مقایسه
0

آموزش هوش تجاری با Power BI

  • نوع مدرک: دارد
  • سطح دوره: مقدماتی
  • قیمت: 2399000
  • 1679300 تومان
برای مشاهده لینک ثبت نام وارد شوید

آموزش هوش تجاری با Power BI

درباره این دوره
درباره دوره: امروزه داده‌ها به عنوان یکی از ارزشمندترین دارایی‌های سازمان‌ها شناخته می‌شوند. با این حال، تبدیل این داده‌ها به اطلاعات قابل فهم و قابل استفاده نیازمند مهارت‌ها و ابزارهای تخصصی است. یکی از قوی‌ترین ابزارهایی که برای این منظور توسعه یافته، Power BI مایکروسافت است. Power BI به شما این امکان را می‌دهد تا با تحلیل و مصورسازی داده‌ها، به بینش‌های کلیدی در کسب‌وکار خود دست یابید. آموزش هوش تجاری با Power BI می‌تواند شما را به یک تحلیل‌گر داده حرفه‌ای تبدیل کند که توانایی دارد از انبوهی از اطلاعات، تصمیم‌های دقیق و استراتژیک بگیرد. با یادگیری Power BI، شما می‌توانید از داده‌های خام و پیچیده به داشبوردهای مدیریتی و گزارش‌های مصورسازی‌شده برسید که به سادگی می‌توانند مورد استفاده قرار گیرند. این ابزار قدرتمند نه تنها به تحلیل و بررسی داده‌ها کمک می‌کند، بلکه امکان تعامل بهتر با اطلاعات و کشف الگوهای پنهان را فراهم می‌سازد. در این دوره، ما به شما نشان خواهیم داد که چگونه از امکانات پیشرفته Power BI برای ارتقای هوش تجاری استفاده کنید. این دوره به شما کمک می‌کند تا با مفاهیم اساسی و پیشرفته‌ی Power BI آشنا شوید. از تحلیل داده‌ها تا طراحی داشبوردهای مدیریتی، تمام آنچه که برای تبدیل داده‌ها به بینش‌های ارزشمند نیاز دارید، در این دوره پوشش داده شده است. دوره آموزش هوش تجاری با Power BI شما را به صورت قدم به قدم از مفاهیم پایه تا تکنیک‌های پیشرفته هدایت می‌کند. با شرکت در این دوره، شما به یک متخصص تبدیل خواهید شد که می‌توانید داده‌های پیچیده را به صورت بصری و کاربردی ارائه کنید. این دوره شامل ویدئوهای آموزشی و تمرین‌های عملی است که به شما کمک می‌کند تا مفاهیم را به صورت کامل درک کنید و به سرعت مهارت‌های خود را ارتقا دهید. این دوره شامل ١١ فصل و ٧ جلسه آموزشی است که به شما مفاهیم کلیدی هوش تجاری با Power BI را آموزش می‌دهد. در ابتدا با جمع‌آوری و پاک‌سازی داده‌ها آشنا خواهید شد و سپس به طراحی بصری و مدل‌سازی دیتا خواهید پرداخت. سرفصل‌های دوره شامل موضوعاتی همچون آنالیز دیتا، Data Analysis Expressions (DAX)، و طراحی داشبوردهای مدیریتی است. در اینجا سرفصل‌های دوره آموزش هوش تجاری با Power BI به همراه توضیحات جزئی هر فصل آمده است: هدف اصلی این دوره، آشنایی شما با ابزار قدرتمند Power BI و نحوه استفاده از آن برای تجزیه و تحلیل داده‌ها است. در طول این دوره، شما می‌آموزید که چگونه داده‌های مختلف را از منابع گوناگون جمع‌آوری کرده و آن‌ها را برای تحلیل و تصمیم‌گیری به کار ببرید. این دوره به شما کمک می‌کند تا بتوانید با استفاده از تکنیک‌های مدل‌سازی داده و طراحی داشبوردهای مدیریتی، از داده‌های خود به شکل بهینه استفاده کنید و به تحلیل‌های دقیق‌تری دست پیدا کنید. این دوره همچنین به شما امکان می‌دهد تا به سرعت بینش‌های تجاری را شناسایی و برای بهبود عملکرد سازمانی به کار گیرید. این دوره مناسب افرادی است که به دنبال یادگیری ابزارهای هوش تجاری و تحلیل داده‌ها هستند. اگر شما در حوزه‌های مدیریت، بازاریابی، تحلیل داده، یا حتی مالی فعالیت می‌کنید، این دوره می‌تواند به شما کمک کند تا با استفاده از Power BI به بینش‌های جدید دست یابید و تصمیم‌گیری‌های بهتری در کسب‌وکار خود انجام دهید. علاوه بر این، دوره برای کسانی که تجربه محدودی در زمینه تحلیل داده‌ها دارند ولی علاقه‌مند به یادگیری و ارتقای مهارت‌های خود هستند نیز بسیار مناسب است. دانشجویان، کارآفرینان و متخصصانی که به دنبال بهبود فرآیندهای تصمیم‌گیری خود هستند، از این دوره بهره‌مند خواهند شد. Power BI یکی از پیشرفته‌ترین و کاربرپسندترین ابزارهای تحلیل داده در جهان است که توسط مایکروسافت ارائه شده است. این ابزار قابلیت‌های گسترده‌ای برای تجزیه و تحلیل داده‌ها و ساخت داشبوردهای مدیریتی دارد. شرکت در این دوره به شما امکان می‌دهد تا مهارت‌های خود را به صورت عملی و کاربردی تقویت کنید و از آن در شغل یا کسب‌وکار خود بهره‌مند شوید. این دوره به شما کمک می‌کند تا به صورت کاملاً عملی با ابزارهای Power BI کار کنید و تکنیک‌های مختلفی را برای تحلیل داده‌ها و بهبود عملکرد سازمانی یاد بگیرید. علاوه بر این، شما با شرکت در این دوره، به آخرین تکنیک‌های تجزیه و تحلیل داده دسترسی خواهید داشت. در این دوره، شما با مفاهیم پایه‌ای مانند جمع‌آوری داده، پاک‌سازی و تبدیل داده‌ها و همچنین طراحی بصری و مدل‌سازی دیتا آشنا خواهید شد. همچنین شما می‌آموزید که چگونه از Data Analysis Expressions (DAX) برای تحلیل داده‌ها استفاده کنید و داشبوردهای مدیریتی کارآمدی طراحی کنید. این دوره به شما کمک می‌کند تا به یک تحلیل‌گر داده ماهر تبدیل شوید که می‌توانید داده‌های مختلف را به شکل بصری و کاربردی ارائه کنید. در پایان این دوره، شما قادر خواهید بود تا داده‌های خود را به داشبوردهای مدیریتی تبدیل کنید که به راحتی در کسب‌وکارهای مختلف قابل استفاده هستند. در دنیای دیجیتال امروز، داده‌ها نیروی محرکه تصمیم‌گیری‌های استراتژیک در هر کسب‌وکار موفق هستند. یادگیری هوش تجاری به شما این قدرت را