آموزش ساخت اولین گردش کار داده بدون کدنویسی (No-Code) - آخرین آپدیت

مبانی علوم داده و معرفی KNIME Foundations of Data Science & Introduction to KNIME

• معرفی دوره Course Introduction

• علوم داده چیست؟ What is Data Science?

• چرخه حیات علوم داده The Data Science Lifecycle

• مطالعه موردی: پیاده‌سازی علوم داده در یک غول OTT Case Study- Implementing Data Science at an OTT Giant

• انواع داده‌ها Types of Data

• آشنایی با علوم داده بدون کد (No Code) Introduction to No-Code Data Science

• مقایسه گردش کار سنتی در مقابل بدون کد Traditional vs No-Code Workflow

• تمرین عملی: نصب KNIME و بررسی محیط کاربری Hands-On: Installing KNIME and Exploring the Interface

جمع‌آوری داده‌ها: روش‌ها، منابع و تکنیک‌ها Data Collection : Methods, Sources and Techniques

• مروری بر جمع‌آوری و پاک‌سازی داده‌ها Data Collection and Cleaning Overview

• فرمت‌های داده و ساختارهای ذخیره‌سازی Data Formats and Storage Structures

• تمرین عملی: مشاهده و بررسی داده‌ها در KNIME Hands-On: Viewing and Exploring Data in KNIME

• تمرین عملی: خواندن فایل‌های CSV و اکسل در KNIME Hands-On: Reading CSV and Excel Files in KNIME

• تمرین عملی: ساخت اولین گردش کار Hands-On: Creating Your First Workflow

• تمرین عملی: کار با داده‌های JSON و XML در KNIME Hands-On: Working with JSON + XML Data in KNIME

• اساسیات پایگاه داده و عملیات SQL Essentails to Databases and SQL Operations

• تمرین عملی: اتصال به پایگاه داده (SQLite) در KNIME Hands-On: Connecting to Databases (SQLite) in KNIME

• جمع‌آوری داده‌های وب از طریق API و وب اسکرپینگ Collecting Web Data Through APIs and Web Scrapping

• تمرین عملی: وب اسکرپینگ با KNIME Hands-On: Web Scraping with KNIME

پردازش داده‌ها: پاک‌سازی، تبدیل و کیفیت Data Processing: Cleaning, Transformation and Quality

• بررسی ابعاد کیفیت داده‌ها Exploring Dimensions of data quality

• تمرین عملی: شناسایی الگوهای داده‌های گم‌شده و داده‌های پرت در KNIME Hands-On: Identifying Missing Data Patterns and Outliers in KNIME

• تمرین عملی: مدیریت مقادیر گم‌شده و حذف داده‌های تکراری در KNIME Hands-On: Handling Missing Values and Removing Duplicates in KNIME

• تبدیل داده‌ها با استفاده از نرمال‌سازی Data Transformation using Normalization

• تبدیل داده‌ها با استفاده از استانداردسازی Data Transformation using Standardization

• تبدیل داده‌ها با استفاده از کدگذاری (Encoding) Data Transformation using Encoding

• تمرین عملی: مقیاس‌بندی و نرمال‌سازی در KNIME Hands-On: Scaling and Normalization in KNIME

• تمرین عملی: کدگذاری متغیرهای دسته‌ای در KNIME Hands-On: Encoding Categorical Variables in KNIME

• تمرین عملی: تجمیع و گروه‌بندی داده‌ها در KNIME Hands-On: Data Aggregation and Grouping in KNIME

• ساخت متغیرهای جدید از طریق مهندسی ویژگی‌ها Creating New Variables Through Feature Engineering

• تمرین عملی: تکنیک‌های ایجاد ویژگی در KNIME Hands-On: Feature Creation Techniques in KNIME

• تمرین عملی: ساخت خط لوله‌های پردازش خودکار داده‌ها Hands-On: Building Automated Data Processing Pipelines

تحلیل اکتشافی داده‌ها (EDA) Exploratory Data Analysis (EDA)

• تحلیل اکتشافی داده‌ها برای تصمیم‌گیری بهتر Exploratory Data Analysis for Better Decision-Making

• خلاصه‌سازی داده‌ها با استفاده از آمار توصیفی Summarizing Data Using Descriptive Statistics

• تمرین عملی: تحلیل آماری در KNIME Hands-On: Statistical Analysis in KNIME

• تمرین عملی: درک توزیع داده‌ها و داده‌های پرت در KNIME Hands-On: Understanding Data Distribution and Outliers in KNIME

• اصول بصری‌سازی داده‌ها و انواع نمودارها Data Visualization Principles and Chart Types

• تمرین عملی: ایجاد بصری‌سازی‌ها در KNIME Hands-On: Creating Visualizations in KNIME

• درک روابط بین داده‌ها Understanding Data Relationships

• تمرین عملی: ماتریس همبستگی و نقشه‌های حرارتی در KNIME Hands-On: Correlation Matrix and Heatmaps in KNIME

جمع‌بندی دوره Course Wrap-Up

• جمع‌بندی نهایی دوره Course Summary