دوره آموزشی
دوبله زبان فارسی
متخصصان تحلیل داده - از مبانی تا سطح پیشرفته
✅ سرفصل و جزئیات آموزش
به تحلیل داده مسلط شوید، پایتون، EDA، آمار، مایکروسافت اکسل، Tableau، پاور بی آی و اس کیوال، تحلیل پیش بینی کننده و مبانی ETL را یاد بگیرید.
آنچه یاد خواهید گرفت:
- کشف کنید چگونه با پایتون و کتابخانه های قدرتمند آن، از جمله Matplotlib ،NumPy ،Pandas و Seaborn داده را به طور موثر مدیریت، تحلیل و مصورسازی کنید.
- یاد بگیرید چگونه تحلیل داده اکتشافی (EDA) برای کشف بینش ها، تشخیص الگوها و آماده سازی داده برای تحلیل بیشتر با مصورسازی موثر انجام دهید.
- مهارت هایی را برای استخراج، دستکاری و تجمیع داده با SQL بدست آورید. شما از MySQL برای مدیریت پایگاه داده های پیچیده و اجرای کوئری های پیچیده استفاده خواهید کرد.
- به هنر ایجاد داشبوردهای تعاملی و پربینش با Power BI و Tableau مسلط شوید. شما DAX را برای محاسبات پیچیده در Power BI و یکپارچه سازی اعمال خواهید کرد.
- اصول یادگیری ماشین، از جمله دسته بندی، رگرسیون و تحلیل سری زمانی را برای بهبود مهارت های تحلیل پیش بینی کننده خود بررسی کنید.
- اصول فرآیندهای ETL را برای استخراج، تبدیل و بارگذاری موثر داده خود برای تحلیل یاد بگیرید.
پیش نیازهای دوره
- این دوره پیش نیاز ندارد.
توضیحات دوره
نقش های شغلی بعد از این دوره
این دوره به شما کمک می کند تا در تحلیل داده پیش روید و نقش های زیر را انتخاب کنید:
- تحلیل داده
- تحلیل کسب و کار
- تحلیل BI
- توسعه دهنده BI
- توسعه دهنده Power BI
- توسعه دهنده Tableau
- و موارد بسیار دیگر
برنامه درسی:
- ماژول 1: پایتون برای تحلیل داده
- ماژول 2: تحلیل داده اکتشافی
- ماژول 3: آمار کسب و کار
- ماژول 4: SQL
- ماژول 5: مایکروسافت اکسل
- ماژول 6: Power BI
- ماژول 7: Tableau
- ماژول 8: مدل سازی پیش بینی کننده
- ماژول 9: انبار داده و ETL
- ماژول 10: راهنمایی های مصاحبه
- ماژول 11: پروژه های Capstone
نتیجه گیری:
در پایان این دوره، شما پایه محکمی در تحلیل داده و اعتماد به نفس مقابله با مشکلات واقعی را خواهید داشت. شما برای ورود به نقش تحلیلگر داده با یک پورتفولیوی قوی از پروژه ها برای نمایش مهارت هایتان آماده خواهید بود.
این دوره برای چه کسانی مناسب است؟
- افراد کاملا مبتدی علاقه به یادگیری تحلیل داده می توانند با این برنامه همراه شوند.
- هر فرد فنی یا غیر فنی می تواند در این دوره شرکت کند.
متخصصان تحلیل داده - از مبانی تا سطح پیشرفته
-
تحلیل داده چیست؟ 07:03
-
اهمیت تحلیل داده 02:19
-
انواع داده 03:59
-
انواع تحلیل آماری 03:55
-
گام هایی برای کسب یک راه حل تحلیل داده 02:29
-
درک کسب و کار 03:35
-
درک داده 06:58
-
جمع آوری داده 05:44
-
آماده سازی داده 03:42
-
مدل سازی داده 09:40
-
استقرار 02:42
-
مورد استفاده 05:20
-
آشنایی با پایتون 04:57
-
متغیرها و کلمات کلیدی 19:54
-
عملگرهای انواع داده 21:49
-
لیست ها 27:51
-
تاپل ها 24:57
-
مجموعه ها 12:45
-
دیکشنری 17:39
-
حلقه ها و Iteration 19:16
-
توابع 23:31
-
Reduce ،Map و Filter 30:15
-
مدیریت فایل 19:19
-
ساختارهای کنترل 09:39
-
برنامه نویسی شی گرا (OOPS) 20:42
-
NumPy 28:33
-
پانداس 34:13
-
مصورسازی داده 06:12
-
Matplotlib 26:37
-
Seaborn 19:10
-
مقدمه 05:50
-
انواع داده (دستور کار) 00:38
-
آمار توصیفی 08:10
-
آمار استنباطی 02:41
-
داده کیفی 08:33