می‌دهد که از داده‌های خام، بینش‌های دقیق و ارزشمندی استخراج کنید که به رشد و پیشرفت کسب‌وکارتان کمک می‌کنند. Power BI به عنوان یکی از برترین ابزارهای تحلیل داده در جهان، به شما امکان می‌دهد تا داده‌ها را به شکلی ساده و بصری تحلیل و تجسم کنید و تصمیمات بهتری برای آینده سازمان خود بگیرید. اگر به دنبال بهبود مهارت‌های تحلیل داده و تبدیل شدن به یک متخصص هوش تجاری هستید، دوره‌های آموزش هوش تجاری و آموزش تحلیل کسب و کار مکتب‌خونه فرصتی بی‌نظیر برای شماست. در این دوره‌ها، شما با مفاهیم پایه تا پیشرفته هوش تجاری آشنا خواهید شد و با تمرین‌های عملی به مهارت‌های کاربردی دست خواهید یافت. در ادامه به عنوان مکمل دوره توضیحاتی جامع و کامل در رابطه با هوش تجاری و Power BI ارائه شده است که می‌تواند برای شروع این دوره آموزشی چاشنی خوبی باشد. هوش تجاری (Business Intelligence) به مجموعه‌ای از فناوری‌ها، ابزارها و فرآیندها گفته می‌شود که به جمع‌آوری، تحلیل و تبدیل داده‌های خام به اطلاعات کاربردی و قابل فهم کمک می‌کند. این اطلاعات سپس در اختیار مدیران و تصمیم‌گیرندگان سازمان قرار می‌گیرد تا بتوانند تصمیمات استراتژیک و موثری اتخاذ کنند. هوش تجاری نه تنها به تحلیل داده‌های فعلی کمک می‌کند، بلکه از طریق الگوسازی و پیش‌بینی، مسیرهای آینده را نیز برای سازمان‌ها مشخص می‌سازد. هدف اصلی هوش تجاری، تبدیل داده‌های پیچیده و پراکنده به بینش‌های ساده و کاربردی است که می‌تواند تأثیرات مستقیمی بر عملکرد سازمان بگذارد. به عنوان ابزاری برای نظارت بر عملکرد، هوش تجاری به شما این امکان را می‌دهد تا روندها، فرصت‌ها و مشکلات پنهان در کسب‌وکار خود را شناسایی کنید. اگر به دنبال یادگیری عمیق‌تر و عملی هوش تجاری هستید، دوره آموزش هوش تجاری با Power BI مکتب‌خونه یک مسیر ایده‌آل برای شروع است. Power BI یک ابزار قدرتمند تجسم و تحلیل داده است که توسط مایکروسافت توسعه یافته است. این ابزار به کاربران اجازه می‌دهد تا داده‌ها را از منابع مختلف جمع‌آوری کرده، آن‌ها را مدل‌سازی و تحلیل کرده و در نهایت به داشبوردها و گزارش‌های بصری تبدیل کنند. Power BI به دلیل رابط کاربری ساده و قابلیت‌های پیشرفته خود، ابزاری بسیار محبوب در بین مدیران، تحلیل‌گران داده و تصمیم‌گیرندگان کسب‌وکارها است. Power BI همچنین قابلیت اتصال به طیف وسیعی از منابع داده، از جمله فایل‌های Excel، دیتابیس‌های SQL، و حتی سیستم‌های ابری را دارد. این ابزار به کاربران امکان می‌دهد تا به صورت زنده داده‌ها را به‌روزرسانی کرده و تحلیل‌های به‌روز و دقیقی ارائه دهند. اگر به دنبال یادگیری نحوه استفاده از Power BI و تبدیل داده‌های خود به بینش‌های عملی هستید، دوره آموزش هوش تجاری با Power BI مکتب‌خونه بهترین انتخاب است. از مهم‌ترین کاربردهای پاوربی آی می‌توان موارد زیر را نام برد: یکی از مهم‌ترین مزایای Power BI، توانایی آن در تجسم داده‌ها به صورت بصری و کاربرپسند است. با این ابزار، می‌توانید داده‌ها را به شکلی مرتب و قابل درک تبدیل کنید که به سرعت بینش‌های مورد نیاز خود را به دست آورید. علاوه بر این، Power BI به شما این امکان را می‌دهد تا گزارش‌ها و داشبوردهای خود را به صورت زنده به‌روزرسانی کنید، به این معنا که شما همیشه به داده‌های تازه و قابل اعتماد دسترسی خواهید داشت. از دیگر مزایای Power BI، امکان اتصال به طیف گسترده‌ای از منابع داده و پشتیبانی از تحلیل‌های پیشرفته مانند مدل‌سازی داده و محاسبات DAX است. همچنین، این ابزار دارای قابلیت اشتراک‌گذاری ساده گزارش‌ها و داشبوردها درون تیم‌ها و سازمان‌ها است که همکاری را تسهیل می‌کند. اگر می‌خواهید این مزایا را در کسب‌وکار خود به کار گیرید، دوره آموزش هوش تجاری با Power BI مکتب‌خونه گزینه‌ای عالی است. یادگیری Power BI نه تنها برای تحلیل‌گران داده، بلکه برای تمامی افراد در نقش‌های مدیریتی و تصمیم‌گیری در کسب‌وکارها ضروری است. با داشتن مهارت‌های Power BI، شما می‌توانید داده‌ها را به بینش‌های عملی و کاربردی تبدیل کنید و به تصمیمات استراتژیک سازمان خود کمک کنید. به‌علاوه، داشتن تسلط بر Power BI به شما امکان می‌دهد تا در بازار کار رقابتی امروز از دیگران متمایز شوید و شانس بیشتری برای یافتن موقعیت‌های شغلی بهتر داشته باشید. توانایی تحلیل داده‌ها و طراحی داشبوردهای مدیریتی یکی از مهم‌ترین مهارت‌های مورد نیاز در بسیاری از صنایع است. با یادگیری Power BI، شما می‌توانید نقش مؤثرتری در بهبود فرآیندهای کسب‌وکاری و افزایش بهره‌وری سازمان‌ها ایفا کنید. برای تسلط بر این مهارت‌ها، دوره آموزش هوش تجاری با Power BI مکتب‌خونه بهترین مسیر است تا شما را به یک متخصص در این حوزه تبدیل کند. مقدمه: 1 – مقدمه 2 – تمرین مقدمه 3 – نصب Power BI 4 – تمرین نصب Power BI 5 – معرفی محیط Power BI 6 – تمرین معرفی محیط Power BI 7 – اولین داشبورد من 8 – تمرین ساخت اولین داشبورد 9 – تمرین فصل مقدمه 10 – فایل‌های مورد نیاز دوره جمع‌آوری داده: 1 – جمع‌آوری داده 2 – تمرین جمع آوری داده 3 – جمع‌آوری داده از دیتابیس 4 – تمرین جمع آوری داده از دیتابیس 5 – دانلود و نصب SQL – بخش اول 6 – دانلود و نصب SQL – بخش دوم 7 – جمع‌آوری داده از SQL Server 8 – تمرین جمع آوری داده از SQL Server 9 – تمرین فصل جمع‌آوری داده پاک‌سازی و تبدیل داده‌ها: 1 – Power Query – قسمت