دوره آموزشی مهندسی تحلیل داده برای ساخت سیستمهای تحلیلی مبتنی بر هوش مصنوعی
1 ساعت 25 دقیقهمتوسط2026-07-14
مدرسین

José Siles
جزئیات دوره
با گسترش استفاده از تحلیلهای مبتنی بر هوش مصنوعی، کیفیت، ساختار و قابلیت اعتماد دادههای تحلیلی به یکی از مهمترین عوامل موفقیت در ارائه بینشهای دقیق و قابل استفاده برای کسبوکار تبدیل شده است. این دوره یک مسیر کامل End-to-End Analytics Engineering را آموزش میدهد که امکان تحلیل داده با زبان طبیعی (Natural Language Analytics) را بر پایه مدلهای دادهای قابل اعتماد فراهم میکند.
در این دوره یاد میگیرید چگونه یک Dataset واقعی را دریافت و وارد یک انبار داده (Data Warehouse) کنید، جداول تحلیلی استاندارد شامل Fact Tables و Dimension Tables را طراحی و مدلسازی کنید و با افزودن تستها و مستندسازی، اعتمادپذیری مدلهای داده را افزایش دهید.
همچنین با مفهوم Semantic Layer آشنا میشوید؛ لایهای که معیارهای کسبوکار (Business Metrics) و ابعاد داده (Dimensions) را بهصورت یکپارچه تعریف میکند تا تحلیلها در سراسر سازمان سازگار و قابل تکرار باشند.
در ادامه دوره، نحوه اتصال یک رابط سبک AI Text-to-SQL آموزش داده میشود تا کاربران کسبوکار بتوانند بدون نوشتن SQL، سؤالهای خود را به زبان طبیعی مطرح کرده و پاسخهای دقیق، کنترلشده و مبتنی بر دادههای معتبر دریافت کنند.
تمرکز اصلی این دوره تنها بر ابزارها نیست، بلکه بر اصول مهمی مانند شفافیت داده، اعتماد، استانداردسازی و قابلیت بازتولید تحلیلها (Reproducibility) قرار دارد تا بتوانید زیرساختی مناسب برای تحلیلهای هوشمند و سازمانی ایجاد کنید.
🎯 اهداف یادگیری
جمعآوری و بارگذاری Datasetهای واقعی و کوچک در یک Data Warehouse محلی.
طراحی و مدلسازی جداول تحلیلی استاندارد شامل Fact و Dimension.
ایجاد مدلهای دادهای تمیز، ساختاریافته و مناسب برای تحلیل کسبوکار.
افزودن تستها و مستندات برای افزایش اعتماد به مدلهای تحلیلی.
ایجاد Semantic Layer برای تعریف یکپارچه Metrics و Dimensions کسبوکار.
درک نقش Semantic Layer در ایجاد تحلیلهای سازگار و قابل اعتماد.
اتصال لایههای AI و Text-to-SQL برای پرسوجوی دادهها با زبان طبیعی.
ایجاد امکان تحلیل داده بدون نیاز کاربران به نوشتن Queryهای SQL.
طراحی فرآیندهای تحلیلی قابل تکرار، شفاف و قابل مدیریت.
دریافت پاسخهای دقیق و کنترلشده از سیستمهای تحلیلی مبتنی بر هوش مصنوعی.
در این دوره یاد میگیرید چگونه یک Dataset واقعی را دریافت و وارد یک انبار داده (Data Warehouse) کنید، جداول تحلیلی استاندارد شامل Fact Tables و Dimension Tables را طراحی و مدلسازی کنید و با افزودن تستها و مستندسازی، اعتمادپذیری مدلهای داده را افزایش دهید.
همچنین با مفهوم Semantic Layer آشنا میشوید؛ لایهای که معیارهای کسبوکار (Business Metrics) و ابعاد داده (Dimensions) را بهصورت یکپارچه تعریف میکند تا تحلیلها در سراسر سازمان سازگار و قابل تکرار باشند.
