آموزش پاور بی‌آی (Power BI): ادغام هوش مصنوعی - آخرین آپدیت

مقدمه Introduction

• آنچه باید بدانید What you should know

• منابع داده گیت‌هاب (GitHub) GitHub data sources

• قدرت Power BI The power of Power BI

1. چگونه می‌توانیم از هوش مصنوعی در Power BI استفاده کنیم؟ 1. How Can We Use AI in Power BI?

• افزودن ستون با استفاده از تطبیق تقریبی (Fuzzy Matching) Adding a column using fuzzy matching

• استخراج عبارت‌های کلیدی متن Extracting key text phrases

• امتیازدهی به تحلیل احساسات زبان Scoring language sentiment

• بهره‌برداری از Power BI Utilizing Power BI

• مروری بر هوش مصنوعی Overviewing AI

• تشخیص آیتم‌ها در داده‌های تصویری Detecting items in image data

• ادغام جداول با استفاده از تطبیق تقریبی Merging tables using fuzzy matching

• گروه‌بندی داده‌ها با تطبیق تقریبی Grouping data with fuzzy matching

• تحلیل آمار و توزیع مجموعه داده‌ها Analyzing dataset statistics and distributions

• تشخیص زبان‌ها Detecting languages

2. پیکربندی مدل معنایی و Power Query 2. Configuring the Semantic Model and Power Query

• بهره‌برداری از اسلایسرها (Slicers) Leveraging slicers

• استفاده از CALCULATE برای معیارهای DAX Using CALCULATE for DAX measures

• ساخت مدل‌های DAX Building DAX models

• بصری‌سازی توزیع‌ها Visualizing distributions

• انتخاب بصری‌سازهای Power BI Choosing Power BI visuals

• بهره‌برداری از پارامترها Leveraging parameters

• تعریف ابعاد (Dimensionality) Defining dimensionality

• فرمت‌بندی واحدهای اندازه‌گیری Formatting measure units

3. تحلیل داده‌های بارگذاری شده در مدل 3. Analyzing Data Loaded into a Model

• بهره‌برداری از درخت تجزیه (Decomposition Tree) Utilizing the decomposition tree

• استفاده از بصری‌ساز روایت (Narrative Visual) Using the narrative visual

• بهره‌برداری از بصری‌ساز پرسش و پاسخ (Q&A) Leveraging the Q&A visual

• کشف بینش‌های کلیدی با بصری‌ساز تاثیرگذارترین عوامل (Key Influencer) Discovering key insights with the key influencer visual

4. تحلیل روندها 4. Analyzing Trends

• ایجاد نمودار همبستگی (Corrplot) Creating corrplot

• محاسبه خط بهترین برازش (Best Fit Line) Calculating best fit line

• بصری‌سازی روابط بین جفت متغیرها Visualizing relationships between variable pairs

• محاسبه همبستگی‌ها Calculating correlations

• یافتن خوشه‌ها (Clusters) Finding clusters

• تحلیل همبستگی با جفت متغیرها Analyzing correlations with variable pairs

5. تحلیل گروه‌ها 5. Analyzing Groups

• محاسبه داده‌های پرت (Outliers) Calculating outliers

• ایجاد مدل رگرسیون چندجمله‌ای Creating a polynomial regression model

• پیش‌بینی برای مدل‌های رگرسیون Making predictions for regression models

• بهره‌برداری از تابع DAX LINESTX Utilizing the LINESTX DAX function

• استفاده از تابع DAX LINEST Using the LINEST DAX function

• بررسی خروجی‌های مدل‌های رگرسیون Checking outputs for regression models

• محاسبه ضرایب رگرسیون خطی Calculating linear regression coefficients

• محاسبه باقی‌مانده‌ها (Residuals) Calculating residuals

• استفاده از پارامترها در مدل‌های رگرسیون Using parameters in regression models

6. شناسایی داده‌های پرت و ناهنجاری‌ها 6. Determining Outliers and Anomalies

• بهره‌برداری از تشخیص ناهنجاری (Anomaly Detection) Leveraging anomaly detection

• محاسبه میانگین‌های متحرک (Rolling Averages) Calculating rolling averages

• محاسبه روندهای فصلی (Seasonality) Calculating seasonality trends

• افزودن پیش‌بینی از پنل تحلیل (Analytics Pane) Adding forecasting from the analytics pane

• محاسبه روندهای کلی Calculating overall trends

• تفاوت داده‌های پرت در مقابل ناهنجاری‌ها Contextualizing outliers versus anomalies

7. بصری‌سازهای پردازش زبان طبیعی (NLP) 7. Natural Language Processing Visuals

• گام‌های بعدی Next steps

• جمع‌بندی نهایی Putting everything together