اول 2 – تمرین Power Query – قسمت اول 3 – Power Query – قسمت دوم 4 – تمرین Power Query – قسمت دوم 5 – بهم چسباندن جدول‌ها 6 – تمرین بهم چسباندن جدول‌ها 7 – تمرین فصل پاک‌سازی و تبدیل‌داده‌ها مدل‌سازی دیتا: 1 – مدل‌سازی داده‌ها 2 – مدل‌سازی داده‌ها 3 – مراحل مدل‌سازی داده‌ها – قسمت اول 4 – تمرین مراحل مدل‌سازی داده‌ها – قسمت اول 5 – مراحل مدل‌سازی داده‌ها – قسمت دوم 6 – تمرین مراحل مدل‌سازی داده‌ها – قسمت دوم 7 – مراحل مدل‌سازی داده‌ها – قسمت سوم 8 – مراحل مدل‌سازی داده‌ها – قسمت سوم 9 – تنظیمات فیلدها 10 – تنظیمات فیلدها 11 – دانه‌بندی داده‌ها – قسمت اول 12 – تمرین دانه‌بندی داده‌ها – قسمت اول 13 – دانه‌بندی داده‌ها – قسمت دوم 14 – تمرین دانه‌بندی داده‌ها – قسمت دوم 15 – صفحه آرایی 16 – تمرین صفحه آرایی 17 – تمرین فصل مدل‌سازی دیتا طراحی بصری: 1 – Power BI Visuals 2 – تمرین Power BI Visuals 3 – نمودارهای میله‌ای 4 – تمرین نمودارهای میله‌ای 5 – نمودارهای خطی 6 – تمرین نمودارهای خطی 7 – نمودار مساحت – قسمت اول 8 – تمرین نمودار مساحت – قسمت اول 9 – نمودار مساحت – قسمت دوم 10 – تمرین نمودار مساحت – قسمت دوم 11 – تحلیل بُعد محصول 12 – تمرین تحلیل بُعد محصول 13 – تحلیل بُعد خرده‌فروشی‌ها 14 – تمرین تحلیل بُعد خرده‌فروشی‌ها 15 – KPI and Card Visuals 16 – تمرین KPI and Card Visuals 17 – Filters and Slicers 18 – تمرین Filters and Slicers 19 – Map Visuals – قسمت اول 20 – تمرین Map Visuals – قسمت اول 21 – Map Visuals – قسمت دوم 22 – تمرین Map Visuals – قسمت دوم 23 – Filled Map 24 – تمرین Filled Map 25 – منوی Format 26 – تمرین منوی Format 27 – اضافه‌کردن Visualهای جدید به Power BI 28 – تمرین اضافه‌کردن Visualهای جدید به Power BI 29 – چیدمان صفحه 30 – تمرین چیدمان صفحه 31 – پروژه میانی نکات تکمیلی: 1 – اضافه‌کردن تقویم شمسی به Power BI – قسمت اول 2 – تمرین اضافه‌کردن تقویم شمسی به Power BI – قسمت اول 3 – اضافه‌کردن تقویم شمسی به Power BI – قسمت دوم 4 – تمرین اضافه‌کردن تقویم شمسی به Power BI – قسمت دوم 5 – کار با بُعد زمان 6 – تمرین کار با بُعد زمان 7 – تمرین فصل نکات تکمیلی Data Analysis Expressions (DAX): 1 – مقدمه 2 – تمرین مقدمه DAX 3 – ساخت ستون‌های محاسباتی – قسمت اول 4 – تمرین ساخت ستون‌های محاسباتی – قسمت اول 5 – ساخت ستون‌های محاسباتی – قسمت دوم 6 – تمرین ساخت ستون‌های محاسباتی – قسمت دوم 7 – ساخت Measure 8 – ساخت Measure 9 – آشنایی با مفهوم Context 10 – تمرین آشنایی با مفهوم Context 11 – تابع Calculate 12 – تمرین تابع Calculate 13 – ابزار Relationship 14 – تمرین ابزار Relationship 15 – تابع Time Intelligence 16 – تمرین تابع Time Intelligence 17 – فیلترهای مبتنی بر زمان 18 – تمرین فیلترهای مبتنی بر زمان 19 – تمرین فصل DAX داستان سرایی: 1 – مقدمه 2 – تمرین مقدمه داستان سرایی 3 – نحوه یافتن بهترین الگوهای Power BI 4 – تمرین نحوه یافتن بهترین الگوهای Power BI 5 – ساختن یک قالب در Power BI – قسمت اول 6 – تمرین ساختن یک قالب در Power BI – قسمت اول 7 – ساختن یک قالب در Power BI – قسمت دوم 8 – تمرین ساختن یک قالب در Power BI – قسمت دوم 9 – ساختن یک قالب در Power BI – قسمت سوم 10 – ساختن یک قالب در Power BI – قسمت سوم 11 – نحوه ایجاد Selections 12 – تمرین نحوه ایجاد Selections 13 – نحوه ایجاد Bookmarkها – قسمت اول 14 – تمرین نحوه ایجاد Bookmarkها – قسمت اول 15 – نحوه ایجاد Bookmarkها – قسمت دوم 16 – تمرین نحوه ایجاد Bookmarkها – قسمت دوم 17 – مفهوم Navigation 18 – تمرین مفهوم Navigation 19 – تمرین فصل داستان‌ سرایی داشبوردها: 1 – مقدمه 2 – تمرین مقدمه داشبوردها 3 – نحوه انتشار داشبورد Power BI 4 – تمرین نحوه انتشار داشبورد Power BI 5 – نحوه به اشتراک‌گذاری داشبورد Power BI 6 – تمرین نحوه به اشتراک‌گذاری داشبورد Power BI 7 – تمرین فصل داشبوردها آنالیز دیتا: 1 – مقدمه 2 – تمرین مقدمه آنالیز دیتا 3 – آشنایی با مفهوم توابع آماری 4 – تمرین آشنایی با مفهوم توابع آماری 5 – آشنایی با مفهوم Grouping 6 – تمرین آشنایی با مفهوم Grouping 7 – نحوه استفاده از Top N 8 – تمرین نحوه استفاده از Top N 9 – نحوه نسبت‌گرفتن 10 – تمرین نحوه نسبت‌گرفتن 11 – آشنایی با ویژگی Summarize و Analyze در Power BI 12 – تمرین آشنایی با ویژگی Summarize و Analyze در Power BI 13 – تمرین فصل آنالیز دیتا موضوع‌های پیشرفته در Power BI: 1 – Scatter Chart 2 – تمرین Scatter Chart 3 – آشنایی با مفهوم Drill 4 – تمرین آشنایی با مفهوم Drill 5 – نحوه اضافه‌کردن جزئیات بیشتر به گزارش 6 – تمرین نحوه اضافه‌کردن جزئیات بیشتر به گزارش 7 – توابع X 8 – تمرین توابع X 9 – نحوه استفاده از ابزار پرسش و پاسخ در Power BI 10 – تمرین نحوه استفاده از ابزار پرسش و پاسخ در Power BI 11 – آشنایی با ابزارهای Power Query 12 – پروژه پایانی
سرفصل‌های دوره
