کتاب صوتی جامع مهارت‌آموزی در تبدیل و پاکسازی داده‌ها با نرم‌افزار KNIME (بدون نیاز به کدنویسی)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع مهارت‌آموزی در تبدیل و پاکسازی داده‌ها با نرم‌افزار KNIME (بدون نیاز به کدنویسی)

موضوع کلی: علوم داده و تحلیل هوشمند

موضوع میانی: پیش‌پردازش و آماده‌سازی داده‌ها با ابزارهای بصری

📋 سرفصل‌های دوره

• 1. آشنایی با محیط نرم‌افزار KNIME و رابط کاربری بصری
• 2. مفاهیم پایه در مدیریت جریان‌های کاری داده
• 3. واردات داده‌ها از منابع مختلف شامل فایل‌های اکسل و CSV
• 4. بررسی اولیه کیفیت داده‌ها و شناسایی ناهنجاری‌ها
• 5. تکنیک‌های مدیریت مقادیر مفقود در مجموعه داده‌ها
• 6. فیلتر کردن سطرها بر اساس شرایط منطقی و مقادیر شرطی
• 7. انتخاب و تغییر نام ستون‌ها برای سازماندهی بهتر داده‌ها
• 8. تغییر نوع داده‌ها و تبدیل فرمت‌ها برای تحلیل دقیق‌تر
• 9. استفاده از گره‌های ریاضی برای محاسبات ستونی
• 10. ادغام و الحاق جداول داده با استفاده از گره Joiner
• 11. ترکیب داده‌ها از منابع مختلف با استفاده از گره Concatenate
• 12. گروه‌بندی داده‌ها و محاسبه شاخص‌های آماری پایه
• 13. استفاده از گره Pivot برای تحلیل‌های چندبعدی
• 14. تغییر ساختار داده‌ها از حالت گسترده به فشرده و بالعکس
• 15. نرمال‌سازی و مقیاس‌بندی داده‌های عددی برای تحلیل‌های دقیق‌تر
• 16. مدیریت داده‌های متنی و پاکسازی رشته‌های کاراکتری
• 17. استفاده از عبارات منظم برای استخراج الگوهای داده‌ای
• 18. شناسایی و حذف داده‌های تکراری در مجموعه داده‌ها
• 19. مرتب‌سازی داده‌ها بر اساس معیارهای چندگانه
• 20. استفاده از گره Rule Engine برای اعمال منطق‌های شرطی پیچیده
• 21. کار با داده‌های زمانی و تقویمی در بستر KNIME
• 22. استخراج ویژگی‌های جدید از داده‌های موجود
• 23. مدیریت داده‌های دسته‌ای و کدگذاری متغیرهای طبقه‌بندی شده
• 24. ایجاد نمونه‌های تصادفی و تقسیم‌بندی داده‌ها برای تست و آموزش
• 25. اتصال به پایگاه‌های داده رابطه‌ای و اجرای کوئری‌های بصری
• 26. ذخیره‌سازی خروجی‌های پردازش شده در فرمت‌های استاندارد
• 27. ایجاد گزارش‌های بصری اولیه از داده‌های پاکسازی شده
• 28. خودکارسازی جریان‌های کاری با استفاده از متغیرهای جریان
• 29. مدیریت خطاها و پایش مسیر اجرای فرآیندها
• 30. بهینه‌سازی کارایی جریان‌های کاری در پروژه‌های بزرگ
• 31. مستندسازی مراحل پاکسازی برای تضمین شفافیت فرآیند
• 32. اصول اخلاقی و صیانت از حریم خصوصی در تحلیل داده‌ها
• 33. ارزیابی نهایی کیفیت داده‌های آماده‌سازی شده برای مدل‌سازی هوشمند