دوره اصلی، طراحی و ساخت انبار داده برای پیاده سازی هوش تجاری، دارای یک مطالعه موردی در دنیای واقعی است که یادگیری شما را در تمام دوره های تخصصی یکپارچه می کند. در پاسخ به الزامات کسب و کار ارائه شده در یک مطالعه موردی، شما یک انبار داده کوچک طراحی و می سازید، گردش های کاری یکپارچه سازی داده ها را برای تازه سازی انبار ایجاد می کنید، بیانیه های SQL را برای پشتیبانی از الزامات پرس و جو تحلیلی و خلاصه می نویسید، و از پلت فرم هوش تجاری MicroStrategy استفاده می کنید. داشبورد و تجسم ایجاد کنید. در بخش اول دوره Capstone، با یک شرکت متوسط ​​آشنا می شوید و در مورد نیازهای انبار داده و هوش تجاری آنها و منابع داده موجود می آموزید. شما ابتدا یک طرح و مدل ابعادی انبار را برای یک انبار داده کوچک طراحی خواهید کرد. سپس با استفاده از Pentaho Data Integration برای تازه کردن انبار داده خود، گردش کار یکپارچه سازی داده ایجاد می کنید. در مرحله بعد، عبارات SQL را برای الزامات پرس و جوی تحلیلی می نویسید و نماهای تحقق یافته را برای پشتیبانی از مدیریت خلاصه داده ایجاد می کنید. برای گردش های کاری یکپارچه سازی داده ها و پرس و جوهای تحلیلی، می توانید از Oracle یا PostgreSQL استفاده کنید. در نهایت، شما از قابلیت های MicroStrategy OLAP برای به دست آوردن بینش در مورد انبار داده خود استفاده خواهید کرد. در پروژه تکمیل شده، شما یک انبار داده کوچک شامل طراحی طرحواره، گردش های کاری یکپارچه سازی داده ها، پرس و جوهای تحلیلی، نماهای تحقق یافته، داشبوردها و تجسم هایی ساخته اید که مفتخرید به کارفرمایان فعلی و آینده خود نشان دهید.

در این دوره آموزشی، مهارت‌ها و تکنیک‌های مختلف علوم داده را که به عنوان بخشی از دوره‌های قبلی در IBM Data Science با تخصص R یا IBM Data Analytics با Excel و R Professional Certificate آموخته‌اید، به کار می‌گیرید. برای این پروژه، شما نقش یک دانشمند داده را به عهده خواهید گرفت که اخیراً به یک سازمان پیوسته است و با چالشی مواجه می شوید که نیاز به جمع آوری داده ها، تجزیه و تحلیل، آزمایش فرضیه های اساسی، تجسم و مدل سازی دارد تا بر روی مجموعه داده های دنیای واقعی انجام شود. داده‌ها را از منابع متعدد جمع‌آوری و درک می‌کنید، بحث و گفتگو و آماده‌سازی داده‌ها را با Tidyverse انجام می‌دهید، تجزیه و تحلیل داده‌های اکتشافی را با SQL، Tidyverse و ggplot2 انجام می‌دهید، داده‌ها را با رگرسیون خطی مدل‌سازی می‌کنید، نمودارها و نمودارهایی را برای تجسم داده‌ها ایجاد می‌کنید و داشبورد تعاملی ایجاد می‌کنید. پروژه با ارائه گزارش تجزیه و تحلیل داده های شما، با یک خلاصه اجرایی برای ذینفعان مختلف در سازمان به اوج خود می رسد.