مقدمه: 1 – مقدمه 2 – تمرین مقدمه 3 – نصب Power BI 4 – تمرین نصب Power BI 5 – معرفی محیط Power BI 6 – تمرین معرفی محیط Power BI 7 – اولین داشبورد من 8 – تمرین ساخت اولین داشبورد 9 – تمرین فصل مقدمه 10 – فایل‌های مورد نیاز دوره جمع‌آوری داده: 1 – جمع‌آوری داده 2 – تمرین جمع آوری داده 3 – جمع‌آوری داده از دیتابیس 4 – تمرین جمع آوری داده از دیتابیس 5 – دانلود و نصب SQL – بخش اول 6 – دانلود و نصب SQL – بخش دوم 7 – جمع‌آوری داده از SQL Server 8 – تمرین جمع آوری داده از SQL Server 9 – تمرین فصل جمع‌آوری داده پاک‌سازی و تبدیل داده‌ها: 1 – Power Query – قسمت اول 2 – تمرین Power Query – قسمت اول 3 – Power Query – قسمت دوم 4 – تمرین Power Query – قسمت دوم 5 – بهم چسباندن جدول‌ها 6 – تمرین بهم چسباندن جدول‌ها 7 – تمرین فصل پاک‌سازی و تبدیل‌داده‌ها مدل‌سازی دیتا: 1 – مدل‌سازی داده‌ها 2 – مدل‌سازی داده‌ها 3 – مراحل مدل‌سازی داده‌ها – قسمت اول 4 – تمرین مراحل مدل‌سازی داده‌ها – قسمت اول 5 – مراحل مدل‌سازی داده‌ها – قسمت دوم 6 – تمرین مراحل مدل‌سازی داده‌ها – قسمت دوم 7 – مراحل مدل‌سازی داده‌ها – قسمت سوم 8 – مراحل مدل‌سازی داده‌ها – قسمت سوم 9 – تنظیمات فیلدها 10 – تنظیمات فیلدها 11 – دانه‌بندی داده‌ها – قسمت اول 12 – تمرین دانه‌بندی داده‌ها – قسمت اول 13 – دانه‌بندی داده‌ها – قسمت دوم 14 – تمرین دانه‌بندی داده‌ها – قسمت دوم 15 – صفحه آرایی 16 – تمرین صفحه آرایی 17 – تمرین فصل مدل‌سازی دیتا طراحی بصری: 1 – Power BI Visuals 2 – تمرین Power BI Visuals 3 – نمودارهای میله‌ای 4 – تمرین نمودارهای میله‌ای 5 – نمودارهای خطی 6 – تمرین نمودارهای خطی 7 – نمودار مساحت – قسمت اول 8 – تمرین نمودار مساحت – قسمت اول 9 – نمودار مساحت – قسمت دوم 10 – تمرین نمودار مساحت – قسمت دوم 11 – تحلیل بُعد محصول 12 – تمرین تحلیل بُعد محصول 13 – تحلیل بُعد خرده‌فروشی‌ها 14 – تمرین تحلیل بُعد خرده‌فروشی‌ها 15 – KPI and Card Visuals 16 – تمرین KPI and Card Visuals 17 – Filters and Slicers 18 – تمرین Filters and Slicers 19 – Map Visuals – قسمت اول 20 – تمرین Map Visuals – قسمت اول 21 – Map Visuals – قسمت دوم 22 – تمرین Map Visuals – قسمت دوم 23 – Filled Map 24 – تمرین Filled Map 25 – منوی Format 26 – تمرین منوی Format 27 – اضافه‌کردن Visualهای جدید به Power BI 28 – تمرین اضافه‌کردن Visualهای جدید به Power BI 29 – چیدمان صفحه 30 – تمرین چیدمان صفحه 31 – پروژه میانی نکات تکمیلی: 1 – اضافه‌کردن تقویم شمسی به Power BI – قسمت اول 2 – تمرین اضافه‌کردن تقویم شمسی به Power BI – قسمت اول 3 – اضافه‌کردن تقویم شمسی به Power BI – قسمت دوم 4 – تمرین اضافه‌کردن تقویم شمسی به Power BI – قسمت دوم 5 – کار با بُعد زمان 6 – تمرین کار با بُعد زمان 7 – تمرین فصل نکات تکمیلی Data Analysis Expressions (DAX): 1 – مقدمه 2 – تمرین مقدمه DAX 3 – ساخت ستون‌های محاسباتی – قسمت اول 4 – تمرین ساخت ستون‌های محاسباتی – قسمت اول 5 – ساخت ستون‌های محاسباتی – قسمت دوم 6 – تمرین ساخت ستون‌های محاسباتی – قسمت دوم 7 – ساخت Measure 8 – ساخت Measure 9 – آشنایی با مفهوم Context 10 – تمرین آشنایی با مفهوم Context 11 – تابع Calculate 12 – تمرین تابع Calculate 13 – ابزار Relationship 14 – تمرین ابزار Relationship 15 – تابع Time Intelligence 16 – تمرین تابع Time Intelligence 17 – فیلترهای مبتنی بر زمان 18 – تمرین فیلترهای مبتنی بر زمان 19 – تمرین فصل DAX داستان سرایی: 1 – مقدمه 2 – تمرین مقدمه داستان سرایی 3 – نحوه یافتن بهترین الگوهای Power BI 4 – تمرین نحوه یافتن بهترین الگوهای Power BI 5 – ساختن یک قالب در Power BI – قسمت اول 6 – تمرین ساختن یک قالب در Power BI – قسمت اول 7 – ساختن یک قالب در Power BI – قسمت دوم 8 – تمرین ساختن یک قالب در Power BI – قسمت دوم 9 – ساختن یک قالب در Power BI – قسمت سوم 10 – ساختن یک قالب در Power BI – قسمت سوم 11 – نحوه ایجاد Selections 12 – تمرین نحوه ایجاد Selections 13 – نحوه ایجاد Bookmarkها – قسمت اول 14 – تمرین نحوه ایجاد Bookmarkها – قسمت اول 15 – نحوه ایجاد Bookmarkها – قسمت دوم 16 – تمرین نحوه ایجاد Bookmarkها – قسمت دوم 17 – مفهوم Navigation 18 – تمرین مفهوم Navigation 19 – تمرین فصل داستان‌ سرایی داشبوردها: 1 – مقدمه 2 – تمرین مقدمه داشبوردها 3 – نحوه انتشار داشبورد Power BI 4 – تمرین نحوه انتشار داشبورد Power BI 5 – نحوه به اشتراک‌گذاری داشبورد Power BI 6 – تمرین نحوه به اشتراک‌گذاری داشبورد Power BI 7 – تمرین فصل داشبوردها آنالیز دیتا: 1 – مقدمه 2 – تمرین مقدمه آنالیز دیتا 3 – آشنایی با مفهوم توابع آماری 4 – تمرین آشنایی با مفهوم توابع آماری 5 – آشنایی با مفهوم Grouping 6 – تمرین آشنایی با مفهوم Grouping 7 – نحوه استفاده از Top N 8 – تمرین نحوه استفاده از Top N 9 – نحوه نسبت‌گرفتن 10 – تمرین نحوه نسبت‌گرفتن 11 – آشنایی با ویژگی Summarize و Analyze در Power BI 12 – تمرین آشنایی با ویژگی Summarize و Analyze در Power BI 13 – تمرین فصل آنالیز دیتا موضوع‌های پیشرفته در Power BI: 1 – Scatter Chart 2 – تمرین Scatter Chart 3 – آشنایی با مفهوم Drill 4 – تمرین آشنایی با مفهوم Drill 5 – نحوه اضافه‌کردن جزئیات بیشتر به گزارش 6 – تمرین نحوه اضافه‌کردن جزئیات بیشتر به گزارش 7 – توابع X 8 – تمرین توابع X 9 – نحوه استفاده از ابزار پرسش و پاسخ در Power BI 10 – تمرین نحوه استفاده از ابزار پرسش و پاسخ در Power BI 11 – آشنایی با ابزارهای Power Query 12 – پروژه پایانی
موسسه برگزارکننده
دوره آموزش وردپرس مکتب‌خونه

