نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره جنبه های مفهومی و عملی جمع آوری از منابع مختلف داده ، با طرح ها و جهت های مختلف ، به یک کل منسجم را با استفاده از اکسل ، پایتون و ابزارهای مختلف موجود در بستر ابر Azure در بر می گیرد. اتصال نقاط بین داده ها از منابع مختلف تبدیل شدن به بیشترین مهارت در این روزها برای همه از متخصصان تجارت گرفته تا دانشمندان داده. در این دوره ، ترکیب و شکل دادن به داده ها ، با جمع آوری داده ها از منابع مختلف و شکل دادن به آنها ، توانایی اتصال نقاط را خواهید داشت تا استخراج اتصالات و روابط نسبتاً آسان شود. ابتدا یاد خواهید گرفت که چگونه متداول ترین ساختارها در شکل دادن و ترکیب داده ها در صفحات گسترده ، زبان های برنامه نویسی و پایگاه های داده ثابت می مانند. در مرحله بعدی ، شما نحوه استفاده از join ها و vlookup ها را برای به دست آوردن مجموعه های داده گسترده پیدا خواهید کرد و سپس از pivots برای شکل دادن به آن به صورت طولانی استفاده می کنید. سپس خواهید دید که چگونه داده های طولانی و گسترده را می توان برای به دست آوردن بینش سطح بالاتر جمع کرد. شما با صفحات گسترده اکسل و SQL و همچنین پایتون کار خواهید کرد. سرانجام ، شما با ادغام داده ها از منابع مختلف و کار با داده های جریانی ، دوره را دور می زنید ، که به شرکت شما کمک می کند بینش های واقعی در مورد جهان اطراف شما را بدست آورد. پس از پایان این دوره ، مهارت و دانش لازم برای جمع آوری داده ها از منابع مختلف ، از جمله منابع جریان ، برای ساخت مدل های داده یکپارچه را دارید که نقاط را به هم متصل می کند.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
کاوش تکنیک های ترکیب و شکل دادن به داده ها
Exploring Techniques to Combine and Shape Data
-
بررسی اجمالی ماژول
Module Overview
-
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
-
اتصال نقاط: ترکیب و شکل دادن به داده ها
Connecting the Dots: Combining and Shaping Data
-
فرم گسترده و داده های فرم طولانی
Wide Form and Long Form Data
-
می پیوندد
Joins
-
جمع بندی ها
Aggregations
-
خلاصه
Summary
ترکیب و شکل دادن به داده ها با استفاده از صفحه گسترده
Combining and Shaping Data Using Spreadsheets
-
بررسی اجمالی ماژول
Module Overview
-
داده را بارگیری کرده و به جداول بپیوندید
Load Data and Join Tables
-
عملیات تجمیع
Aggregation Operations
-
با استفاده از Power Query به جداول بپیوندید
Join Tables Using Power Query
-
تبدیل داده های CSV به قالب جدول
Convert CSV Data to Table Format
-
داده های فرم گسترده را به فرم طولانی تبدیل کنید
Convert Wide Form Data to Long Form
-
جداول محوری برای آمار خلاصه
Pivot Tables for Summary Statistics
-
جداول غیرمشخص
Unpivot Tables
-
محاسبه مجموع تجمعی و رتبه های داده های پارتیشن بندی شده
Calculating Cumulative Sum and Ranks on Partitioned Data
-
خلاصه
Summary
ترکیب و شکل دادن به داده ها با استفاده از SQL
Combining and Shaping Data Using SQL
-
بررسی اجمالی ماژول
Module Overview
-
معرفی پایگاه داده Azure SQL
Introducing the Azure SQL Database
-
در حال بارگیری داده ها در Azure Blob Storage
Loading Data to Azure Blob Storage
-
ایجاد یک پایگاه داده و جداول Azure SQL
Creating an Azure SQL Database and Tables
-
بارگیری داده ها با استفاده از خطوط لوله Azure Data Factory
Loading Data Using Azure Data Factory Pipelines
-
جستجوی داده ها در SQL با استفاده از تجمع ها
Querying Data in SQL Using Aggregations
-
انجام عملیات پیوستن در SQL
Performing Join Operations in SQL
-
انجام عملیات Pivot و Unpivot در SQL
Performing Pivot and Unpivot Operations in SQL
-
خلاصه
Summary
ترکیب و شکل دادن به داده ها با استفاده از پایتون
Combining and Shaping Data Using Python
-
بررسی اجمالی ماژول
Module Overview
-
تمیز کردن داده ها: داده ها و موارد پرتاب نشده وجود دارد
Data Cleaning: Missing Data and Outliers
-
شروع به کار با Azure Notebooks
Getting Started with Azure Notebooks
-
ترکیب و شکل دادن به داده ها با استفاده از Pandas
Combining and Shaping Data Using Pandas
-
شناسایی و کنار آمدن با Outlier ها
Identifying and Coping with Outliers
-
تشخیص دورریزها با استفاده از نمرات Z
Detecting Outliers Using Z-scores
-
مدیریت مقادیر از دست رفته
Handling Missing Values
-
پاک کردن داده ها
Cleaning Data
-
کار با داده های عدم تعادل
Working with Imbalanced Data
-
مدیریت داده های نامتعادل با Scikit Learn
Handling Imbalanced Data with Scikit Learn
-
خلاصه
Summary
ادغام داده ها از منابع مختلف در انبار داده
Integrating Data from Disparate Sources into a Data Warehouse
-
بررسی اجمالی ماژول
Module Overview
-
پردازش معاملات و تحلیلی در لاجورد
Transactional and Analytical Processing on Azure
-
ایجاد Azure SQL Data Warehouse و بارگذاری فایل ها در Azure Blob Storage
Creating an Azure SQL Data Warehouse and Uploading Files to Azure Blob Storage
-
بارگیری داده ها از فروشگاه Blob در Data Warehouse
Loading Data from Blob Store to the Data Warehouse
-
بارگیری داده ها از سطل ذخیره سازی Cloud GCP به Azure SQL Data Warehouse
Loading Data from GCP Cloud Storage Buckets to the Azure SQL Data Warehouse
-
فعال کردن مجوزهای منابع در یک برنامه Azure Active Directory
Enabling Resource Permissions to an Azure Active Directory App
-
اسکریپت پایتون برای تبدیل داده ها با استفاده از Pyspark
Python Script to Transform Data Using Pyspark
-
با استفاده از Spark Activity داده را تبدیل کنید
Transform Data Using a Spark Activity
-
کپی کردن داده ها از یک پوشه ذخیره سازی Blob
Copying Data from a Blob Storage Folder
-
خلاصه
Summary
کار با پخش جریانی داده با استفاده از انبار داده
Working with Streaming Data Using a Data Warehouse
-
بررسی اجمالی ماژول
Module Overview
-
داده های دسته ای و جریانی
Batch and Streaming Data
-
انواع ویندوز
Types of Windows
-
علامت های آبی و مفهوم زمان
Watermarks and the Notion of Time
-
ایجاد یک کار تجزیه و تحلیل جریان و یک حساب Power BI Pro
Creating a Stream Analytics Job and a Power BI Pro Account
-
پیکربندی ورودی و خروجی برای کار تجزیه و تحلیل جریان
Configuring Input and Output for the Stream Analytics Job
-
تجسم جریان دادن داده ها با استفاده از Power BI
Visualizing Streaming Data Using Power BI
-
خلاصه و مطالعه بیشتر
Summary and Further Study
نمایش نظرات