آموزش مبانی علوم داده: مهندسی داده

Data Science Foundations: Data Engineering

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: با تسلط بر مهارت های اصلی مورد نیاز برای به کار انداختن داده ها برای تجارت خود ، با اطمینان به داده های بزرگ نزدیک شوید. این دوره اصول مهندسی داده ، طراحی سیستم ، تجزیه و تحلیل و هوش تجاری را پوشش می دهد. بن سالینز ، متخصص علوم داده ، نحوه جمع آوری و سازماندهی داده های شما را توضیح می دهد تا بتوانید نتایجی را که سازمان شما می تواند استفاده کند ، ارائه دهید. بن با بررسی اکوسیستم مدرن داده و چگونگی ارتباط آن با اجرای یک مرکز داده هوشمند و کارآمد شروع می کند. سپس ، او به شما نشان می دهد که چگونه وظایف اصلی مربوط به مدیریت ، بارگیری ، استخراج و تبدیل داده ها را انجام دهید. او همچنین شما را از طریق مرحله بندی ، پروفایل ، پاک سازی و مهاجرت به داده ها هدایت می کند. در طول راه ، او توصیه های عملیاتی را ارائه می دهد که برای متخصصان داده در سراسر سازمان - تحلیلگران ، مهندسان ، دانشمندان ، مدل سازها و موارد دیگر - قابل استفاده است.
موضوعات شامل:
  • کار با سیستم ها و طرح ها
  • مدیریت خط لوله داده خوب
  • تنظیم محیط
  • بارگیری و نمایه سازی داده ها
  • تست کیفیت
  • افزودن انواع داده
  • مدیریت مقادیر از دست رفته و اعضای استنباط شده
  • انجام جستجوی اصلی داده ها
  • بارگیری طرح ها و جداول
  • ایجاد دیدگاه

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

  • آنچه باید قبل از تماشای این دوره بدانید What you should know before watching this course

  • با استفاده از پرونده های تمرینی Using the exercise files

1. بررسی اجمالی اکوسیستم 1. Ecosystem Overview

  • بررسی اجمالی سیستم علوم داده Data science system overview

  • بررسی اجمالی طرحواره ستاره Star schema design overview

  • مهندسی داده کجا مناسب است؟ Where does data engineering fit?

  • مؤلفه های یک خط لوله داده خوب Components of a good data pipeline

  • تنظیم محیط Environment setup

2. مرحله بندی داده ها 2. Staging Data

  • بارگیری و نمایه داده ها Loading and profiling data

  • تست کیفیت داده ها Data quality testing

3. پاک کردن داده ها 3. Cleansing Data

  • افزودن انواع داده Adding data types

  • رسیدگی به مقادیر گمشده Handling missing values

  • تأیید آدرس ها Verifying addresses

4- سازگاری با داده ها 4. Conforming Data

  • انجام جستجوی داده های اصلی Performing master data lookups

  • رسیدگی به اعضای استنباط شده Handling inferred members

5. تحویل مجموعه داده های تحلیلی 5. Delivering Analytical Data Sets

  • بارگیری طرحواره ستاره Loading the star schema

  • جداول بعد بارگیری Loading dimension tables

  • بارگیری جداول واقعیت Loading fact tables

  • ایجاد نماها Creating views

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش مبانی علوم داده: مهندسی داده
جزییات دوره
53m 24s
20
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
81,606
- از 5
ندارد
دارد
دارد
Ben Sullins
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ben Sullins Ben Sullins

کمک به پیشرفت شغلی خود در داده ها