مکتب خونه

مدرس

محمد قاهری نجف آبادی

دوره‌های مشابه
مقایسه

آشنایی با تکنولوژی‌های بیگ دیتا (Big Data)

درباره دوره: امروزه دنیای اینترنت موجب به وجود آمدن حجم بسیار بالایی از داده‌ها شده است که ما آن را به‌عنوان کلان داده (big data) می‌شناسیم. این کلان داده‌ها نقش به سزایی در پیشروی صنایع مختلف دارند. دوره آموزش big data مکتب خونه با هدف آشنایی کاربران با این فنّاوری ارائه شده است و از اهمیت بسیار بالایی برخوردار است. در این دوره آموزش big data دانشجویان قرار است نحوه کار با داده‌های حجیم را بیاموزند و با تکنیک‌ها و آموزش‌های لازم وارد بازار کار شوند. دوره آموزش big data مکتب خونه به هدف آموزش فنّاوری کلان داده و آشنایی کاربران با ابزارهای مهم آن توسط محمدصادق دهقان تهیه و تدوین شده است. در این دوره آموزشی که در پنج ساعت محتوای ویدیویی ارائه خواهد شد، دانشجویان با جزئیات مهمی از big data و نحوه استفاده از آن‌ها با ابزارهایی مانند آپاچی هادوپ و آپاچی اسپارک آشنا خواهند شد. هدف این دوره آموزش مبانی Big Data و آشنایی مقدماتی با ابزارهای این حوزه هست. این ویدیوها بخشی از ارائه‌های دوره کارآموزی نیمبو هست که توسط شرکت سحاب پرداز برگزار شده و سرفصل‌های دوره شامل مباحث زیر است: دوره آموزش کلان داده مکتب خونه برای تمامی افرادی که به حوزه هوش مصنوعی، یادگیری ماشین و کلان داده علاقه‌مند هستند توصیه می‌شود. با یادگیری مباحث کلان داده دانش کاربران از حوزه‌های مذکور بسیار بالا می‌رود و فرصت ورود به بازار برای آن‌ها فراهم می‌شود. اگر به فکر یادگیری مفاهیم کلان داده هستید این دوره آنلاین داده‌های حجیم را از دست ندهید. این یک دوره آموزشی از صفرتا صد بیگ دیتا نیست و شما در این دوره big data کار با ابزارهای مختلفی را یاد خواهید گرفت. از همین رو این دوره یک سری پیش‌نیاز دارد که بهتر است کاربر از قبل با آن‌ها آشنا باشد. برای یادگیری مفاهیم بالا می‌توانید از دوره‌های آموزش زبان برنامه‌نویسی پایتون مکتب خونه و دوره‌های مربوطه به sql server بهره ببرید. کلان داده (big data) به مجموعه داده‌های عظیم و پیچیده (اعم از ساختاریافته، نیمه ساختاریافته یا بدون ساختار) در علم داده اشاره دارد که به‌سرعت از منابع مختلف تولید و منتقل می‌شوند. کلان داده‌ها را می‌توان در قالب چالش‌های مدیریت داده توصیف کرد که به دلیل افزایش حجم، سرعت و تنوع داده‌ها با پایگاه‌های داده سنتی قابل‌حل نیستند. در حالی که تعاریف زیادی برای کلان داده وجود دارد، اما کلان داده با سه مفهوم زیر از داده‌های دیگر خودش را متمایز می‌کند. اگرچه کار روی داده‌های بزرگ می‌تواند طاقت‌فرسا باشد اما این مقدار داده انبوهی از اطلاعات را در اختیار متخصصان قرار می‌دهد تا از آن‌ها به نفع خود استفاده کنند. مجموعه‌های کلان داده را می‌توان برای استنباط الگوهایی در مورد منابع اصلی آن‌ها استخراج کرد و بینشی برای بهبود کارایی کسب‌وکار یا پیش‌بینی نتایج آینده کسب‌وکار ایجاد کرد. برخی از زمینه‌های قابل‌توجهی که داده‌های بزرگ مزایایی را ارائه می‌دهند عبارت‌اند از: در دوره آموزش big data ما با مزایای این نوع داده‌ها در عمل آشنا خواهیم شد و خواهیم توانست از آن‌ها به نفع خود استفاده کنیم. تجزیه‌وتحلیل داده‌های بزرگ به جمع‌آوری، پردازش، تمیز کردن و تجزیه‌وتحلیل مجموعه داده‌های بزرگ برای کمک به سازمان‌ها برای عملیاتی کردن کلان داده‌های خود اشاره دارد. در دوره آموزش big data نحوه کار کلان داده‌ها به‌صورت عملی توضیح داده می‌شود اما در اینجا به‌صورت مختصر این فرایند را توضیح می‌دهیم. جمع‌آوری داده‌ها برای هر سازمانی متفاوت به نظر می‌رسد. با فناوری امروزی، سازمان‌ها می‌توانند داده‌های ساختاریافته و بدون ساختار را از منابع مختلف جمع‌آوری کنند. از ذخیره‌سازی ابری گرفته تا برنامه‌های کاربردی تلفن همراه گرفته تا حسگرهای اینترنت اشیا در فروشگاه و سایر موارد دیگری که با دیتا سروکار دارند. هنگامی‌که داده‌ها جمع‌آوری و ذخیره می‌شوند، باید به‌درستی سازمان‌دهی شوند تا نتایج دقیقی در پرس‌وجوهای تحلیلی به دست آید، به‌خصوص زمانی که داده بزرگ و بدون ساختار باشد. از آنجاکه داده‌های موجود به‌طور تصاعدی در حال رشد است و پردازش داده‌ها را به چالشی برای سازمان‌ها تبدیل می‌کند نوع پردازش فرق خواهد کرد. یکی از گزینه‌های پردازش، پردازش دسته‌ای است که در طول زمان به بلوک‌های بزرگ داده نگاه می‌کند و معمولاً توسط سیستم‌های توزیع شده انجام می‌شود. پردازش دسته‌ای زمانی مفید است که بین جمع‌آوری و تجزیه‌وتحلیل داده‌ها زمان بیشتری وجود داشته باشد. پردازش دیگر در کلان داده، از نوع جریانی است. پردازش جریانی به یک‌باره به دسته‌های کوچکی از داده‌ها نگاه کرده و زمان تاخیر بین جمع‌آوری و تجزیه‌وتحلیل را برای تصمیم‌گیری سریع‌تر کوتاه می‌کند. پردازش جریانی پیچیده‌تر و اغلب گران‌تر است. داده‌های بزرگ یا کوچک برای بهبود کیفیت داده‌ها و گرفتن نتایج قوی‌تر نیاز به تمیز کردن دارند. همه داده‌ها باید به‌درستی قالب‌بندی شوند و هر گونه داده تکراری یا نامربوط باید حذف یا حساب شود. داده‌های پرت می‌توانند مبهم و گمراه کننده باشند و بینش‌های ناقصی ایجاد کنند. تبدیل کلان داده به حالت قابل‌استفاده زمان‌بر است. پس از آماده شدن، فرآیندهای تجزیه‌وتحلیل پیشرفته می‌توانند داده‌های بزرگ را به بینش‌های بزرگ تبدیل کنند. برخی از این روش‌های تجزیه‌وتحلیل کلان داده عبارت‌اند از: تنوع داده‌های بزرگ آن را ذاتاً پیچیده می‌کند و در نتیجه نیاز به دستگاه‌هایی است که قادر به پردازش تفاوت‌های ساختاری و معنایی مختلف آن هستند. داده‌های بزرگ به پایگاه‌ داده‌های تخصصی NoSQL نیاز دارند که می‌توانند داده‌ها را به‌گونه‌ای ذخیره کنند که نیازی به پیروی دقیق از یک مدل خاص نداشته باشد. این انعطاف‌پذیری لازم را برای تجزیه‌وتحلیل منسجم منابع اطلاعاتی به‌ظاهر متفاوت فراهم می‌کند تا دیدی جامع از آنچه اتفاق می‌افتد، نحوه عمل و زمان عمل به دست آورید. هنگام جمع‌آوری، پردازش و تجزیه‌وتحلیل کلان داده‌ها، اغلب به‌عنوان داده‌های عملیاتی یا تحلیلی طبقه‌بندی می‌شوند و بر این اساس ذخیره می‌شوند. سیستم‌های عملیاتی دسته‌های بزرگی از داده‌ها را در چندین سرور ارائه می‌کنند و شامل ورودی‌هایی مانند موجودی، داده‌های مشتری و خرید می‌شوند. سیستم‌های تحلیلی پیچیده‌تر از همتایان عملیاتی خود هستند