کتاب صوتی مقدمه‌ای بر پاکسازی سریع و آسان داده‌ها با Trifacta

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر پاکسازی سریع و آسان داده‌ها با Trifacta

موضوع کلی: مدیریت و تحلیل داده‌ها

موضوع میانی: پاکسازی و آماده‌سازی داده‌ها

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر اهمیت پاکسازی داده‌ها
• 2. شناخت چالش‌های رایج در داده‌ها
• 3. معرفی ابزار Trifacta برای پاکسازی داده
• 4. مراحل کلی پاکسازی و آماده‌سازی داده
• 5. درک ساختار داده‌ها در Trifacta
• 6. انواع مختلف خطاها و ناسازگاری‌ها در داده‌ها
• 7. شناسایی داده‌های پرت (Outliers)
• 8. مدیریت مقادیر گمشده (Missing Values)
• 9. تکنیک‌های پر کردن مقادیر گمشده
• 10. استانداردسازی فرمت داده‌ها
• 11. یکپارچه‌سازی داده‌های از منابع مختلف
• 12. قوانین و الگوهای پاکسازی داده
• 13. ایجاد و مدیریت قوانین پاکسازی
• 14. اعمال قوانین پاکسازی بر روی داده‌ها
• 15. پیش‌نمایش نتایج پاکسازی
• 16. بازبینی و اعتبارسنجی تغییرات اعمال شده
• 17. تکنیک‌های تبدیل داده‌ها
• 18. تغییر نوع داده‌ها
• 19. ادغام ستون‌ها
• 20. تقسیم ستون‌ها
• 21. تغییر نام ستون‌ها
• 22. حذف ستون‌های اضافی
• 23. استانداردسازی متن (Case Conversion)
• 24. حذف کاراکترهای اضافی
• 25. جدا کردن داده‌ها بر اساس الگو
• 26. ترکیب داده‌ها بر اساس الگو
• 27. شناسایی و حذف داده‌های تکراری
• 28. مدیریت داده‌های نامعتبر
• 29. استفاده از توابع داخلی Trifacta
• 30. ایجاد توابع سفارشی ساده
• 31. کار با تاریخ و زمان
• 32. استانداردسازی فرمت تاریخ
• 33. تبدیل فرمت زمان
• 34. محاسبه اختلاف زمانی
• 35. شناسایی و اصلاح خطاهای منطقی
• 36. اعتبارسنجی محدوده مقادیر
• 37. اعتبارسنجی صحت داده‌ها
• 38. مدیریت داده‌های نامفهوم
• 39. استانداردسازی نام‌ها و آدرس‌ها
• 40. پاکسازی داده‌های مکانی
• 41. استفاده از داده‌های مرجع
• 42. پیوند دادن داده‌ها (Data Linking)
• 43. جبران داده‌های از دست رفته در پیوند
• 44. مدیریت کیفیت داده‌ها در طول زمان
• 45. پایش کیفیت داده‌ها
• 46. گزارش‌گیری از کیفیت داده‌ها
• 47. اشتراک‌گذاری نتایج پاکسازی
• 48. ذخیره‌سازی داده‌های پاکسازی شده
• 49. خروجی گرفتن از داده‌های پاکسازی شده
• 50. فرمت‌های مختلف خروجی
• 51. استفاده از Trifacta در گردش کار تحلیل داده
• 52. ادغام Trifacta با ابزارهای BI
• 53. خودکارسازی فرآیندهای پاکسازی
• 54. مدیریت پروژه‌های پاکسازی داده
• 55. مستندسازی فرآیندهای پاکسازی
• 56. اصول طراحی داده‌های تمیز
• 57. نکات پیشرفته در پاکسازی داده
• 58. مدیریت داده‌های حجیم (Big Data)
• 59. ملاحظات امنیتی در پاکسازی داده
• 60. حفظ حریم خصوصی داده‌ها
• 61. استانداردهای حاکمیت داده
• 62. مفاهیم اولیه تحلیل داده
• 63. مراحل تحلیل داده
• 64. انواع تحلیل داده
• 65. بصری‌سازی داده‌ها
• 66. اصول مصورسازی داده
• 67. انواع نمودارها
• 68. ابزارهای مصورسازی داده
• 69. مقدمه‌ای بر مدل‌سازی داده
• 70. انواع مدل‌های داده
• 71. طراحی پایگاه داده
• 72. مقدمه‌ای بر یادگیری ماشین
• 73. انواع الگوریتم‌های یادگیری ماشین
• 74. کاربرد یادگیری ماشین در کسب‌وکار
• 75. مبانی آمار در تحلیل داده
• 76. مفاهیم احتمال
• 77. آزمون فرض آماری
• 78. رگرسیون خطی
• 79. مقدمه‌ای بر شبکه‌های عصبی
• 80. شبکه‌های عصبی کانولوشنال
• 81. شبکه‌های عصبی بازگشتی
• 82. پردازش زبان طبیعی
• 83. تحلیل احساسات
• 84. استخراج اطلاعات
• 85. سیستم‌های توصیه‌گر
• 86. مقدمه‌ای بر داده‌کاوی
• 87. الگوریتم‌های خوشه‌بندی
• 88. الگوریتم‌های طبقه‌بندی
• 89. قوانین وابستگی
• 90. مقدمه‌ای بر هوش تجاری (BI)
• 91. معماری هوش تجاری
• 92. ابزارهای هوش تجاری
• 93. شاخص‌های کلیدی عملکرد (KPI)
• 94. مدیریت پروژه در تحلیل داده
• 95. چرخه حیات پروژه تحلیل داده
• 96. نقش تحلیلگر داده
• 97. اخلاق در تحلیل داده
• 98. مسئولیت‌پذیری در استفاده از داده
• 99. آینده تحلیل داده
• 100. روندهای نوظهور در تحلیل داده