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
-
خلاصه و مطالعه بیشتر
Summary and Further Study
نمایش نظرات