این فرصتی است که همه چیز را در مورد علم داده برای نوآوری کسب و کار و آینده حرفه ای خود بیاموزید. فن آوری و تجزیه و تحلیل تجربه کسب و کار خود را مطابقت دهید! دوره نانو علم داده برای نوآوری کسب و کار خلاصه ای از تخصص لازم در علم داده برای مدیران و مدیران است تا نوآوری مبتنی بر داده را تقویت کنند. این دوره توضیح می دهد که علم داده چیست و چرا اینقدر هیپ شده است. یاد خواهید گرفت: * ارزشی که Data Science می تواند ایجاد کند * طبقات اصلی مشکلاتی که علم داده می تواند حل کند * تفاوت بین تجزیه و تحلیل توصیفی، پیش بینی کننده و تجویزی است * نقش یادگیری ماشین و هوش مصنوعی. از منظر فنی تر، این دوره روش های نظارت شده، بدون نظارت و نیمه نظارت را پوشش می دهد و توضیح می دهد که چه چیزی را می توان با روش های طبقه بندی، خوشه بندی و رگرسیون به دست آورد. این مقاله نقش مدل‌ها و فناوری‌های داده NoSQL و نقش و تأثیر پلت‌فرم‌های محاسباتی مبتنی بر ابر مقیاس‌پذیر را مورد بحث قرار می‌دهد. همه موضوعات با سخنرانی های مبتنی بر مثال، بحث در مورد موارد استفاده، داستان های موفقیت، و مثال های واقع بینانه پوشش داده شده است. پس از این دوره نانو، اگر می‌خواهید دانش خود را در زمینه علوم داده عمیق‌تر کنید، می‌توانید در دوره زنده نوآوری علوم داده برای کسب و کار شرکت کنید https://professionalschool.eitdigital.eu/data-science-for-business-innovation

آیا تا به حال تجربه عالی علم داده را داشته اید؟ کشش داده کاملاً انجام شد. هیچ خطای ادغام یا داده های از دست رفته وجود نداشت. قبل از تجزیه و تحلیل، فرضیه ها به وضوح تعریف شده بودند. تصادفی سازی برای درمان مورد علاقه انجام شد. طرح تحلیلی قبل از تجزیه و تحلیل ترسیم شد و دقیقاً دنبال شد. نتیجه گیری ها واضح و تصمیمات قابل اجرا واضح بود. آیا این اتفاق برای شما افتاده است؟ البته نه. تجزیه و تحلیل داده ها در زندگی واقعی کثیف است. چگونه می توان تیمی را که با تجزیه و تحلیل داده های واقعی مواجه است، مدیریت کرد؟ در این دوره یک هفته‌ای، ایده‌آل را با آنچه در زندگی واقعی اتفاق می‌افتد مقایسه می‌کنیم. با تضاد ایده آل، مفاهیم کلیدی را یاد خواهید گرفت که به شما در مدیریت تحلیل های زندگی واقعی کمک می کند. این یک دوره متمرکز طراحی شده است تا شما را به سرعت در انجام علم داده در زندگی واقعی به سرعت بشناساند. هدف ما این بود که این کار را تا حد امکان برای شما راحت کنیم بدون اینکه هیچ محتوای ضروری را قربانی کنیم. ما اطلاعات فنی را کنار گذاشته‌ایم تا بتوانید روی مدیریت تیم خود و پیشبرد آن تمرکز کنید. پس از گذراندن این دوره خواهید دانست که چگونه: 1، تجربه "عالی" علم داده را توصیف کنید 2. شناسایی نقاط قوت و ضعف در طرح های آزمایشی 3. مشکلات احتمالی را هنگام جمع‌آوری/ جمع‌آوری داده‌ها شرح دهید و راه‌حل‌هایی را برای مدیریت کشش داده‌ها بیاموزید. 4. مفروضات مدل سازی آماری را به چالش بکشید و بازخورد را به تحلیلگران داده هدایت کنید 5. مشکلات رایج در ارتباط تجزیه و تحلیل داده ها را شرح دهید 6. نگاهی اجمالی به یک روز از زندگی یک مدیر تجزیه و تحلیل داده ها داشته باشید. این دوره در سطح مفهومی برای مدیران فعال دانشمندان داده و آماردانان تدریس می شود. برخی از مفاهیم کلیدی مورد بحث عبارتند از: 1. طراحی آزمایشی، تصادفی سازی، تست A/B 2. استنتاج علی، خلاف واقع، 3. استراتژی های مدیریت کیفیت داده ها. 4. تعصب و گیج کننده 5. یادگیری ماشینی متضاد در مقابل استنتاج آماری کلاسیک تبلیغ دوره: https://www.youtube.com/watch?v=9BIYmw5wnBI تصویر جلد دوره توسط جاناتان گراس. Creative Commons BY-ND https://flic.kr/p/q1vudb

این دوره شما را برای مقابله با موضوعات و تکنیک های پیشرفته علوم داده های بالینی از جمله تجزیه و تحلیل زمانی و کیفیت تحقیق آماده می کند.

