنون و بعد Data Modelling Then, Now & Next

  • امتحان Quiz

مدلسازی ابعادی Dimensional Modelling

  • مقدمه مدلسازی بعدی Dimensional Modelling Introduction

  • مدلسازی ابعادی چیست؟ What is Dimensional Modelling?

  • مروری بر چرخه حیات انبار داده Data Warehouse LifeCycle Overview

  • برنامه ریزی/برنامه ریزی پروژه Program/Project Planning

  • جمع آوری نیازمندی ها Requirement Gathering

  • مفهوم و مراحل مدلسازی ابعادی Concept & Steps of Dimensional Modelling

  • فرآیند کسب و کار را انتخاب کنید و دانه را اعلام کنید Select Business Process & Declare the Grain

  • ابعاد (انواع) Dimensions (Types)

  • ابعاد منطبق Conformed Dimensions

  • ابعاد آشغال Junk Dimensions

  • ابعاد منحط Degenerate Dimensions

  • ابعاد نقش آفرینی Role Playing Dimensions

  • تغییر آهسته ابعاد (SCD) - مقدمه Slowly Changing Dimensions (SCD) - Intro

  • نوع 0 - SCD (ابعاد در حال تغییر به آرامی) Type 0 - SCD (Slowly Changing Dimensions)

  • نوع 1 - SCD (ابعاد در حال تغییر به آرامی) Type 1 - SCD (Slowly Changing Dimensions)

  • نوع 2 - SCD (ابعاد در حال تغییر به آرامی) Type 2 - SCD (Slowly Changing Dimensions)

  • نوع 3 - SCD (ابعاد در حال تغییر به آرامی) Type 3 - SCD (Slowly Changing Dimensions)

  • نوع 4 - SCD (ابعاد در حال تغییر به آرامی) Type 4 - SCD (Slowly Changing Dimensions)

  • SCD - ذخیره به عنوان عکس فوری SCD - Store as Snapshots

  • جداول پل Bridge Tables

  • حقایق Facts

  • حقایق افزودنی Additive Facts

  • حقایق نیمه افزودنی Semi-Additive Facts

  • حقایق غیرافزودنی Non-Additive Facts

  • جداول حقایق معاملات Transaction Facts Tables

  • جداول اطلاعات دوره ای Periodic Facts Tables

  • جداول اطلاعات تجمعی Accumulative Facts Tables

  • طرحواره ستاره Star Schema

  • طرح واره دانه های برف Snowflake Schema

  • امتحان Quiz

راه اندازی محیط ها Setting up Environments

  • BigQuery Setup مقدمه BigQuery Setup Introduction

  • تنظیم جداول BigQuery با استفاده از CSV BigQuery Tables Setup using CSV

  • راه اندازی جداول BigQuery با استفاده از اسکریپت SQL BigQuery Tables Setup Using SQL Script

  • راه اندازی WSL2 برای ویندوز Setting up WSL2 for Windows

  • راه اندازی مخزن Git Git Repository Setup

  • راه اندازی و نصب dbt dbt setup & Installation

(Hands-on dbt) ساخت انبار داده ابعادی (Hands-on dbt) Building dimensional data warehouse

  • معرفی Introduction

  • نمای کلی عملی Hands-on overview

  • معرفی مورد استفاده Use-Case Introduction

  • بحث تفصیلی مورد استفاده Use-Case Detailed Discussion

  • جمع آوری ملزومات Requirements Gathering

  • پروفایل سازی داده ها - مقدمه Data Profiling - Introduction

  • پروفایل داده - تکمیل شد Data Profiling - Completed

  • AE Workbook - Walkthrough AE Workbook - Walkthrough

  • ماتریس اتوبوس - نهادهای سطح بالا Bus Matrix - High Level Entities

  • مدل مفهومی Conceptual Model

  • طراحی معماری Architecture Design

  • مقدمه مدلسازی بعدی Dimensional Modelling Introduction

  • ماتریس اتوبوس به تفصیل Bus Matrix Detailed

  • منبع به نقشه برداری هدف (منبع BQ Data Lake) Source to Target Mapping (Source to BQ Data Lake)

  • منبع به نقشه برداری هدف (BQ Data Lake to Staging) Source to Target Mapping (BQ Data Lake to Staging)

  • مدل بعدی (ویژگی ها و معیارها) Dimensional Model (Attributes & Measures)

  • منبع به نقشه برداری هدف (دریاچه داده به انبار داده) Source to Target Mapping (Data Lake to Data Warehouse)

  • منبع به نقشه برداری هدف (انبار داده به OBT) Source to Target Mapping (Data Warehouse to OBT)

  • طراحی مدل منطقی Logical Model Design

  • طراحی مدل فیزیکی Physical Model Design

  • نمای کلی dbt dbt overview

  • پیاده سازی فیزیکی (لایه مرحله بندی) Physical Implementation (Staging Layer)

  • پیاده سازی فیزیکی (لایه مرحله بندی) ادامه. Physical Implementation (Staging Layer) Cont.

  • جداول کم نور پیاده سازی فیزیکی (لایه انبار داده) Physical Implementation Dim Tables (Data Warehouse Layer)

  • جداول واقعیت پیاده سازی فیزیکی (لایه انبار داده) Physical Implementation Fact Tables (Data Warehouse Layer)

  • پیاده سازی فیزیکی (Analytics OBT) Physical Implementation (Analytics OBT)

  • اشکال زدایی (dbt) Debugging (dbt)

  • افزودن تست ها (dbt) Adding Tests (dbt)

  • عملی کامل Hands-on Complete

واژه نامه Glossary

  • واژه نامه Glossary

نمایش نظرات

نظری ارسال نشده است.

آموزش بوت کمپ مهندسی تجزیه و تحلیل
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
11 hours
136
Udemy (یودمی) udemy-small
07 فروردین 1402 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
6,000
4.4 از 5
دارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Rahul Prasad Rahul Prasad

تحلیلگر ارشد BI

David Badovinac David Badovinac

مهندس تجزیه و تحلیل

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.