🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ChatGPT برای مهندسان داده
- آخرین آپدیت
دانلود ChatGPT for Data Engineers
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
کاربردهای عملی ChatGPT برای مهندسان داده مدرن
یاد بگیرید چگونه از ChatGPT برای نوشتن، اشکالزدایی و بهینهسازی کد برای خطوط لوله داده، کوئریهای SQL و اسکریپتهای اتوماسیون در ابزارهایی مانند Spark، Airflow و Bash استفاده کنید.
تسلط بر مهندسی Prompt برای موارد استفاده از داده
کشف کنید چگونه ChatGPT را در موارد استفاده واقعی از جمله ایجاد خط لوله، تنظیم عملکرد، طراحی طرحواره و استقرار مبتنی بر ابر به کار ببرید.
با استفاده از ChatGPT و APIها، گردشهای کاری و ابزارهای سفارشی ایجاد کنید تا وظایف تکراری را خودکار کنید، بهرهوری را افزایش دهید و همکاری تیمی را تقویت کنید.
پیشنیازها:
درک اولیه از مفاهیم مهندسی داده
دانش کارکردی SQL و پایتون
آشنایی با خط فرمان و اسکریپتنویسی
کنجکاوی در مورد هوش مصنوعی و اتوماسیون
اختیاری: آشنایی با ابزارهایی مانند Spark، Airflow یا Docker
در دنیای پرشتاب و مبتنی بر داده امروزی، کارایی، اتوماسیون و نوآوری کلید پیشرفت هستند. این دوره، "ChatGPT برای مهندسان داده"، طراحی شده است تا متخصصان داده را با مهارتها و استراتژیهای عملی برای استفاده از ابزارهای هوش مصنوعی مولد مانند ChatGPT در گردشهای کاری مهندسی داده در دنیای واقعی توانمند سازد.
چه در حال نوشتن کوئریهای پیچیده SQL باشید، چه طراحی خطوط لوله ETL مقیاسپذیر، چه اتوماسیون مستندسازی، یا اشکالزدایی کد، ChatGPT میتواند به عنوان همکار خلبان مجازی شما عمل کند. این دوره نمایشهای عملی، بهترین شیوهها و موارد استفاده واقعی را ترکیب میکند تا به شما کمک کند ChatGPT را در هر مرحله از چرخه عمر مهندسی داده خود ادغام کنید - از ایدهپردازی تا پیادهسازی.
شما یاد خواهید گرفت که چگونه از ChatGPT برای:
تولید، بهینهسازی و توضیح کوئریهای SQL برای پایگاههای داده مختلف
خودکارسازی وظایف خط لوله داده و تولید اسکریپت در پایتون، Bash و Spark
ترجمه الزامات به مشخصات فنی با استفاده از مهندسی prompt
ساخت ابزارهای مبتنی بر هوش مصنوعی برای سادهسازی مستندسازی، پروفایلسازی داده و بررسی کیفیت
در پایان این دوره، شما نه تنها قابلیتها و محدودیتهای ChatGPT را درک خواهید کرد، بلکه مهارتهای لازم برای اعمال مطمئنانه آن در گردش کار روزانه خود را برای صرفهجویی در زمان، بهبود دقت و ایجاد نوآوری خواهید داشت.
ایدهآل برای مهندسان داده مشتاق و باتجربه، تحلیلگران داده و رهبران فنی که به دنبال ایمنسازی مجموعه مهارتهای خود با ابزارهای پیشرفته هوش مصنوعی هستند.
سرفصل ها و درس ها
مقدمه ای بر ChatGPT برای مهندسان داده
Introduction to ChatGPT for Data Engineers
ChatGPT چیست؟ مروری بر هوش مصنوعی مولد
What is ChatGPT? Overview of Generative AI
چرا مهندسان داده باید به LLM ها اهمیت دهند؟
Why Data Engineers Should Care About LLMs
قابلیت ها و محدودیت های ChatGPT
Capabilities & Limitations of ChatGPT
نگاهی اجمالی به ChatGPT
ChatGPT Sneak Peek
تمرین عملی قسمت 1
Hands On Practice Part 1
موارد استفاده از ChatGPT در مهندسی داده
Use Cases of ChatGPT in Data Engineering
تمرین عملی قسمت 2
Hands On Practice Part 2
تسلط بر مهندسی پرامپت (Prompt Engineering)
Mastering Prompt Engineering
مهندسی پرامپت چیست؟
What is Prompt Engineering?