و می‌توانند تجزیه‌وتحلیل داده‌های پیچیده را مدیریت کرده و بینش تصمیم‌گیری را برای کسب‌وکارها فراهم کنند. این سیستم‌ها اغلب در فرآیندها و زیرساخت‌های موجود برای به حداکثر رساندن جمع‌آوری و استفاده از داده‌ها ادغام می‌شوند. صرف‌نظر از اینکه داده چگونه طبقه‌بندی می‌شود، داده‌ها همه‌جا هستند. تلفن‌ها، کارت‌های اعتباری، برنامه‌های کاربردی نرم‌افزاری، وسایل نقلیه، سوابق، وب‌سایت‌ها و غیره در دنیای ما قادر به انتقال حجم وسیعی از داده‌ها هستند و این اطلاعات فوق‌العاده ارزشمند است. تجزیه‌وتحلیل داده‌های بزرگ تقریباً در هر صنعتی برای شناسایی الگوها و روندها، پاسخ به سؤالات، به دست آوردن بینش در مورد مشتریان و مقابله با مشکلات پیچیده استفاده می‌شود. شرکت‌ها و سازمان‌ها از اطلاعات به دلایل متعددی مانند رشد کسب‌وکار خود، درک تصمیمات مشتری، افزایش تحقیقات، انجام پیش‌بینی‌ها و هدف قرار دادن مخاطبان کلیدی برای تبلیغات استفاده می‌کنند. در دوره آموزش big data نحوه استفاده از این فن‌آوری در قالب مثال‌های متعدد موردبررسی قرار خواهد گرفت. در اینجا چند نمونه از صنایعی که انقلاب کلان داده در حال حاضر در حال انجام است آورده شده است: صنایع مالی و بیمه از داده‌های بزرگ و تجزیه‌وتحلیل پیش‌بینی‌کننده برای کشف تقلب، ارزیابی ریسک، رتبه‌بندی اعتبار، خدمات کارگزاری و غیره استفاده می‌کنند. مؤسسات مالی همچنین از داده‌های بزرگ برای تقویت تلاش‌های امنیت سایبری خود و شخصی‌سازی تصمیمات مالی برای مشتریان استفاده می‌کنند. بیمارستان‌ها، محققان و شرکت‌های داروسازی راه‌حل‌های کلان داده را برای بهبود و پیشرفت مراقبت‌های بهداشتی اتخاذ می‌کنند. با دسترسی به حجم وسیعی از داده‌های بیماران و جمعیت، مراقبت‌های بهداشتی درمان‌ها را بهبود می‌بخشد، تحقیقات مؤثرتری در مورد بیماری‌هایی مانند سرطان و آلزایمر انجام می‌دهد، داروهای جدید تولید می‌کند و بینش‌های مهمی در مورد الگوهای سلامت جمعیت به دست می‌آورد. اگر تا به حال از Netflix ،Hulu یا هر سرویس پخش ویدیوی دیگری استفاده کرده‌اید که توصیه‌هایی را ارائه می‌دهد، شما با کاربرد کلان داده سر سرگرمی روبه‌رو بوده‌اید. شرکت‌های رسانه‌ای، عادت‌های خواندن، تماشا و گوش دادن کاربران را تجزیه‌وتحلیل می‌کنند تا تجربیات فردی ایجاد کنند. نتفلیکس حتی از مجموعه داده‌های گرافیکی، عناوین و رنگ‌ها برای تصمیم‌گیری در مورد ترجیحات مشتری استفاده می‌کند. از بذرهای مهندسی گرفته تا پیش‌بینی عملکرد محصول با دقت شگفت‌انگیز، داده‌های بزرگ و اتوماسیون به‌سرعت صنعت کشاورزی را بهبود می‌بخشد. با هجوم داده‌ها در دو دهه اخیر، اطلاعات در بسیاری از کشورها بیشتر از مواد غذایی است و محققان و دانشمندان را به استفاده از داده‌های بزرگ برای مقابله با گرسنگی و سوءتغذیه سوق داده است. همراه با حوزه‌های بالا، تجزیه‌وتحلیل داده‌های بزرگ تقریباً در هر صنعتی به‌صورت گسترده استفاده می‌شود تا نحوه عملکرد کسب‌وکارها در مقیاس مدرن را تغییر دهد. همچنین می‌توانید کاربرد داده‌های بزرگ را در زمینه‌های تبلیغات و بازاریابی، تجارت، تجارت الکترونیک و خرده‌فروشی، آموزش، فناوری اینترنت اشیا، سیستم‌های کنترلی، ورزش و سایر موارد پیدا کنید. درک کلان داده به معنای انجام برخی تحلیل‌های سنگین بوده و اینجا جایی است که ابزارهای کلان داده وارد می‌شوند. ابزارهای کلان داده می‌توانند بر مجموعه‌های کلان داده نظارت کنند و الگوها را در مقیاس توزیع‌شده و در زمان واقعی شناسایی کرده و در زمان، پول و صرفه‌جویی زیادی صرفه‌جویی کنند. در دوره آموزش big data مکتب خونه ما با مهم‌ترین این ابزارهای big data آشنا خواهیم شد و نحوه کار با آن‌ها را خواهیم آموخت. در اینجا تعداد انگشت‌شماری از ابزارهای کلان داده محبوب آورده شده است که امروزه در صنایع مورداستفاده قرار می‌گیرند. کتابخانه نرم‌افزار Apache Hadoop، یک چارچوب پرکاربرد منبع باز داده‌های بزرگ، امکان پردازش توزیع‌شده مجموعه‌های داده بزرگ را در عملیات‌های تحقیقاتی و تولیدی فراهم می‌کند و از شیوه توابع map reduce بهره می‌برد. Apache Hadoop برای استفاده در هزاران سرور محاسباتی مقیاس‌پذیر است و از معماری‌های Advanced RISC Machine (ARM) و زمان اجرا جاوا 11 پشتیبانی می‌کند. در دوره آموزش big data کار با این ابزار و نحوه استفاده از آن پوشش داده‌شده است. آپاچی Spark یک موتور تجزیه‌وتحلیل منبع باز است که برای پردازش مجموعه داده‌های مقیاس بزرگ در ماشین‌ها یا خوشه‌های تک گره استفاده می‌شود. این نرم‌افزار پردازش مقیاس‌پذیر و یکپارچه را ارائه می‌دهد که قادر به اجرای مهندسی داده، علم داده و عملیات یادگیری ماشین در جاوا، پایتون، R، اسکالا یا  sql server است. در دوره آموزش big data نحوه کار با آپاچی اسپارک به‌عنوان یک ابزار مهم کلان داده آموزش داده خواهد شد. سیستم محاسباتی منبع باز Apache Storm که قادر به پردازش بیش از یک میلیون تاپل در ثانیه در هر گره است، در پردازش داده‌های توزیع شده و بدون ساختار در زمان واقعی تخصص دارد. Apache Storm قادر به ادغام با فن‌آوری‌های از پیش موجود صف‌بندی و پایگاه داده است و همچنین می‌تواند با هر زبان برنامه‌نویسی استفاده شود. مجموعه MongoDB Atlas با طرحی انعطاف‌پذیر و مقیاس‌پذیر، بانک‌های اطلاعاتی چند ابری را فراهم می‌کند که می‌تواند مقادیر زیادی از داده‌های توزیع‌شده را ذخیره، پرس‌وجو و تجزیه‌وتحلیل کند. این نرم‌افزار توزیع داده‌ها را در AWS، Azure و Google Cloud و همچنین رمزگذاری داده‌ها با مدیریت کامل، تجزیه‌وتحلیل پیشرفته و دریاچه‌های داده را ارائه می‌دهد. آپاچی کاساندرا یک پایگاه داده منبع باز است که برای مدیریت داده‌های توزیع شده در چندین مرکز داده و محیط‌های ابری ترکیبی طراحی‌شده است. Apache Cassandra مقاوم در برابر خطا و مقیاس‌پذیر، قابلیت‌های پارتیشن‌بندی، تکرار و تنظیم سازگاری را برای مجموعه داده‌های ساختاریافته یا بدون ساختار در مقیاس بزرگ فراهم می‌کند. اگر به فکر یادگیری مفاهیم کلان داده یا بیگ دیتا هستید و دوست دارید در این صنعت به‌روز باشید و به‌روز بمانید، هم‌اکنون با ثبت‌نام در دوره آموزش بیگ دیتا اولین و مهم‌ترین قدم خود را در این زمینه بردارید. آشنایی با Hadoop: 1 - آشنایی با Hadoop آشنایی با HBase و کاربرد‌های آن: 1 - آشنایی با HBase و کاربرد های آن
  • ندارد
  • مقدماتی
  • 210000 تومان
مقایسه

