کتاب پاکسازی و تبدیل داده: از آشفتگی به ارزش با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پاکسازی و تبدیل داده: از آشفتگی به ارزش

موضوع کلی: مهندسی داده و سامانه‌های مدیریت پایگاه‌داده توزیع‌شده

موضوع میانی: Data Quality

📋 سرفصل‌های دوره

• 1. پاکسازی داده‌ها: مفاهیم و ضرورت‌ها
• 2. کیفیت داده‌ها: ابعاد و اهمیت
• 3. روش‌های شناسایی داده‌های نامعتبر
• 4. مقابله با داده‌های ازدست‌رفته
• 5. استانداردسازی فرمت داده‌ها
• 6. حذف داده‌های تکراری
• 7. تبدیل داده‌های متنی به عددی
• 8. مقیاس‌بندی داده‌ها: روش‌ها و کاربردها
• 9. نرمال‌سازی داده‌ها: انواع و مزایا
• 10. کدگذاری داده‌های دسته‌ای
• 11. ایجاد ویژگی‌های جدید از داده‌های موجود
• 12. پیش‌پردازش داده‌های متنی: توکنایز کردن
• 13. پیش‌پردازش داده‌های متنی: حذف کلمات توقف
• 14. پیش‌پردازش داده‌های متنی: ریشه‌یابی کلمات
• 15. پیش‌پردازش داده‌های متنی: تبدیل به بردار
• 16. مدل‌سازی داده‌ها: مفاهیم پایه
• 17. طراحی پایگاه داده‌های رابطه‌ای
• 18. زبان SQL: دستورات پایه
• 19. استخراج داده‌ها از پایگاه داده
• 20. وارد کردن داده‌ها به پایگاه داده
• 21. مفهوم Data Warehouse
• 22. ETL: استخراج، تبدیل، بارگذاری
• 23. Data Lake: مفاهیم و تفاوت‌ها
• 24. کیفیت داده‌ها در Data Warehouse
• 25. استفاده از ابزارهای پاکسازی داده
• 26. پاکسازی داده‌ها در Excel
• 27. پاکسازی داده‌ها در Python (Pandas)
• 28. پاکسازی داده‌ها در R
• 29. تبدیل داده‌ها با استفاده از Python
• 30. تبدیل داده‌ها با استفاده از R
• 31. پاکسازی داده‌های سری زمانی
• 32. پیش‌بینی مقادیر ازدست‌رفته در سری زمانی
• 33. تبدیل داده‌های مکانی
• 34. GIS و پاکسازی داده‌های جغرافیایی
• 35. مفهوم داده‌های بزرگ (Big Data)
• 36. پاکسازی داده‌های بزرگ با Hadoop
• 37. پاکسازی داده‌های بزرگ با Spark
• 38. تکنیک‌های نمونه‌برداری از داده‌ها
• 39. کاهش ابعاد داده‌ها
• 40. انتخاب ویژگی‌های مهم
• 41. ارزیابی کیفیت داده‌های تبدیل‌شده
• 42. مستندسازی فرآیند پاکسازی داده‌ها
• 43. بهینه‌سازی فرآیند پاکسازی داده‌ها
• 44. امنیت داده‌ها در فرآیند پاکسازی
• 45. اتوماسیون فرآیند پاکسازی داده‌ها