Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره شامل ابزارهای مختلف پردازش داده ها - از جمله صفحات گسترده ، پایتون و پایگاه های اطلاعاتی رابطه ای است - و به بحث در مورد کیفیت کیفیت داده ها و تجسم داده ها برای تولید بینش می پردازد. علم داده و مدل سازی داده ها به عنوان قابلیت های اساسی که هر شرکت و هر تکنسینی باید داشته باشد ، به سرعت ظاهر می شوند این روزها. با دموکراتیک شدن روند ساخت واقعی مدل ها ، دیدگاه کلی به سمت استفاده از داده های مناسب و استفاده درست از داده ها سوق پیدا می کند. در این دوره ، نمایندگی ، پردازش و آماده سازی داده ها ، شما توانایی نمایش صحیح اطلاعات از دامنه خود را به عنوان داده های عددی به دست می آورید و آنها را به شکلی در می آورید که از قابلیت های کامل مدل ها استفاده شود. در ابتدا ، شما خواهید آموخت که چگونه می توان با داده های از دست رفته و اطلاعات از دست رفته به روشی کاملاً منطقی برخورد کرد. در مرحله بعدی ، نحوه استفاده از صفحات گسترده ، زبان های برنامه نویسی و پایگاه های داده رابطه ای را برای کار با داده های خود خواهید فهمید. انواع مختلفی از داده ها را که ممکن است در دنیای واقعی با آنها سر و کار داشته باشید و این که چگونه می توانید داده ها را در یک مقصد مشترک برای از بین بردن سیلوها جمع آوری و تلفیق کنید ، مشاهده خواهید کرد. سرانجام ، شما با کار کردن با ابزارهای تجسم که به هر عضوی از شرکت اجازه می دهد با داده ها کار کند و بینش های قابل توجهی استخراج کند ، دوره را دور می زنید. پس از اتمام این دوره ، مهارت و دانش لازم برای استفاده از منابع صحیح داده ، کنار آمدن با مشکلات کیفیت داده و انتخاب فن آوری های مناسب برای استخراج بینش از داده های سازمانی خود را خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
درک روشهای تمیز کردن و آماده سازی داده ها
Understanding Data Cleaning and Preparation Techniques
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
یافتن و اتصال نقاط: جمع آوری و تجزیه و تحلیل داده ها
Finding and Connecting Dots: Data Collection and Analysis
مقابله با مقادیر گمشده: حذف و حذف
Dealing with Missing Values: Deletion and Imputation
شناسایی و کنار آمدن با Outlier ها
Identifying and Coping with Outliers
خلاصه
Summary
آماده سازی داده ها برای تجزیه و تحلیل با استفاده از صفحه گسترده و پایتون
Preparing Data for Analysis Using Spreadsheets and Python
بررسی اجمالی ماژول
Module Overview
اکسل: کار با موارد تکراری و مقادیر گمشده
Excel: Working with Duplicates and Missing Values
اکسل: شناسایی و حذف موارد دور با استفاده از نمرات Z
Excel: Identifying and Eliminating Outliers Using Z-scores
اکسل: بستن پره ها
Excel: Clamping Outliers
پایتون: پر کردن مقادیر از دست رفته
Python: Filling Missing Values
پایتون: کار با مقادیر گمشده در داده های دنیای واقعی
Python: Working with Missing Values on Real World Data
پایتون: شناسایی و حذف موارد دور از دسترس
Python: Identifying and Removing Outliers
Python: آموزش طبقه بندی ML با استفاده از مجموعه داده پاک شده
Python: Training an ML Classifier Using the Cleaned Dataset
خلاصه
Summary
جمع آوری داده ها برای استخراج بینش ها
Collecting Data to Extract Insights
بررسی اجمالی ماژول
Module Overview
استاندارد سازی
Standardization
عادی سازی
Normalization
بیند
Binning
پردازش معاملات و تحلیلی
Transactional and Analytical Processing
مقیاس گذاری عمودی و افقی
Vertical and Horizontal Scaling
داده های دسته ای و جریانی
Batch and Streaming Data
زمان رویداد ، زمان بلع و زمان پردازش
Event Time, Ingestion Time, and Processing Time
خلاصه
Summary
بارگیری و پردازش داده ها با استفاده از پایگاه های رابطه ای
Loading and Processing Data Using Relational Databases
بررسی اجمالی ماژول
Module Overview
ایجاد پایگاه داده Azure SQL
Creating an Azure SQL Database
SQL Server Management Studio
SQL Server Management Studio
بارگیری و سerال کردن داده های CSV
Loading and Querying CSV Data
بارگذاری داده در Blob Storage و ایجاد یک کارخانه داده
Uploading Data to Blob Storage and Creating a Data Factory
بارگیری داده ها با استفاده از Azure Data Factory
Load Data Using Azure Data Factory
خلاصه
Summary
نمایندگی بینش های به دست آمده از داده ها
Representing Insights Obtained from Data
بررسی اجمالی ماژول
Module Overview
داده های مداوم و دسته ای
Continuous and Categorical Data
نمایش عددی داده های متنی
Numeric Representations of Text Data
نمایش داده های تصویر به عنوان ماتریس
Representing Image Data as Matrices
محصولات Azure Data
Azure Data Products
نصب و کار با Azure Data Studio
Installing and Working with Azure Data Studio
تجسم بصیرت با استفاده از Azure Data Studio
Visualizing Insights Using Azure Data Studio
نصب و تجسم داده ها در Power BI
Installing and Visualizing Data in Power BI
ایجاد تجسم های مختلف در Power BI
Creating Different Visualizations in Power BI
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات
نظری ارسال نشده است.