کتاب صوتی ایجاد مجموعه داده در BigQuery و بصری‌سازی داده‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ایجاد مجموعه داده در BigQuery و بصری‌سازی داده‌ها

موضوع کلی: مدیریت و تحلیل داده

موضوع میانی: پایگاه داده و هوش تجاری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدیریت و تحلیل داده در فضای کسب‌وکار
• 2. اصول پایگاه داده رابطه‌ای و مفاهیم کلیدی
• 3. آشنایی با مفاهیم داده‌های بزرگ (Big Data)
• 4. معرفی Google Cloud Platform و سرویس BigQuery
• 5. ایجاد یک پروژه جدید در Google Cloud
• 6. تنظیمات اولیه و دسترسی‌ها در BigQuery
• 7. مفاهیم مجموعه داده (Dataset) و جدول (Table) در BigQuery
• 8. ایجاد اولین مجموعه داده در BigQuery
• 9. ساختاردهی جداول و انواع داده‌ها
• 10. طراحی شمای جداول (Schema Design)
• 11. انواع داده‌های پشتیبانی شده در BigQuery
• 12. قوانین نام‌گذاری در BigQuery
• 13. مدیریت و سازماندهی مجموعه داده‌ها
• 14. جستجو و مرور مجموعه داده‌های موجود
• 15. استفاده از کوئری‌ها برای استخراج داده
• 16. دستور SELECT و فیلتر کردن داده‌ها (WHERE)
• 17. مرتب‌سازی نتایج کوئری (ORDER BY)
• 18. توابع تجمعی (Aggregate Functions) مانند COUNT, SUM, AVG
• 19. گروه‌بندی نتایج با GROUP BY
• 20. فیلتر کردن گروه‌ها با HAVING
• 21. اتصال جداول با JOIN
• 22. انواع مختلف JOIN (INNER, LEFT, RIGHT, FULL)
• 23. استفاده از زیرکوئری‌ها (Subqueries)
• 24. توابع پنجره‌ای (Window Functions)
• 25. مقدمه‌ای بر Data Warehousing
• 26. مفاهیم انبار داده و تفاوت آن با پایگاه داده عملیاتی
• 27. معماری انبار داده در BigQuery
• 28. استفاده از Data Catalog برای مدیریت فراداده
• 29. مفاهیم داده‌های ساختاریافته، نیمه‌ساختاریافته و بدون ساختار
• 30. کار با داده‌های JSON در BigQuery
• 31. کار با داده‌های CSV در BigQuery
• 32. کار با داده‌های Avro در BigQuery
• 33. استفاده از External Tables برای دسترسی به داده‌های خارج از BigQuery
• 34. بارگذاری داده‌ها (Loading Data) به BigQuery
• 35. روش‌های بارگذاری داده (Batch, Streaming)
• 36. تنظیمات بارگذاری داده
• 37. مدیریت هزینه‌ها در BigQuery
• 38. بررسی مصرف فضای ذخیره‌سازی
• 39. بررسی مصرف کوئری‌ها
• 40. بهینه‌سازی کوئری‌ها برای کاهش هزینه
• 41. استفاده از پارتیشن‌بندی جداول (Table Partitioning)
• 42. استفاده از خوشه‌بندی جداول (Table Clustering)
• 43. نکات امنیتی در مدیریت داده‌ها در BigQuery
• 44. مدیریت دسترسی‌ها و نقش‌ها (IAM)
• 45. رمزنگاری داده‌ها در BigQuery
• 46. مقدمه‌ای بر هوش تجاری (Business Intelligence)
• 47. نقش هوش تجاری در تصمیم‌گیری کسب‌وکار
• 48. ابزارهای هوش تجاری و بصری‌سازی داده
• 49. معرفی Google Data Studio (Looker Studio)
• 50. اتصال Looker Studio به BigQuery
• 51. ایجاد داشبوردهای مدیریتی
• 52. بصری‌سازی داده‌ها با نمودارها و جداول
• 53. انتخاب نوع نمودار مناسب برای نمایش داده
• 54. سفارشی‌سازی ظاهر داشبوردها
• 55. استفاده از فیلترها و کنترلها در داشبوردها
• 56. اشتراک‌گذاری داشبوردها با ذینفعان
• 57. مفاهیم کلیدی در بصری‌سازی داده
• 58. اصول طراحی بصری مؤثر
• 59. رنگ‌شناسی در بصری‌سازی
• 60. انتخاب مقیاس مناسب برای نمودارها
• 61. نمایش روندها و الگوها در داده
• 62. شناسایی ناهنجاری‌ها (Outliers) با بصری‌سازی
• 63. ایجاد گزارش‌های تعاملی
• 64. استفاده از توابع در Looker Studio
• 65. ایجاد فیلدهای محاسبه شده (Calculated Fields)
• 66. کار با منابع داده (Data Sources)
• 67. مدیریت منابع داده
• 68. استفاده از مدل‌سازی داده در Looker Studio
• 69. ایجاد چارت‌های ترکیبی (Combo Charts)
• 70. ایجاد چارت‌های سری زمانی (Time Series Charts)
• 71. ایجاد نقشه‌ها و بصری‌سازی داده‌های مکانی
• 72. مقدمه‌ای بر ETL/ELT در BigQuery
• 73. تفاوت ETL و ELT
• 74. استفاده از Dataflow برای پردازش داده
• 75. استفاده از Dataproc برای پردازش داده‌های بزرگ
• 76. مقدمه‌ای بر مفاهیم یادگیری ماشین در تحلیل داده
• 77. آماده‌سازی داده‌ها برای مدل‌های یادگیری ماشین
• 78. استفاده از BigQuery ML
• 79. آموزش مدل‌های ساده با BigQuery ML
• 80. ارزیابی مدل‌های یادگیری ماشین
• 81. اصول حاکمیت داده (Data Governance)
• 82. اهمیت کیفیت داده
• 83. مدیریت چرخه عمر داده
• 84. ملاحظات قانونی و اخلاقی در تحلیل داده
• 85. حفظ حریم خصوصی داده‌ها
• 86. رعایت قوانین ملی در حوزه داده
• 87. تکنیک‌های پیشرفته کوئری‌نویسی در BigQuery
• 88. بهینه‌سازی عملکرد کوئری‌ها
• 89. مدیریت هزینه‌های کوئری‌ها
• 90. استفاده از BigQuery BI Engine برای سرعت بخشیدن به داشبوردها
• 91. مقدمه‌ای بر مفاهیم داده‌کاوی
• 92. شناسایی الگوها و روندها در مجموعه داده‌های بزرگ
• 93. کاربرد تحلیل داده در حوزه‌های مختلف کسب‌وکار
• 94. مطالعه موردی: تحلیل داده‌های فروش
• 95. مطالعه موردی: تحلیل داده‌های بازاریابی
• 96. مطالعه موردی: تحلیل داده‌های مشتریان
• 97. آینده تحلیل داده و هوش تجاری
• 98. روندهای نوظهور در حوزه داده
• 99. اهمیت یادگیری مستمر در تحلیل داده