آموزش آپاچی کافکا 3.0 برای مبتدیان

درباره دوره: آپاچی کافکا یک پلتفرم توزیع‌شده برای استریم داده‌ها است که به سرعت به یکی از محبوب‌ترین فناوری‌های کلان داده تبدیل شده است. کافکا به سازمان‌ها کمک می‌کند تا داده‌ها را از منابع مختلف جمع‌آوری کنند، آنها را پردازش کنند و به سرعت به آنها دسترسی داشته باشند. این دوره آموزشی به شما کمک می‌کند تا مفاهیم و کاربردهای کافکا را به‌طور کامل بیاموزید. معرفی کافکا: 1 - آپاچی کافکا در 5 دقیقه 2 - اهداف دوره 3 - درباره مدرس تئوری کافکا: 1 - تاپیک‌ها، پارتیشن‌ها و آفست‌ها 2 - Producers و کلیدهای پیام 3 - Consumers و سریال‌زدایی 4 - گروه‌ها و آفست‌های Consumers 5 - بروکرها و تاپیک‌ها 6 - Topic Replication 7 - تایید Producer و ماندگاری تاپیک 8 - Zookeeper 9 - پروتکل‌های KRaft در کافکا - حذف Zookeeper 10 - خلاصه تئوری راه‌اندازی کافکا: 1 - شروع کافکا و ترتیب سخنرانی‌ها 2 - راه‌اندازی کافکا با Conduktor - مالتی پلتفرم 3 - Mac OS X - دانلود و راه‌اندازی کافکا در Path 4 - Mac OS X - راه‌اندازی Zookeeper و کافکا 5 - Mac OS X - استفاده از brew 6 - لینوکس - دانلود کافکا و راه‌اندازی Path 7 - لینوکس - راه‌اندازی Zookeeper و کافکا 8 - Windows WSL2 - دانلود کافکا و راه‌اندازی Path 9 - Windows WSL2 - راه‌اندازی Zookeeper و کافکا 10 - Windows WSL2 - برطرف کردن مشکلات 11 - Windows non-WSL2 - راه‌اندازی Zookeeper و کافکا راه‌اندازی کافکا بدون Zookeeper: 1 - Mac OS X - راه‌اندازی کافکا در KRaft mode 2 - لینوکس - راه‌اندازی کافکا در KRaft mode 3 - Windows WSL2 - راه‌اندازی کافکا KRaft mode راهنمای CLI (رابط خط فرمان): 1 - معرفی CLI 2 - تاپیک‌های کافکا CLI 3 - Kafka Console Producer CLI 4 - Kfaka Console Consumer CLI 5 - Kafka Consumer در گروه 6 - Kafka Consumer Groups CLI 7 - ریست کردن آفست‌ها رابط کاربری کافکا: 1 - Conduktor - دمو راهنمای برنامه‌نویسی جاوا در کافکا: 1 - لیست کافکا در SDK 2 - ایجاد پروژه کافکا 3 - Producer جاوا 4 - Java Producer Callbacks 5 - Producer جاوا با کلیدها 6 - Consumer جاوا 7 - Consumer جاوا - خاموش شدن مطبوع 8 - Consumer جاوا در گروه Consumer 9 - Cooperative Rebalance افزایشی Consumer جاوا و عضویت گروه Static 10 - Java Consumer Incremental Cooperative Rebalance - تمرین 11 - رفتار کامیت آفست خودکار Consumer جاوا 12 - برنامه‌نویسی - آموزش‌های پیشرفته پروژه‌های واقعی کافکا: 1 - بررسی پروژه‌های واقعی کافکا Producer کافکا ویکی مدیا و پیکربندی پیشرفته Producer: 1 - راه‌اندازی پروژه Producer ویکی مدیا 2 - پیاده‌سازی پروژه Producer ویکی مدیا 3 - اجرای Producer ویکی مدیا 4 - Producer ویکی مدیا - معرفی پیکربندی Producer 5 - بررسی عمیق تاییدات Producer 6 - تلاش‌های Producer 7 - تنظیمات ایمن Produce کافکا 8 - Producer ویکی مدیا - پیاده‌سازی ایمن Producer 9 - فشرده‌سازی پیام کافکا 10 - تنظیمات linger.ms و batch.size در Producer 11 - Producer ویکی مدیا - پیاده‌سازی توان عملیاتی بالا 12 - پارتیشنر پیشفرض Producer و پارتیشنر Sticky 13 - پیشرفته - max.block.ms و buffer.memory OpenSearch Consumer و پیکربندی‌های پیشرفته Consumer: 1 - OpenSearch Consumer - بررسی پروژه 2 - OpenSearch Consumer - راه‌اندازی پروژه 3 - راه‌اندازی OpenSearch در داکر 4 - راه‌اندازی OpenSearch در کلود 5 - راهنمای OpenSearch 6 - پیاده‌سازی OpenSearch Consumer - بخش اول 7 - پیاده‌سازی OpenSearch Consumer - بخش دوم 8 - سمنتیک‌های تحویل Consumer 9 - پیاده‌سازی OpenSearch Consumer (Idempotence)- بخش سوم 10 - استراتژی‌های کامیت آفست‌های Consumer 11 - پیاده‌سازی OpenSearch Consumer (سمنتیک‌های تحویل)- بخش چهارم 12 - پیاده‌سازی OpenSearch Consumer (دسته‌بندی داده)- بخش پنجم 13 - رفتار ریست آفست Consumer 14 - پیاده‌سازی OpenSearch Consumer (نمایش مجدد داده)- بخش ششم 15 - Consumer Internal Threads 16 - واکشی Consumer Replica - معرفی Rack Awareness APIهای توسعه‌یافته کافکا برای توسعه‌دهندگان: 1 - APIهای توسعه یافته کافکا - بررسی 2 - معرفی Kafka Connect 3 - بخش عملی Kafka Connect Wikimedia و ElasticSearch 4 - معرفی Kafka Streams 5 - بخش عملی Kafka Streams 6 - معرفی Kafka Schema Registry 7 - بخش عملی Kafka Schema Registry 8 - از چه Kafka APIای باید استفاد کنم؟ بینش‌های دنیای واقعی و مطالعات موردی (Big Data و Fast Data): 1 - انتخاب تعداد پارتیشن و فاکتور Replication 2 - کنوانسیون نام‌گذاری تاپیک‌های کافکا 3 - مطالعه موردی - MovieFlix 4 - مطالعه موردی - GetTaxi 5 - مطالعه موردی - MySocialMedia 6 - مطالعه موردی - MyBank 7 - مطالعه موردی - هضم کلان داده‌ها 8 - مطالعه موردی - لاگ کردن و تجمیع متریک‌ها کافکا در سازمان برای مدیران: 1 - بررسی معماری سطح بالا برای راه‌اندازی کلاستر کافکا 2 - نظارت و عملیات کافکا 3 - امنیت کافکا 4 - مالتی کلاستر و MirrorMaker کافکا 5 - Listenerهای تبلیغاتی: کافکا کلاینت و پروتکل ارتباطی سرور پیکربندی‌های پیشرفته تاپیک‌ها: 1 - تغییر پیکربندی تاپیک 2 - سگمنت‌ها و ایندکس‌ها 3 - سیاست‌های پاکسازی لاگ 4 - حذف پاکسازی لاگ 5 - تئوری تراکم لاگ 6 - تمرین تراکم لاگ 7 - Unclean Leader Election 8 - پیام‌های بزرگ در کافکا گام‌های بعدی: 1 - موضوع بعدی 2 - تشکر
  • ندارد
  • مقدماتی
  • 210000 تومان
مقایسه