این دوره دوم از پنج دوره بر چگونگی تأثیر عوامل اجتماعی تعیین کننده سلامت بر جمعیت آسیب پذیر متمرکز است. با تمرکز بر چهار گروه از جمعیت‌های آسیب‌پذیر، دانش‌آموزان بررسی خواهند کرد که چگونه تعیین‌کننده‌های اجتماعی سلامت در پیامدهای بهداشتی ضعیف تجربه شده توسط این جمعیت‌ها نقش دارند. سرفصل های این دوره شامل: 1. فقر 2. سلامت زنان 3. جنسیت و سلامت LGBTQI+ 4. سلامت خانواده 5. کاربردهای داده: تجزیه و تحلیل t-test و تصویرسازی باکس پلات

این دوره پنجم و پایانی بر سلامت سیاره به عنوان یک عامل تعیین کننده اساسی سلامت متمرکز است. همانطور که ما در نظر می گیریم که چگونه سلامت انسان ها به سلامت سیستم های طبیعی زمین وابسته است، همچنین چگونگی اعمال تفکر آینده و اصول آینده نگری را در ابتکارات بهداشت سیاره ای بررسی خواهیم کرد. سرفصل های این دوره شامل: 1. مقدمه ای بر سلامت سیاره ای 2. ارزش ها و منابع دانش 3. اقدام و جنبش 4. آینده نگری 5. کاربردهای داده: تحلیل رگرسیون و تجسم نمودار پراکندگی

این سومین دوره از پنج دوره، موضوعات مرتبط با عوامل اجتماعی تعیین کننده سلامت و سیستم های مراقبت بهداشتی را بررسی می کند. این دوره همچنین بر رابطه بین عوامل اجتماعی تعیین کننده سلامت، سلامت روان، سوء مصرف مواد و تروما تمرکز خواهد کرد. سرفصل های این دوره شامل: 1. سواد سلامت 2. سلامت روان و سوء مصرف مواد 3. خشونت، درگیری و ضربه 4. ملاحظات اخلاقی برای سیستم های سلامت و داده ها 5. کاربردهای داده: تحلیل همبستگی و تجسم نقشه حرارتی

این چهارمین دوره از پنج دوره، رویکردهای روش‌شناختی و ابزارهای پژوهشی را بررسی می‌کند که درک ما را از بهترین شیوه‌ها در کار با تیم‌های علمی، جوامع و با داده‌ها نشان می‌دهد. سرفصل های این دوره شامل: 1. تحقیقات مشارکتی مبتنی بر جامعه 2. علوم تیمی 3. داده های سطح جامعه 4. انفورماتیک و عوامل اجتماعی تعیین کننده سلامت: مدیریت دانش 5. کاربردهای داده: تجزیه و تحلیل ANOVA و تجسم نمودار خطی

