آموزش SQL پیشرفته برای علوم داده: سری زمانی

Advanced SQL for Data Science: Time Series

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: داده های سری زمانی داده های جمع آوری شده در طول زمان است: معیارهای عملکرد ، تعاملات کاربر و اطلاعات جمع آوری شده توسط حسگرها. از آنجا که داده های مختلف سری زمانی دارای اندازه گیری های مختلف و فواصل مختلف هستند ، این داده ها یک چالش منحصر به فرد برای دانشمندان داده به وجود می آورند. با این حال ، SQL دارای برخی از ویژگی های طراحی شده برای کمک به. این دوره به شما می آموزد که چگونه داده های سری زمانی را با آنها استاندارد و مدلسازی کنید. مربی دن سالیوان در مورد پنجره پردازی و تفاوت بین محاسبات پنجره کشویی و افتراقی بحث می کند. سپس بیاموزید که چگونه ساختارهای SQL مانند OVER و PARTITION BY به ساده کردن تجزیه و تحلیل کمک می کنند و چگونه می توان غیرعادی سازی را برای جلوگیری از پیوستن به داده ها افزایش داد. به علاوه ، تکنیک های بهینه سازی مانند نمایه سازی را کشف کنید. دان همچنین تکنیک های تجزیه و تحلیل سری های زمانی مانند مقایسه دوره زمانی قبلی ، میانگین متحرک ، هموار سازی نمایی و رگرسیون خطی را معرفی می کند.
      موضوعات شامل:
      • مبانی داده های سری زمانی
      • نوشتن داده های سری زمانی
      • جستجوی داده های سری زمانی
      • نصب PostgreSQL
      • ارزیابی عملکرد سeryال
      • پیوستن به مجموعه های زمانی
      • غیر طبیعی کردن سری های زمانی
      • نمایه سازی داده ها
      • پرس و جو از یک جدول تقسیم شده
      • توابع سری های زمانی
      • محاسبه مصالح بر روی ویندوز
      • محاسبه میانگین متحرک
      • پیش بینی با رگرسیون خطی

      سرفصل ها و درس ها

      مقدمه Introduction

      • تجزیه و تحلیل داده های سری زمانی را با SQL بیاموزید Learn time series data analysis with SQL

      • آنچه باید بدانید What you should know

      1. آشنایی با داده های سری زمانی 1. Introduction to Time Series Data

      • مشخصات داده های سری زمانی Characteristics of time series data

      • نمونه هایی از داده های سری زمانی Examples of time series data

      • نوشتن داده های سری زمانی Writing time series data

      • جستجوی داده های سری زمانی Querying time series data

      2. نصب بانک اطلاعات و ابزارها 2. Installing Database and Tools

      • نصب PostgreSQL Installing PostgreSQL

      • ایجاد طرحواره و جداول Creating schema and tables

      • زمان بندی پرس و جو Timing a query

      • ارزیابی عملکرد پرس و جو با EXPLAIN Evaluating query performance with EXPLAIN

      3. پرس و جو کردن داده های سری زمانی 3. Querying Time Series Data

      • نمایش داده شد و پنجره زمان Time window queries and aggregates

      • پنجره های کشویی Sliding windows

      • پنجره های ریز و درشت Tumbling windows

      • پیوستن به دو سریال زمانی Joining two time series

      • مخرب کردن داده های سری زمانی Denormalizing time series data

      4- مدل سازی داده های سری زمانی 4. Modeling Time Series Data

      • مجموعه داده های مثال 1: دما بر حسب زمان و مکان Example data set 1: Temperature by time and location

      • فهرست نمایه سازی مجموعه 1: فقط فهرست زمان Indexing data set 1: Time index only

      • فهرست نمایه سازی مجموعه 1: فهرست زمان و مکان Indexing data set 1: Time and location index

      • ایجاد یک جدول تقسیم شده Creating a partitioned table

      • پرسیدن یک جدول تقسیم شده Querying a partitioned table

      • مجموعه داده های مثال 2: استفاده از CPU و نوع برنامه Example data set 2: CPU utilization and application type

      • فهرست نمایه سازی مجموعه 2: فهرست بندی زمان و نوع Indexing data set 2: Time and type Indexing

      5- توابع معمولاً مورد استفاده برای سریال زمان 5. Commonly Used Functions for Time Series

      • رهبری Lead

      • تاخیر Lag

      • رتبه Rank

      • رتبه درصد Percent rank

      6. تجزیه و تحلیل سری زمانی 6. Time Series Analysis

      • جدول مشترک عبارات و بازگشت Common Table Expressions and recursion

      • محاسبه مصالح در ویندوز Calculating aggregates over windows

      • مقایسه روز قبل Previous day comparison

      • میانگین حرکت Moving averages

      • میانگین وزن متحرک Weighted moving averages

      • پیش بینی با رگرسیون خطی Forecasting with linear regression

      • میانگین متحرک نمایی Exponential moving average

      نتیجه Conclusion

      • مراحل بعدی Next steps

      نمایش نظرات

      آموزش SQL پیشرفته برای علوم داده: سری زمانی
      جزییات دوره
      1h 18m
      34
      Linkedin (لینکدین) Linkedin (لینکدین)
      (آخرین آپدیت)
      21,492
      - از 5
      ندارد
      دارد
      دارد
      Dan Sullivan
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Dan Sullivan Dan Sullivan

      معمار سازمانی ، کارشناس بزرگ داده دان سالیوان ، دکترای علوم ، یک معمار سازمانی و متخصص داده های بزرگ است.

      دان متخصص در معماری داده ، تجزیه و تحلیل ، داده کاوی ، آمار ، مدل سازی داده ها ، داده های بزرگ و رایانش ابری است. علاوه بر این ، او دارای دکترای ژنتیک ، بیوانفورماتیک و زیست محاسباتی است. Dan به طور منظم با Spark ، Oracle ، NoSQL ، MongoDB ، Redis ، R و Python کار می کند. وی تجربه نوشتن گسترده ای در موضوعاتی از جمله رایانش ابری ، داده های بزرگ ، Hadoop و امنیت دارد.