در ادامه دوره، نحوه اتصال یک رابط سبک AI Text-to-SQL آموزش داده میشود تا کاربران کسبوکار بتوانند بدون نوشتن SQL، سؤالهای خود را به زبان طبیعی مطرح کرده و پاسخهای دقیق، کنترلشده و مبتنی بر دادههای معتبر دریافت کنند.
تمرکز اصلی این دوره تنها بر ابزارها نیست، بلکه بر اصول مهمی مانند شفافیت داده، اعتماد، استانداردسازی و قابلیت بازتولید تحلیلها (Reproducibility) قرار دارد تا بتوانید زیرساختی مناسب برای تحلیلهای هوشمند و سازمانی ایجاد کنید.
🎯 اهداف یادگیری
جمعآوری و بارگذاری Datasetهای واقعی و کوچک در یک Data Warehouse محلی.
طراحی و مدلسازی جداول تحلیلی استاندارد شامل Fact و Dimension.
ایجاد مدلهای دادهای تمیز، ساختاریافته و مناسب برای تحلیل کسبوکار.
افزودن تستها و مستندات برای افزایش اعتماد به مدلهای تحلیلی.
ایجاد Semantic Layer برای تعریف یکپارچه Metrics و Dimensions کسبوکار.
درک نقش Semantic Layer در ایجاد تحلیلهای سازگار و قابل اعتماد.
اتصال لایههای AI و Text-to-SQL برای پرسوجوی دادهها با زبان طبیعی.
ایجاد امکان تحلیل داده بدون نیاز کاربران به نوشتن Queryهای SQL.
طراحی فرآیندهای تحلیلی قابل تکرار، شفاف و قابل مدیریت.
دریافت پاسخهای دقیق و کنترلشده از سیستمهای تحلیلی مبتنی بر هوش مصنوعی.
مهارت ها
Natural Language ProcessingAI for Data AnalysisTraditional AI and Machine LearningData Science FoundationsAI Productivity and Everyday UseData EngineeringData AnalysisArtificial Intelligence (AI)Data ScienceBusiness Analysis and StrategyBusiness Software and ToolsOne-Off
سرفصل ها
بیایید جهت یابی کنیم و بسازیم
- ساخت یک خط لوله داده هوش مصنوعی از ابتدا تا انتها
- مرور کلی پروژه - آنچه خواهید ساخت
مدلسازی جداول تحلیلی قابل اعتماد
- یک مجموعه داده واقعبینانه را به انبار داده وارد کنید
- کاوش دادههای خام با استفاده از DuckDB و DBeaver
- درک لایههای داده dbt - خام، مرحلهبندی و marts
- یک پروژه dbt را از ابتدا مقداردهی اولیه کنید
- ساخت و اجرای مدلهای مرحلهبندی dbt
- طراحی و ساخت جدول حقایق اصلی
- ساخت جداول ابعاد و تعریف روابط
ایجاد اعتماد در مدلهای تحلیلی
- اضافه کردن تستهای داده و مستندات با dbt
- ارزیابی قابلیت اعتماد مدل داده برای تجزیه و تحلیل و هوش مصنوعی
ساخت لایه معنایی
- شروع کار با یک لایه معنایی برای هوش مصنوعی
- تعریف معیارها و ابعاد کسب و کار
اتصال هوش مصنوعی به تحلیلهای قابل اعتماد
- چگونه RAG سؤالات تجاری را به SQL تبدیل میکند
- استفاده از متن به SQL به عنوان یک لایه رابط
- اولین سوال خود را با استفاده از زبان طبیعی بپرسید
اپلیکیشن Streamlit را بسازید
- ساخت و آزمایش اپلیکیشن Streamlit
عیبیابی و مراحل بعدی
- دادههای آموزشی را اصلاح کنید و مدل هوش مصنوعی را دوباره آموزش دهید