دوره فرآیند تحلیل کسب و کار به شما درک اساسی از فرآیند تحلیل کسب و کار می دهد و شما را با چارچوبی آشنا می کند که می تواند در صنایع و سازمان های مختلف مورد استفاده قرار گیرد. خواهید دید که چگونه یک تحلیلگر یک مشکل تجاری را ارزیابی می کند، الزامات تجاری را آماده می کند و یک راه حل را پیاده سازی می کند. شما یاد خواهید گرفت که چگونه سهامداران را شناسایی کنید، آنها را تجزیه و تحلیل کنید و نقش آنها را در یک پروژه تجزیه و تحلیل کسب و کار مشخص کنید. همچنین یاد خواهید گرفت که چگونه الزامات این ذینفعان را جمع آوری کنید، آنها را تجزیه و تحلیل کنید و یک سند الزامات تجاری ایجاد کنید که با بهترین شیوه های صنعت مطابقت داشته باشد. در نهایت، کارکردها و کاربردهای عملی ساخت مدل‌های بصری را بررسی خواهید کرد و تجربه عملی در ایجاد مدل‌های رایج مورد استفاده توسط تحلیلگران هوش تجاری به دست خواهید آورد. این دوره برای هرکسی است که کنجکاو در مورد نقش‌های سطح ابتدایی است که به مهارت‌های اساسی جدول نیاز دارند، مانند نقش‌های تحلیلگر هوش تجاری یا نقش‌های تحلیلگر گزارش داده. توصیه می شود (اما نه الزامی) که تجربه ای با Tableau Public داشته باشید، اما حتی اگر در Tableau Public تازه کار هستید، همچنان می توانید در این برنامه موفق باشید. در پایان دوره، شما قادر خواهید بود: - نشان دادن دانش عمیق از فرآیند تجزیه و تحلیل کسب و کار. - تشریح روش های مورد استفاده برای شناسایی ذینفعان و تعریف نقش آنها در یک پروژه تجزیه و تحلیل کسب و کار. -روش های مورد استفاده برای جمع آوری نیازمندی ها از ذینفعان را شرح دهید. - ایجاد یک سند الزامات تجاری که با بهترین شیوه های صنعت مطابقت دارد. -ایجاد یک مدل بصری از فرآیند کسب و کار.

هدف این دوره نشان دادن چگونگی استفاده از اصول و روش های علم داده در گزارش گیری بالینی است. در پایان دوره، فراگیران متوجه خواهند شد که چه الزاماتی در گزارش کارآزمایی های بالینی وجود دارد و چگونه بر نحوه استفاده از علم داده تأثیر می گذارد. یادگیرنده می بیند که چگونه می تواند کارآمد و موثر کار کند و در عین حال اطمینان حاصل کند که استانداردهای مورد نیاز را برآورده می کند.

فواصل اطمینان و آزمون فرضیه ابزارهای بسیار مهمی در جعبه ابزار آمار کسب و کار هستند. تسلط بر این موضوعات به افزایش تصمیم گیری تجاری شما کمک می کند و به شما امکان می دهد میزان "ریسک" یا "عدم اطمینان" را در فرآیندهای مختلف تجاری درک و اندازه گیری کنید. این سومین دوره در زمینه تخصصی "آمار و تجزیه و تحلیل کسب و کار" است و این دوره با معرفی فواصل اطمینان و تست فرضیه دانش شما را در مورد آمار کسب و کار ارتقا می دهد. ابتدا به صورت مفهومی این ابزارها و کاربرد تجاری آنها را درک می کنیم. سپس محاسبات مختلفی را برای ساخت فواصل اطمینان و انجام انواع مختلف آزمون‌های فرضیه معرفی می‌کنیم. اینها توسط برنامه های کاربردی آسان انجام می شود. برای انجام موفقیت آمیز تکالیف دوره، دانش آموزان باید به نسخه ویندوز Microsoft Excel 2010 یا جدیدتر دسترسی داشته باشند. لطفاً توجه داشته باشید که نسخه های قبلی مایکروسافت اکسل (2007 و قبل از آن) با برخی از توابع اکسل که در این دوره توضیح داده شده اند سازگاری ندارند. هفته 1 ماژول 1: فاصله اطمینان - مقدمه در این ماژول به صورت مفهومی خواهید فهمید که فاصله اطمینان چیست و چگونه ساخته می شود. ما بلوک های ساختمانی مختلف برای فاصله اطمینان مانند توزیع t، آماره t، آمار z و فرمول های مختلف اکسل آنها را معرفی خواهیم کرد. سپس از این بلوک‌های سازنده برای ایجاد فواصل اطمینان استفاده خواهیم کرد. موضوعات تحت پوشش عبارتند از: • معرفی t-distribution، توابع اکسل T.DIST و T.INV • درک مفهومی فاصله اطمینان • آمار z و آمار t • ایجاد فاصله اطمینان با استفاده از آماره z و آماره t هفته 2 ماژول 2: فاصله اطمینان - برنامه های کاربردی این ماژول کاربردهای تجاری مختلفی از فاصله اطمینان را ارائه می دهد، از جمله برنامه ای که در آن از فاصله اطمینان برای محاسبه اندازه نمونه مناسب استفاده می کنیم. ما همچنین با یک برنامه، فاصله اطمینان برای نسبت جمعیت را معرفی می کنیم. در پایان ماژول ما شروع به معرفی مفهوم تست فرضیه می کنیم. موضوعات تحت پوشش عبارتند از: • کاربردهای فاصله اطمینان • فاصله اطمینان برای نسبت جمعیت • محاسبه اندازه نمونه • آزمون فرضیه، مقدمه هفته 3 ماژول 3: آزمون فرضیه این ماژول تست فرضیه را معرفی می کند. شما می توانید منطق پشت آزمون های فرضیه را درک کنید. چهار مرحله برای انجام یک آزمون فرضیه معرفی شده است و شما می توانید آنها را برای آزمون فرضیه برای میانگین جمعیت و همچنین نسبت جمعیت به کار ببرید. تفاوت بین آزمون های فرضیه دم تک و دو آزمون فرضیه دم و همچنین خطاهای نوع اول و دوم مرتبط با آزمون های فرضیه و راه های کاهش چنین خطاهایی را خواهید فهمید. موضوعات تحت پوشش عبارتند از: • منطق آزمون فرضیه • چهار مرحله برای انجام آزمون فرضیه • آزمون فرضیه تک دم و دو دم • دستورالعمل ها، فرمول ها و آزمون کاربرد فرضیه • آزمون فرضیه برای نسبت جمعیت • خطاهای نوع اول و دوم در یک فرضیه هفته 4 ماژول 4: آزمون فرضیه - تفاوت در میانگین در این ماژول، شما از آزمون های فرضیه برای آزمایش تفاوت بین دو داده مختلف استفاده می کنید، به این گونه آزمون های فرضیه، آزمون های تفاوت در میانگین می گویند. ما سه نوع تفاوت در آزمون میانگین ها را معرفی می کنیم و آنها را در برنامه های مختلف تجاری اعمال می کنیم. همچنین کادر محاوره ای اکسل را برای انجام چنین آزمون های فرضیه ای معرفی می کنیم. موضوعات تحت پوشش عبارتند از: • معرفی آزمون فرضیه تفاوت در میانگین • کاربردهای آزمون فرضیه تفاوت در میانگین • فرض واریانس برابر و نابرابر و آزمون t زوجی برای تفاوت میانگین ها. • برخی از برنامه های کاربردی دیگر

مفاهیم کلی داده کاوی را همراه با متدولوژی ها و کاربردهای اساسی بیاموزید. سپس به یک زیرشاخه در داده کاوی بروید: کشف الگو. مفاهیم، ​​روش ها و کاربردهای کشف الگو در داده کاوی را عمیقاً بیاموزید. ما همچنین روش هایی را برای عبارت کاوی مبتنی بر داده و برخی کاربردهای جالب کشف الگو معرفی خواهیم کرد. این دوره به شما فرصتی برای یادگیری مهارت‌ها و محتوا برای تمرین و مشارکت در روش‌های کشف الگوی مقیاس‌پذیر بر روی داده‌های انبوه معاملاتی، بحث در مورد اقدامات ارزیابی الگو و مطالعه روش‌های استخراج انواع مختلف الگوها، الگوهای متوالی و الگوهای زیرگراف را می‌دهد.

به پروژه Capstone برای داده های بزرگ خوش آمدید! در این پروژه اوج، شما یک اکوسیستم کلان داده را با استفاده از ابزارها و روش های دوره های قبلی در این تخصص می سازید. شما یک مجموعه داده شبیه سازی داده های بزرگ تولید شده از تعداد زیادی از کاربرانی را که بازی خیالی ما "Catch the Pink Flamingo" را بازی می کنند، تجزیه و تحلیل خواهید کرد. در طول پنج هفته پروژه Capstone، شما مراحل معمولی علم داده های بزرگ را برای به دست آوردن، کاوش، آماده سازی، تجزیه و تحلیل و گزارش گذرانده اید. در دو هفته اول، مجموعه داده ها را به شما معرفی می کنیم و با استفاده از ابزارهایی مانند Splunk و Open Office شما را از طریق برخی تحلیل های اکتشافی راهنمایی می کنیم. سپس به مشکلات چالش برانگیزتر کلان داده خواهیم پرداخت که نیازمند ابزارهای پیشرفته تری است که شما آموخته اید، از جمله KNIME، Spark's MLLib و Gephi. در نهایت، در هفته پنجم و آخر، به شما نشان خواهیم داد که چگونه همه اینها را برای ایجاد گزارش های جذاب و متقاعدکننده و ارائه اسلایدها کنار هم قرار دهید. در نتیجه همکاری ما با Splunk، یک شرکت نرم‌افزاری که بر تجزیه و تحلیل داده‌های بزرگ تولید شده توسط ماشین تمرکز دارد، یادگیرندگان با پروژه‌های برتر واجد شرایط ارائه به Splunk و ملاقات با استخدام‌کنندگان Splunk و رهبری مهندسی خواهند بود.

این دوره شما را با مدل رگرسیون خطی آشنا می کند که ابزار قدرتمندی است که محققان می توانند از آن برای اندازه گیری رابطه بین متغیرهای متعدد استفاده کنند. ما با بررسی مؤلفه‌های یک مدل رگرسیون دو متغیره، که رابطه بین یک متغیر مستقل و وابسته را تخمین می‌زند، شروع می‌کنیم. با تکیه بر این پایه، سپس نحوه ایجاد و تفسیر یک مدل چند متغیره، مدل متغیر وابسته باینری و مدل تعاملی را مورد بحث قرار خواهیم داد. ما همچنین در نظر خواهیم گرفت که چگونه انواع مختلف متغیرها، مانند متغیرهای طبقه بندی و ساختگی، می توانند به طور مناسب در یک مدل گنجانده شوند. به طور کلی، ما برخی از روش‌های مختلف استفاده از مدل رگرسیون را برای استنتاج توصیفی و علی و همچنین محدودیت‌های این ابزار تحلیلی مورد بحث قرار خواهیم داد. در پایان دوره، شما باید بتوانید تحلیل رگرسیون چند متغیره را تفسیر و ارزیابی انتقادی کنید.

هشدار دوره نادر! این دوره بسیار خاص است و به شما برتری لازم را در حرفه خود می دهد! همه چیز را در مورد مبانی داده های بزرگ و داده هایی که در حوزه سلامت تولید می شود و اینکه چگونه استفاده از فناوری به ادغام و بهره برداری از همه این داده ها برای استخراج اطلاعات معنی دار کمک می کند که می تواند بعداً در بخش های مختلف حوزه سلامت استفاده شود، بیاموزید. از پزشکان تا مدیریت، از بیماران تا مراقبان و غیره. این دوره دیدگاه سطح بالایی از اهمیت زمینه پزشکی در زمینه اروپایی، انواع داده‌هایی که در زمینه سلامت (بالینی) مدیریت می‌شوند، چالش‌هایی که در کاوی داده‌های پزشکی بدون ساختار باید مورد توجه قرار گیرند، ارائه می‌دهد (متن و تصویر) و همچنین فرصت ها از دیدگاه تحلیلی با مقدمه ای بر مبانی حوزه تجزیه و تحلیل داده ها. قدم بعدی را در حرفه خود بردارید و به کار با کلان داده، هوش مصنوعی و تجزیه و تحلیل ساختاریافته نزدیکتر شوید. ایده پردازی کنید. با EIT Digital نوآوری و تکرار کنید.

این دوره اولین دوره از مجموعه ای است که هدف آن آماده سازی شما برای نقشی در تجزیه و تحلیل داده ها است. در این دوره، شما با بسیاری از انواع اولیه تجزیه و تحلیل داده ها و مفاهیم اصلی آشنا خواهید شد. شما در مورد ابزارها و مهارت های مورد نیاز برای انجام تجزیه و تحلیل داده ها یاد خواهید گرفت. ما برخی از ریاضیات و آمارهای اساسی مورد استفاده در تجزیه و تحلیل داده ها و گردش کار را برای انجام تجزیه و تحلیل داده های کارآمد و مؤثر بررسی خواهیم کرد. این دوره طیف گسترده ای از موضوعات را پوشش می دهد که برای کار در تجزیه و تحلیل داده ها حیاتی هستند و به گونه ای طراحی شده اند که همزمان با شروع به ایجاد دانش و مهارت های مرتبط، مقدمه و نمای کلی را به شما ارائه دهند.

در این دوره آموزشی، تصویر بزرگی از استفاده از SQL برای داده های بزرگ دریافت خواهید کرد که با مروری بر داده ها، سیستم های پایگاه داده و زبان رایج پرس و جو (SQL) شروع می شود. سپس با ویژگی های داده های بزرگ و ابزارهای SQL برای کار بر روی پلتفرم های کلان داده آشنا خواهید شد. شما همچنین یک محیط تمرینی (ماشین مجازی) را برای استفاده در دوره های تخصصی نصب خواهید کرد و فرصتی خواهید داشت که در آن محیط اطلاعات اولیه و جداول را کاوش کنید. در پایان دوره، شما قادر خواهید بود • پایگاه داده های عملیاتی را از تحلیلی تشخیص دهید و درک کنید که چگونه آنها در داده های بزرگ اعمال می شوند. • درک اینکه چگونه طراحی پایگاه داده و جدول ساختارهایی را برای کار با داده ها فراهم می کند. • درک کنید که چگونه تفاوت در حجم و تنوع داده ها بر انتخاب یک سیستم پایگاه داده مناسب تأثیر می گذارد. • ویژگی ها و مزایای گویش های SQL را که برای کار با سیستم های کلان داده برای ذخیره سازی و تجزیه و تحلیل طراحی شده اند، تشخیص دهد. و • پایگاه‌های داده و جداول را در یک پلتفرم کلان داده کاوش کنید. برای استفاده از محیط عملی این دوره، باید یک ماشین مجازی و نرم افزاری که روی آن اجرا می شود را دانلود و نصب کنید. قبل از ادامه، مطمئن شوید که به رایانه ای دسترسی دارید که شرایط سخت افزاری و نرم افزاری زیر را برآورده می کند: • سیستم عامل Windows، macOS، یا لینوکس (iPads و تبلت‌های Android کار نمی‌کنند) • سیستم عامل 64 بیتی (سیستم عامل های 32 بیتی کار نمی کنند) • 8 گیگابایت رم یا بیشتر • ۲۵ گیگابایت فضای دیسک رایگان یا بیشتر • پشتیبانی مجازی سازی Intel VT-x یا AMD-V فعال است (در رایانه های مک با پردازنده های اینتل، این همیشه فعال است. در رایانه های ویندوز و لینوکس، ممکن است لازم باشد آن را در بایوس فعال کنید) • فقط برای رایانه‌های Windows XP: باید یک ابزار unzip مانند 7-Zip یا WinZip نصب کرده باشید (ابزار Unzip داخلی Windows XP کار نخواهد کرد)

در اولین دوره از این تخصص، خواهید فهمید که تجسم داده چیست و چگونه می توانیم از آن برای دیدن و درک بهتر داده ها استفاده کنیم. با استفاده از Tableau، مفاهیم اساسی تجسم داده ها را بررسی می کنیم و رابط Tableau را بررسی می کنیم، ابزارهای مختلفی را که Tableau ارائه می دهد شناسایی و به کار خواهیم برد. در پایان دوره شما قادر خواهید بود داده ها را به Tableau آماده و وارد کنید و رابطه بین تجزیه و تحلیل داده ها و تجسم داده ها را توضیح دهید. این دوره برای دانش‌آموزانی طراحی شده است که قبلاً از Tableau استفاده نکرده‌اند یا ممکن است نیاز به تجدید نظر داشته باشند یا بخواهند Tableau را عمیق‌تر بررسی کنند. هیچ پیش زمینه فنی یا تحلیلی قبلی مورد نیاز نیست. این دوره شما را از طریق مراحل لازم برای ایجاد اولین تجسم خود از ابتدا بر اساس زمینه داده ها راهنمایی می کند و زمینه را برای پیشرفت شما به دوره بعدی در تخصص فراهم می کند.