دوره آموزشی راهنمای کامل مهندسی تحلیل داده‌ها

4 ساعت 1 دقیقهمتوسط2025-09-09

مدرسین

Connor Dickson

جزئیات دوره

توی این دوره جامع، Connor Dickson شما رو با مهارت‌ها و ابزارهایی که یه Analytics Engineer نیاز داره آشنا می‌کنه. این دوره نشون می‌ده چطور تحلیل داده و مهندسی داده رو به هم وصل کنید و تبدیل به یه متخصص همه‌کاره توی تحلیل داده بشید.

بعد از گذروندن این دوره، می‌تونید با داده‌ها کار کنید و از ابزارهای محبوب مثل SQL، Python، dbt، Tableau و Power BI استفاده کنید تا داده‌ها رو استخراج، مدل‌سازی و بصری‌سازی کنید و تصمیم‌گیری‌های هوشمندانه انجام بدید.

اهداف یادگیری
تسلط بر SQL و کاربردهای اصلی اون به عنوان ستون فقرات Analytics Engineering
توانایی دستکاری داده‌ها با Python و آماده‌سازی آن‌ها برای تحلیل
ساخت یک پایپلاین کامل داده‌ها (ETL و ELT)
درک اهمیت مدل‌سازی داده و توانایی ایجاد کوئری‌های تحلیلی با dbt
مدیریت Cloud Data Warehouse و Data Lake
ساخت گزارش‌ها و داشبوردهای تعاملی در ابزارهای BI مثل Tableau یا Power BI

مهارت ها

Data Build Tool (dbt)pandasSQLDatabase AdministrationData EngineeringDatabase DevelopmentPythonDatabase ManagementData AnalysisProgramming LanguagesData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceSoftware DevelopmentDeep Dive (X:Y)

سرفصل ها

۰. مقدمه

01 - معرفی راهنمای کامل مهندسی تجزیه و تحلیل
02 - مرور کلی محتوای دوره
03 - معرفی گیت‌هاب کداسپیسز
04 - معرفی CoderPad

۱. مروری بر مهندسی تجزیه و تحلیل

05 - مقدمه‌ای بر مهندسی تجزیه و تحلیل
06 - مهندسی تجزیه‌و‌تحلیل یک نقش ترکیبی است
07 - چرخه حیات داده‌ها
08 - تکامل مهندسی تجزیه و تحلیل
09 - دموکراتیزه کردن داده‌ها و لایه‌های معنایی

۲. مروری بر پایگاه‌های داده، دریاچه‌های داده و انبارهای داده

10 - پایگاه‌های داده، دریاچه‌های داده و انبارهای داده، خدای من
11 - پایگاه‌های داده رابطه‌ای
12 - پایگاه‌های داده غیررابطه‌ای
13 - انبار داده‌ها
14 - دریاچه‌های داده - یک روش ذخیره‌سازی جایگزین
15 - پایگاه‌های داده چگونه از تصمیم‌گیری پشتیبانی می‌کنند؟
16 - بهترین شیوه‌های پایگاه داده

۳. دستکاری داده‌ها با پانداهای پایتون

17 - پایتون چیست و چرا از آن استفاده می‌کنیم؟
18 - محیط پایتون و مجموعه داده‌های ما
19 - هسته‌ها، اجرای کد پایتون و سایر اصول اولیه
20 - کتابخانه پایتون پانداس
21 - DataFrames، سری داده‌ها و انواع داده‌ها در pandas
22 - انتخاب، مرتب‌سازی و فیلتر کردن داده‌ها با pandas
23 - حل مشکلات رایج نوع داده با پانداهای پایتون
24 - پاکسازی داده‌ها با پانداس
25 - راهکار CoderPad - حل یک مسئله تحلیلی با پایتون

۴. تحلیل داده‌ها با پایتون پانداز

26 - توابع تحلیلی در پانداها
27 - گروه‌بندی داده‌ها در pandas
28 - ادغام چندین فریم داده با pandas
29 - ایجاد ستون‌های محاسباتی سفارشی جدید با pandas
30 - ایجاد میانگین‌های غلتان با محاسبات پنجره‌ای
31 - راهکار CoderPad - محاسبه میانگین‌ها با توابع پنجره‌ای پایتون

۵. استفاده از پایتون برای استخراج بار تبدیل

32 - چرا داده‌ها را با استفاده از ETLها جابجا کنیم؟
33- ETL در مقابل ELT
34 - اتصال به پایگاه داده و API ما
35 - واکشی داده‌ها
36 - ادغام و بازنویسی داده‌های موجود
37 - DAG ها
38- مزایا و معایب ابزارهای ETL

۶. مدل‌سازی داده‌ها با SQL

39- مقدمه‌ای بر SQL برای مهندسی تجزیه و تحلیل
40 - دستور SELECT
41 - فیلتر کردن نتایج داده‌ها با استفاده از عبارت WHERE
42- توابع تجمیع در SQL
43 - توابع تاریخ SQL
44 - اتصال داخلی چندین جدول
45 - اتصال چندین جدول از سمت چپ
46 - انواع دیگر پیوندها در SQL
47 - عبارات رایج جدول
48 - راهکار CoderPad - مدل‌سازی داده‌ها با SQL

7. دی‌بی‌تی

49- دی‌بی‌تی چیست؟
50 - لایه‌های معنایی برای گردش‌های کاری مدرن داده
51 - DAGها برای تجسم لایه‌های مدل داده
52 - ساخت، اجرا و آزمایش
53 - ماکروهای dbt

۸. مصورسازی داده‌ها با ابزارهای هوش تجاری

54- مقدمه‌ای بر هوش تجاری
55 - چیدمان تابلو
56- اتصال به منابع داده مختلف در Tableau
57- ابعاد در مقابل اندازه‌ها
58 - ایجاد فیلدهای محاسباتی
59 - از نمودار مناسب برای تجسم استفاده کنید
60 - ترکیب چندین منبع داده با هم
61 - ساخت یک داشبورد تعاملی
62 - بهترین شیوه‌های مصورسازی داده‌ها

۹. همکاری با ذینفعان

63 - چرا تیم‌های مهندسی تجزیه‌و‌تحلیل به روابط با ذینفعان نیاز دارند؟
64 - ارتباط مختصر و سریع
65 - مدیریت یک پروژه از ابتدا تا انتها
66 - اطمینان از اینکه ذینفعان شما از محصول شما استفاده می‌کنند

نتیجه‌گیری

67 - مروری مختصر بر مباحث مطرح شده
68 - قدم بعدی چیست؟