پایگاه داده

درباره دوره: پایگاه داده‌ها (دادگان یا بانک اطّلاعاتی) به مجموعه‌ای از اطّلاعات با ساختار منظم و سامانمند گفته می‌شود. پایگاه‌های داده‌ها معمولاً در قالبی که برای دستگاه‌ها و رایانه‌ها قابل خواندن و دسترسی باشد ذخیره می‌شوند. البته چنین شیوه ذخیره‌سازی اطلاعات تنها روش موجود نیست و شیوه‌های دیگری مانند ذخیره‌سازی ساده در پرونده‌ها نیز استفاده می‌گردد. آنچه ذخیره‌سازی داده‌ها در پایگاه‌های داده‌ها را مؤثر می‌سازد وجود یک ساختار مفهومی برای ذخیره‌سازی و روابط بین داده‌ها است. پایگاه داده در اصل مجموعه‌ای سازمان یافته از اطلاعات است.این واژه از دانش رایانه سرچشمه می‌گیرد، اما کاربرد وسیع و عمومی نیز دارد، این وسعت به اندازه‌ای است که مرکز اروپایی پایگاه داده (که تعاریف خردمندانه‌ای برای پایگاه داده ایجاد می‌کند) شامل تعاریف غیر الکترونیکی برای پایگاه داده می‌باشد. در این نوشتار به کاربردهای تکنیکی برای این اصطلاح محدود می‌شود. یک تعریف ممکن این است که: پایگاه داده مجموعه‌ای از رکوردهای ذخیره شده در رایانه با یک روش سیستماتیک (اصولی) مثل یک برنامه رایانه‌ای است که می‌تواند به سؤالات کاربر پاسخ دهد. برای ذخیره و بازیابی بهتر، هر رکورد معمولاً به صورت مجموعه‌ای از اجزای داده‌ای یا رویدادها سازماندهی می‌گردد. بخش‌های بازیابی شده در هر پرسش به اطلاعاتی تبدیل می‌شود که برای اتخاذ یک تصمیم کاربرد دارد. برنامه رایانه‌ای که برای مدیریت و پرسش و پاسخ بین پایگاه‌های داده‌ای استفاده می‌شود را مدیر سیستم پایگاه داده‌ای یا به‌اختصار (DBMS) می‌نامیم. خصوصیات و طراحی سیستم‌های پایگاه داده‌ای در علم اطلاعات مطالعه می‌شود. برای یادگیری بیشتر در این زمینه می‌توانید، دوره‌های آموزش پایگاه داده را مشاهده کنید. فیلم های آموزشی: 1 - جلسه اول - مقدمه 2 - جلسه دوم - مقدمه 3 - جلسه سوم - ادامه مقدمه 4 - جلسه چهارم - مدل سازی معنایی داده ها 5 - جلسه پنجم - ادامه مدل سازی معنایی داده ها 6 - جلسه ششم - ادامه مدل سازی معنایی داده ها 7 - جلسه هفتم - ادامه مدل سازی معنایی داده ها 8 - جلسه هشتم - جمع بندی مدلسازی داده ، مبانی طراحی منطقی 9 - جلسه نهم - ادامه طراحی منطقی 10 - جلسه دهم - ادامه طراحی منطقی ، مقدمات پیاده سازی و SQL 11 - جلسه یازدهم - ادامه مقدمات پیاده سازی و SQL 12 - جلسه دوازدهم - ادامه مقدمات پیاده سازی و SQL 13 - جلسه سیزدهم - معماری پایگاه داده 14 - جلسه چهاردهم - ادامه معماری پایگاه داده 15 - جلسه پانزدهم - ادامه معماری پایگاه داده ، مقدمه ای بر مدل داده رابطه ای 16 - جلسه شانزدهم - ادامه مدل داده رابطه ای 17 - جلسه هفدهم - ادامه مدل داده رابطه ای 18 - جلسه هیجدهم - ادامه مدل داده رابطه ای 19 - جلسه نوزدهم - عملیات در پایگاه داده رابطه ای(جبر رابطه ای) 20 - جلسه بیستم - ادامه عملیات در پایگاه داده رابطه ای(جبر رابطه ای) 21 - جلسه بیست و یکم - مثال هایی از حساب و جبر رابطه ای 22 - جلسه بیست و دوم - طراحی پایگاه داده رابطه ای(روش بالا و پایین) 23 - جلسه بیست و سوم - طراحی پایگاه داده رابطه ای(ادامه طراحی بالا به پایین-تئوری وابستگی) 24 - جلسه بیست و چهارم - طراحی پایگاه داده رابطه ای(سطوح نرمال 1NF تا 3NF) 25 - جلسه بیست و پنجم - طراحی پایگاه داده رابطه ای(سطح نرمال BCNF) 26 - جلسه بیست و ششم - طراحی پایگاه داده رابطه ای (فرم 5NFو6NF) 27 - جلسه بیست و هفتم - طراحی پایگاه داده رابطه ای (سطح نرمال 5NFو6NF)
  • ندارد
  • مقدماتی
  • 210000 تومان
نظرات شما

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Eaparat Youtube Linkedin-in Telegram-plane Instagram
© 1403 | تمامی حقوق برای تیموتی محفوظ است.