مدلسازی داده، تبدیل و ارائه

آنچه یاد خواهید گرفت:

• مدلسازی و تبدیل داده بر اساس نیازهای ذینفعان برای ارائه ارزش تجاری
• انتخاب ابزارهای مناسب پردازش داده برای طراحی معماری خود
• پردازش داده برای تحلیل‌های دسته‌ای و پایپ لاین داده یادگیری ماشین با استفاده از فریم‌ورک‌های پردازش توزیع‌شده و غیرتوزیع‌شده

توضیحات دوره

در این دوره، شما داده‌ها را برای هر دو مورد استفاده تحلیل و یادگیری ماشین مدل‌سازی، تبدیل و ارائه خواهید کرد. تکنیک‌های مختلف مدلسازی داده برای تحلیل‌های دسته‌ای، شامل نرمال‌سازی، مدل ستاره‌ای (star schema)، data vault و یک جدول بزرگ را بررسی خواهید کرد. همچنین با استفاده از dbt، یک مجموعه داده را بر اساس طرح ستاره‌ای و یک جدول بزرگ تبدیل خواهید کرد. شما رویکردهای مدلسازی داده Inmon و Kimball را برای انبارهای داده مقایسه خواهید کرد. داده‌های جدولی را برای مقاصد یادگیری ماشین مدل‌سازی و تبدیل خواهید کرد. همچنین داده‌های تصویر و متنی نامنظم را مدل‌سازی و تبدیل خواهید کرد.

فریم‌ورک‌های پردازش توزیع‌شده مانند Hadoop MapReduce و Spark را بررسی خواهید کرد و پردازش استریم را انجام خواهید داد. شما روش‌های مختلف برای ارائه داده‌ها برای تحلیل و یادگیری ماشین، از جمله استفاده از ویوها و ویوهای متریال سازی شده را شناسایی خواهید کرد. همچنین توضیح خواهید داد که چگونه یک لایه semantic که بر روی مدل داده شما ساخته شده می‌تواند از کسب‌وکار پشتیبانی کند. در آخرین هفته این دوره، شما یک پروژه پایانی را تکمیل خواهید کرد که یک پایپ لاین داده  end-to-end را می‌سازد و تمامی مراحل چرخه عمر داده‌ برنامه‌نویسی را برای ارائه داده‌ای که ارزش تجاری را ارائه می‌دهد، شامل می‌شود.