-
داده کمی 04:17
-
تکنیک های نمونه گیری (دستور کار) 01:37
-
جمعیت در مقابل نمونه 03:47
-
چرا نمونه گیری مهم است؟ 03:20
-
انواع نمونه گیری 03:32
-
نمونه گیری تصادفی خوشه ای 05:12
-
نمونه گیری احتمالی 08:08
-
نمونه گیری غیر احتمالی 05:18
-
نمونه گیری جمعیت 08:11
-
چرا n-1 درست است، n نه؟ 05:06
-
تحلیل توصیفی (دستور کار) 01:06
-
شاخص های گرایش مرکزی 02:30
-
میانگین 05:31
-
میانه 07:07
-
مد 04:39
-
شاخص های پراکندگی 04:21
-
محدوده 01:43
-
IQR 04:49
-
انحراف معیار واریانس 09:56
-
انحراف معیار میانگین 04:12
-
احتمالات (دستور کار) 00:59
-
احتمالات 07:09
-
قانون جمع 07:17
-
رویدادهای مستقل 04:39
-
احتمالات تجمعی 04:26
-
احتمالات شرطی 07:57
-
قضیه بیز - بخش 1 02:08
-
قضیه بیز - بخش 2 04:59
-
توزیع احتمالات (دستور کار) 02:04
-
توزیع یکنواخت 08:02
-
توزیع دو جمله ای 12:48
-
توزیع پواسون 03:29
-
توزیع نرمال - بخش 1 10:34
-
توزیع نرمال - بخش 2 07:38
-
چولگی 04:50
-
کشیدگی 02:36
-
محاسبه احتمال با Z-score برای توزیع نرمال - بخش 1 08:12
-
محاسبه احتمال با Z-score برای توزیع نرمال - بخش 2 04:45
-
محاسبه احتمال با Z-score برای توزیع نرمال - بخش 3 03:33
-
کواریانس و همبستگی (دستور کار) 00:31
-
کواریانس 12:06
-
همبستگی 16:06
-
کواریانس در مقابل همبستگی 03:57
-
ANOVA 08:56
-
تست فرضیه 06:59
-
تست های Tailed 02:37
-
مقدار احتمال (p-Value) 04:14
-
انواع تست 08:22
-
تست T 07:32
-
تست Z 09:24
-
تست مربع کای 08:58
-
تست همبستگی (عملی) 06:57
-
دستور کار 02:32
-
فرآیند DS و DA 06:35
-
EDA چیست؟ 03:08
-
مصورسازی 04:49
-
گام های دخیل در EDA (منبع یابی داده) 04:35
-
گام های دخیل در EDA (پاکسازی داده) 04:11
-
مدیریت مقادیر گمشده (تئوری) 06:25
-
مدیریت مقادیر گمشده (عملی) 11:35
-
مقیاس بندی ویژگی (تئوری) 11:04
-
مثال استانداردسازی 04:13
-
مثال نرمال سازی 02:30
-
مقیاس بندی ویژگی (عملی) 13:50
-
رفتار با داده پرت (تئوری) 09:21
-
رفتار با داده پرت (عملی) 13:41
-
داده نامعتبر 04:47
-
انواع داده 02:57
-
انواع تحلیل 02:35
-
تحلیل تک متغیره 09:00
-
تحلیل دو متغیره 05:15
-
تحلیل چندمتغیره 01:21
-
تحلیل عددی 03:56
-
تحلیل (عملی) 30:14
-
None 04:33
-
اتصال ویژگی (تئوری) 07:17
-
اتصال ویژگی (عملی) 10:48
-
رمزگذاری ویژگی (تئوری) 12:25
-
رمزگذاری ویژگی (عملی) 10:46
-
مطالعه موردی 18:15
-
بررسی داده 19:16
-
پاکسازی داده 09:45
-
تحلیل تک متغیره 14:17
-
تحلیل دو متغیره - بخش 1 14:59
-
تحلیل دو متغیره - بخش 2 08:50
-
گزارش EDA 05:14
-
نصب 03:25
-
معماری داده - سرور فایل در مقابل سرور کلاینت 07:25
-
آشنایی با SQL 09:47
-
Constraints در SQL 16:16
-
مبانی جدول - DDL ها 22:52
-
مبانی جدول - DQL ها 17:10
-
مبانی جدول - DML ها 28:20
-
جوین ها 25:59
-
ایمپورت و اکسپورت داده 31:47
-
توابع تجمیع 12:01
-
توابع رشته 16:47
-
توابع تاریخ و زمان 13:34
-
عبارات منظم 09:18
-
کوئری های تودرتو 14:57
-
Views 12:43
-
رویه های ذخیره شده 25:33
-
Windows Function 22:12
-
اتصال SQL و پایتون 20:08
-
توابع از پیش تعریف شده 12:50
-
توابع تاریخ و زمان 11:22
-
توابع رشته 15:05
-
توابع ریاضی 18:15
-
Lookup (Hlookup و Vlookup) 13:38
-
توابع منطقی و خطا 15:26
-
توابع آماری 17:12
-
تصاویر در اکسل 08:24
-
فرمت بندی اکسل 12:32
-
