فلش‌کارت‌های آموزشی تسلط بر زبان DAX برای تحلیل داده در Power BI

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر زبان DAX برای تحلیل داده در Power BI

موضوع کلی: هوش تجاری و تحلیل داده

موضوع میانی: تحلیل داده با ابزارهای پیشرفته

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش تجاری و Power BI
• 2. مفاهیم کلیدی در تحلیل داده
• 3. آشنایی با زبان DAX
• 4. ساختار و سینتکس توابع DAX
• 5. توابل اولیه DAX: SUM, AVERAGE, COUNT
• 6. توابل مقایسه‌ای: MIN, MAX
• 7. توابل منطقی: IF, AND, OR
• 8. کاربرد توابع متنی در DAX
• 9. توابل تاریخ و زمان در DAX
• 10. کاربرد CALCULATE در DAX
• 11. فیلتر کردن در DAX با CALCULATE
• 12. توابل فیلتر زمینه (Filter Context)
• 13. توابل ردیف زمینه (Row Context)
• 14. جدول‌های محاسباتی (Calculated Tables)
• 15. ستون‌های محاسباتی (Calculated Columns)
• 16. مفاهیم مدل‌سازی داده در Power BI
• 17. روابط بین جداول در Power BI
• 18. بهینه‌سازی مدل داده برای DAX
• 19. توابل تکرارکننده (Iterator Functions)
• 20. ALL, ALLEXCEPT, ALLSELECTED
• 21. توابل زمان هوشمند (Time Intelligence Functions)
• 22. DATEADD, SAMEPERIODLASTYEAR
• 23. توابل جمع‌بندی (Aggregation Functions)
• 24. SUMX, AVERAGEX, COUNTX
• 25. کاربرد EARLIER و EARLIEST
• 26. توابل اطلاعاتی (Information Functions)
• 27. ISBLANK, ISERROR
• 28. مفهوم Context Transition
• 29. کاربرد VAR در DAX برای خوانایی
• 30. نوشتن DAX کارآمد و بهینه
• 31. عیب‌یابی و خطایابی در DAX
• 32. استفاده از DAX Studio برای تحلیل
• 33. نکات پیشرفته در DAX
• 34. ایجاد سنجه‌های پیچیده (Measures)
• 35. طراحی داشبوردهای تعاملی
• 36. تجسم داده‌ها در Power BI
• 37. نمودارهای مناسب برای تحلیل
• 38. کاربرد Master Data Management
• 39. مدیریت داده‌های کلیدی
• 40. اصول حاکمیت داده (Data Governance)
• 41. امنیت داده‌ها در Power BI
• 42. نقشه‌برداری داده (Data Mapping)
• 43. پاکسازی و پیش‌پردازش داده
• 44. نرمال‌سازی پایگاه داده
• 45. مفهوم ACID در تراکنش‌ها
• 46. مفاهیم NoSQL
• 47. مقدمه‌ای بر داده‌های حجیم (Big Data)
• 48. معماری Hadoop
• 49. مفاهیم Spark
• 50. کاربرد Python در تحلیل داده
• 51. کتابخانه Pandas
• 52. کتابخانه NumPy
• 53. کتابخانه Matplotlib
• 54. کتابخانه Seaborn
• 55. مقدمه‌ای بر یادگیری ماشین
• 56. انواع الگوریتم‌های یادگیری ماشین
• 57. رگرسیون خطی
• 58. رگرسیون لجستیک
• 59. درخت تصمیم
• 60. جنگل تصادفی
• 61. ماشین بردار پشتیبان (SVM)
• 62. خوشه‌بندی (Clustering)
• 63. K-Means Clustering
• 64. شبکه‌های عصبی مصنوعی
• 65. مقدمه‌ای بر یادگیری عمیق
• 66. شبکه‌های عصبی کانولوشنال (CNN)
• 67. شبکه‌های عصبی بازگشتی (RNN)
• 68. پردازش زبان طبیعی (NLP)
• 69. مفاهیم کلیدی در NLP
• 70. تحلیل احساسات (Sentiment Analysis)
• 71. مدل‌سازی موضوعی (Topic Modeling)
• 72. استخراج اطلاعات (Information Extraction)
• 73. سیستم‌های توصیه‌گر (Recommender Systems)
• 74. مفاهیم اولیه A/B Testing
• 75. طراحی آزمایش‌های A/B
• 76. تحلیل نتایج A/B Testing
• 77. اهمیت داده‌های واقعی در تصمیم‌گیری
• 78. اخلاق در تحلیل داده
• 79. حریم خصوصی داده‌ها
• 80. قوانین حفاظت از داده‌ها
• 81. مقدمه‌ای بر هوش مصنوعی مولد
• 82. کاربرد مدل‌های زبانی بزرگ
• 83. تولید متن با هوش مصنوعی
• 84. تولید کد با هوش مصنوعی
• 85. تولید تصویر با هوش مصنوعی
• 86. ملاحظات اخلاقی در هوش مصنوعی مولد
• 87. آینده تحلیل داده و هوش تجاری
• 88. نقش تحلیلگر داده در سازمان
• 89. چالش‌های پیاده‌سازی هوش تجاری
• 90. استراتژی‌های موفق در هوش تجاری
• 91. مطالعات موردی موفق در هوش تجاری
• 92. ارزیابی عملکرد مدل‌های تحلیل داده
• 93. مقدمه‌ای بر داده‌کاوی (Data Mining)
• 94. الگوریتم‌های کشف قوانین انجمنی
• 95. تحلیل سبد خرید
• 96. مقدمه‌ای بر داده‌های مکانی (Spatial Data)
• 97. ابزارهای تحلیل داده مکانی
• 98. کاربرد داده‌های مکانی در کسب‌وکار
• 99. مقدمه‌ای بر تحلیل سری‌های زمانی
• 100. پیش‌بینی با استفاده از سری‌های زمانی