ایجاد پرامپت های موثر برای وظایف داده
Crafting Effective Prompts for Data Tasks
تمرین عملی قسمت 3
Hands On Practice Part 3
الگوهای پرامپت: قالب ها، زنجیره ها و متغیرها
Prompt Patterns: Templates, Chains, and Variables
اشکال زدایی و پالایش پرامپت ها برای نتایج بهتر
Debugging and Refining Prompts for Better Results
ChatGPT برای کاوش داده و SQL
ChatGPT for Data Exploration and SQL
نوشتن و بهینه سازی کوئری های SQL با ChatGPT
Writing and Optimizing SQL Queries with ChatGPT
پروفایل سازی و خلاصه سازی داده
Data Profiling and Summarization
توضیح کوئری های پیچیده و طرحواره های پایگاه داده
Explaining Complex Queries and Database Schemas
پیشنهادات پاکسازی داده با استفاده از هوش مصنوعی
Data Cleaning Suggestions Using AI
ChatGPT برای پایتون و پایپ لاین های داده
ChatGPT for Python & Data Pipelines
تولید خودکار اسکریپت ها و توابع پایتون
Auto-generating Python Scripts and Functions
تبدیل شبه کد به کد آماده برای تولید
Converting Pseudo-code to Production-ready Code
نوشتن اسکریپت های ETL با ChatGPT
Writing ETL Scripts with ChatGPT
استفاده از ChatGPT برای بازبینی و بازسازی کد
Using ChatGPT for Code Reviews and Refactoring
ادغام ChatGPT با ابزارهای مهندسی داده
Integrating ChatGPT with Data Engineering Tools
اتصال ChatGPT به مشاغل Apache Spark
Connecting ChatGPT to Apache Spark Jobs
خودکارسازی تولید DAG جریان هوا (Airflow)
Automating Airflow DAG Generation
کمک به مدیریت موضوع Kafka
Assisting with Kafka Topic Management
ChatGPT برای ایجاد Dockerfile و YAML Kubernetes
ChatGPT for Dockerfile and Kubernetes YAML Creation
اتوماسیون و مستندسازی با ChatGPT
Automation & Documentation with ChatGPT
تولید خودکار مستندات پروژه
Auto-generating Project Documentation
نوشتن فایل های README و نظرات کد
Writing README Files and Code Comments
توضیح گردش کار داده به ذینفعان غیرفنی
Explaining Data Workflows to Non-Technical Stakeholders
ایجاد نمودارهای معماری از پرامپت های متنی
Creating Architecture Diagrams from Text Prompts
ChatGPT برای DevOps و نظارت
ChatGPT for DevOps & Monitoring
نوشتن اسکریپت های Bash و اسکریپت های نظارتی
Writing Bash Scripts and Monitoring Scripts
کمک به پیکربندی YAML CI/CD
Assisting with CI/CD YAML Configuration
تجزیه و تحلیل فایل های گزارش با ChatGPT
Analyzing Log Files with ChatGPT
پیشنهاداتی برای تنظیم عملکرد
Suggestions for Performance Tuning
استفاده اخلاقی، خطرات و محدودیت ها
Ethical Use, Risks, and Limitations
اجتناب از اتکای بیش از حد به هوش مصنوعی
Avoiding Over-Reliance on AI
اعتبارسنجی کدها و خروجی های تولید شده توسط هوش مصنوعی
Validating AI-Generated Code and Outputs
ملاحظات مربوط به حریم خصوصی و امنیت داده
Data Privacy & Security Considerations
استفاده مسئولانه از هوش مصنوعی مولد در تیم های داده
Responsible Use of Generative AI in Data Teams
پروژه ها و موارد استفاده واقعی
Real-World Projects and Use Cases
ساخت یک گردش کار کامل ETL با کمک ChatGPT
Building a Full ETL Workflow with ChatGPT Assistance
خودکارسازی بررسی کیفیت داده
Automating Data Quality Checks
تولید گزارش ها و بینش ها از داده های خام
Generating Reports and Insights from Raw Data
مهندس Bigdata من معمار راه حل هستم با 12 سال تجربه در صنعت بانکداری ، ارتباطات از راه دور و خدمات مالی در طیف متنوعی از نقش ها در برنامه های کارت اعتباری ، پرداخت ها ، انبار داده و مرکز داده
نقش من به عنوان Bigdata و Cloud Architect به عنوان بخشی از تیم Bigdata برای ارائه راه حل نرم افزاری کار می کنم.
مسئولیت ها شامل
- از همه مسائل مربوط به Hadoop پشتیبانی کنید
- معیار سیستم های موجود ، تجزیه و تحلیل چالش های سیستم موجود/گلوگاه ها و پیشنهاد راه حل های مناسب برای از بین بردن آنها بر اساس فن آوری های مختلف Big Data
- تجزیه و تحلیل و تعریف جوانب مثبت و منفی فناوری ها و سیستم عامل های مختلف
- موارد استفاده ، راه حل ها و توصیه ها را تعریف کنید
- استراتژی Big Data را تعریف کنید
- انجام تجزیه و تحلیل دقیق از مشکلات کسب و کار و محیط های فنی
- راه حل عملی بزرگ داده را بر اساس تجزیه و تحلیل نیازهای مشتری تعریف کنید
- توصیه های عملی Big Big Cluster را تعریف کنید
- به مشتریان در مورد فن آوری های مختلف Big Data آموزش دهید تا به آنها در درک نکات مثبت و منفی Big Data کمک کند
- حاکمیت داده ها
- ساخت ابزارهایی برای بهبود بهره وری توسعه دهنده و اجرای روشهای استاندارد
نمایش نظرات