فرمت بندی سفارشی 19:11
-
قالب بندی شرطی 12:12
-
نمودار ها در اکسل 11:17
-
تحلیل داده با اکسل 12:31
-
جداول محوری 12:41
-
داشبوردسازی در اکسل 14:37
-
سایر موارد 10:56
-
ابزار What-If - بررسی Scenario Manager و Goal Seek 09:43
-
مقدمه 07:35
-
ترفند زندگی (چگونه لایسنس Power BI Pro داشته باشیم؟) 09:43
-
Power BI Desktop 14:35
-
سرویس های Power BI 11:34
-
Power Query Editor 13:19
-
پروفایلینگ داده 14:17
-
گروه بندی بر اساس دیالوگ 10:28
-
گام های اعمال شده 07:52
-
Append در مقابل Merge 22:47
-
عناصر بصری Power BI 14:13
-
نمودارهای Power BI 11:39
-
آشنایی با DAX 18:38
-
Measure های ضمنی 08:30
-
فرمول DAX 06:22
-
توابع اولیه DAX 13:24
-
توابع تاریخ 15:21
-
توابع CALENDAR 13:10
-
Contexts Row در مقابل Filter 04:11
-
CALCULATE و FILTER 14:30
-
شرایط IF و ELSE 12:06
-
توابع هوش زمانی 23:17
-
توابع X در مقابل Non X 17:07
-
نکات ابزار و Drill Throughs 14:09
-
روابط Power BI 14:44
-
KPI ها در Power BI 15:08
-
مدیریت در Power BI 14:17
-
امنیت سطح ردیف استاتیک 10:17
-
امنیت سطح ردیف پویا 15:53
-
قالب بندی 26:48
-
بهترین شیوه ها 22:09
-
EDA 27:14
-
پروژه های لایو 44:11
-
مصورسازی داده چیست؟ 12:04
-
فرآیند BI 06:17
-
Tableau چیست؟ 02:21
-
ویژگی های Tableau 04:09
-
چگونه از Tableau استفاده کنیم؟ 07:11
-
معماری Tableau 03:13
-
Tableau Desktop 08:07
-
Tableau در مقابل Power BI 06:39
-
رابط، جوین ها و Unions 21:18
-
مجموعه ها در Tableau 13:36
-
گروه ها در Tableau 13:45
-
سلسله مراتب ها در Tableau 10:04
-
فیلترها در Tableau 25:12
-
هایلایت کردن 10:49
-
Device Deisgner 14:13
-
پارامترها 12:35
-
ترکیب داده 14:51
-
شفافیت 19:03
-
تجمیع داده 13:04
-
فیلدهای تولید شده 13:18
-
گسسته در مقابل پیوسته 14:28
-
نمودارها در Tableau 24:32
-
جداول محوری در Tableau 11:31
-
عبارات LOD 25:54
-
فیلدهای محاسباتی 25:29
-
قالب بندی 21:23
-
پیش بینی در Tableau 15:40
-
تحلیل در Tableau 19:02
-
داشبوردسازی 16:47
-
مقدمه 05:12
-
فرآیند تحلیل پیش بینی کننده 14:02
-
مدل چگونه کار می کند؟ 05:33
-
چرا تحلیل پیش بینی کننده؟ 02:22
-
اپلیکیشن ها 03:12
-
یادگیری ماشین چیست؟ 05:42
-
انواع یادگیری ماشین 18:17
-
دسته بندی 06:04
-
KNN 11:01
-
مثال KNN و اکسل 10:20
-
دسته بندی (عملی) 14:31
-
کد KNN 14:16
-
مثال درخت تصمیم گیری 14:17
-
کد درخت تصمیم گیری 08:02
-
جنگل تصادفی 05:56
-
کد جنگل تصادفی 05:05
-
Boosting 06:16
-
کد Boosting 04:45
-
رگرسیون (تئوری) 04:58
-
رگرسیون (عملی) 14:01
-
خوشه بندی 05:43
-
خوشه بندی (عملی) 13:02
-
سری های زمانی 04:09
-
کد پیش بینی سری زمانی 08:09
-
مقدمه 00:39
-
ETL چیست؟ 07:48
-
ابزارهای ETL 05:55
-
انبار داده چیست؟ 03:13
-
مزایای انبار داده 01:29
-
ساختار انبار داده 03:06
-
چرا به Staging نیاز داریم؟ 06:36
-
بازارهای داده (Data Marts) چه هستند؟ 02:56
-
Data Lake 02:32
-
Data Lake در مقابل انبار داده 03:44
-
عناصر Data Lake 01:50
-
تحلیل ریزش (Power BI) 44:11
مشخصات آموزش
متخصصان تحلیل داده - از مبانی تا سطح پیشرفته
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:مقدماتی
- تعداد درس:253
- مدت زمان :46:13:31
- حجم :35.16GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy