با جذاب ترین دوره تحلیل گر داده (Data Analyst) برای ورود به بازار کار آماده شوید!!

مدت زمان دوره:
بیش از ۲۰۰ ساعت
تاریخ شروع دوره:
پنجشنبه ۴ مرداد ۱۴۰۳
دوره تحلیل گر داده (Data Analyst)

اهدافی که در دوره تحلیل گر داده دنبال می کنیم

دوره تحلیل گر داده
دوره تحلیل گر داده

هدف ما تربیت نیروی متخصص و مورد نیاز بازار کار در حوزه های مختلف از جمله علوم کامپیوتر، برنامه نویسی، هوش مصنوعی و … است. توی دوره تحلیل گر داده (Data Analyst) ما شما رو طبق نیاز بازار کار این رشته آموزش و جهت استخدام آماده میکنیم. تمام موسسات و سایت هایی که توی این حوزه ها فعالیت می کنند، دوره های مختلفی مانند، دوره جامع علم داده، هوش مصنوعی، هوش تجاری و … دارند اما فقط براساس یک سری سرفصل های کلی آموزش می دهند و بعد از گذراندن این دوره ها، شما از هر حوزه هوش مصنوعی، یک بخش کوچکی یاد گرفته اید و نمی توانید برای پوزیشن شغلی خاصی اپلای کنید یا لااقل باید خودتون مباحث دیگری بخونید تا برای این پوزیشن های شغلی آماده بشید.

ما توی این دوره شما رو برای پوزیشن شغلی تحلیل گر داده (Data Analyst) آماده می کنیم پس قرار نیست مثل بقیه موسسات، از هر حوزه هوش مصنوعی یک مبحث رو بگیم، الکی ۳۰۰ ساعت آموزش بدیم و در انتها هم مشخص نباشد که قراره توی چه بخشی از هوش مصنوعی فعالیت کنید. آیا می دانستید که ما بیش از ۱۵ پوزیشن شغلی توی هوش مصنوعی داریم که موقعیت شغلی تحلیل گر داده (Data Analyst) تنها یکی از اون هاست؟ پس ما توی این دوره، فقط روی این موقعیت شغلی تمرکز می کنیم و هر آن چیزی که لازم باشد تا شما رو به یک Data Analyst حرفه ای تبدیل کند آموزش میدهیم.

روزهای برگزاری:

پنجشنبه ها: ۴ ساعت | جمعه ها: ۴ ساعت

مهم: ساعت دقیق برگزاری با رأی اکثریت انتخاب می شود.

هزینه دوره تحلیل گر داده

برای اینکه افراد بیشتری بتوانند در دوره تحلیل گر داده ویتایک شرکت کنند، هزینه این دوره رو نسبت به سایر موسسات و دوره های مشابه پایین تر در نظر گرفتیم. همچنین می توانید به دو شیوه نقدی و اقساطی هزینه این دوره را پرداخت کنید.

قیمت دوره:

۷ میلیون و ۹۰۰ هزار تومان

شرایط اقساط:

۸ ماهه – ماهیانه ۹۸۷ هزار تومان

نحوه پرداخت و شرکت در دوره

سرفصل های دوره تحلیل گر داده (Data Analyst)

۱: افتتاحیه دوره و آشنایی با مدرسین، سرفصل ها و اهداف پیش رو

توی جلسه اول از دوره تحلیل گر داده (Data Analyst)، با مدرسین و سرفصل ها آشنا می شویم و هدف مون رو از برگزاری این دوره میگیم. در مورد چارچوب کلی دوره، مباحثی که قراره تدریس بشه، روش تدریس و … صحبت می کنیم تا دید جامعی نسبت به این دوره پیدا کنید. در نهایت نیز مشخص می شود که بعد از انتهای دوره، به چه سحطی از دانش و تخصص در جایگاه شغلی تحلیل گر داده میرسید.

مدت زمان:
۲ ساعت
favicon witaik
مدرس:
جمعی از مدرسین

۲: بررسی موقعیت شغلی Data Analyst از ابعاد مختلف

توی بخش دوم، در مورد جایگاه شغلی تحلیل گر داده یا Data Analyst صحبت میکنیم و وظایف این پوزیشن شغلی رو توی شرکت های مختلف توضیح میدیم. پس قبل از شروع آموزش های عملی، شما باید در مورد این جایگاه شغلی اطلاعات خوبی داشته باشید، از مزایا و معایب اون بدونید، از چالش هایی که توی این شغل هست مطلع بشید و کلی موارد دیگه که قراره بهتون بگیم. پس توی انتهای این بخش، میفهمید که آیا این پوزیشن و جایگاه شغلی برای شما مناسب هست یا نه، اصلا بهش علاقه مندید یا نه تصورات دیگه ای درموردش داشتید؟ پس با آگاهی و اطلاعات خوبی که بدست میارید، وارد بخش های بعدی این دوره جذاب میشید.

مدت زمان:
۱ ساعت
علی نظری زاده
علی نظری زاده
کارشناسی ارشد هوش مصنوعی - بنیان گذار witaik

۳: فهم کسب و کار و آشنایی با بخش های مختلف آن

هر فردی در هر جایگاه شغلی که هست، بهتر است قبل از اینکه وارد بازار کار شود، با مفاهیم اولیه بیزینس یا کسب وکار حوزه مربوطه آشنا شود. این مفاهیم جزو هیچ یک از سرفصل های آموزشی یا دانشگاهی نیست بلکه طبق تجربه افرادی که در این جایگاه شغلی مشغول بکار هستند شناسایی شده و به صورت یکجا در اختیار شما قرار داده می شود. به عنوان مثال شما در طول این دوره مفاهیم تخصصی مانند برنامه نویسی، هوش تجاری، پایگاه داده، یادگیری ماشین و… رو یاد می گیرید اما به جز این موارد تخصصی، سرفصل های دیگری نیز وجود دارند که شما به عنوان یک تحلیل گر داده باید حتما بدونید تا به هنگام ورود به بازار کار، سریع تر با سازمان و تیم ارتباط برقرار کنید. مفاهیمی مانند KPI، بیزینس پلن، بیزینس مدل، فرآیند های سازمانی، چگونگی توسعه یک سازمان داده محور، استراتژی های کسب و کار، آشنایی با بخش ها و فعالیت های مختلف یک سازمان و صنایع مختلف.

مدت زمان:
۳ ساعت
علی نظری زاده
علی نظری زاده
کارشناسی ارشد هوش مصنوعی - بنیان گذار witaik

۴: ریاضیات و آمار احتمالات

تمام افرادی که به هر طریقی توی یکی از پوزیشن های مرتبط با داده فعالیت می کنند، باید به آمار احتمالات و ریاضیات مسلط باشند چون تحلیل داده به شدت وابسته به علم آمار و ریاضیات است. توی این فصل تقریبا هر آن چیزی را که از ریاضیات لازم داشته باشید تدریس میکنیم تا هنگام سروکله زدن با داده ها، توی مباحث ریاضیات چالشی نداشته باشید و فهم خوبی از الگوریتم ها و داده ها و مسائل داشته باشید.

مدت زمان:
۱۰ ساعت
امیرحسین قدیمی
امیرحسین قدیمی
کارشناس ارشد رمزنگاری دانشگاه علم و صنعت - مهندس داده

۵: برنامه نویسی و حل مساله

توی این فصل زبان برنامه نویسی پایتون رو آموزش میدیم که یک زبان محبوب جهت کار در حوزه هوش مصنوعی، تحلیل داده، علم داده و … است. یادگیری پایتون برای هر کسی که توی حوزه داده فعالیت می کند الزامی است چون تقریبا تمام کتابخانه ها و الگوریتم های حوزه داده و هوش مصنوعی با زبان پایتون نوشته شده است. توی این فصل از سطح صفر پایتون رو آموزش میدیم، مثال ها و تمرین های خوبی حل میکنیم و تقریبا مباحث اصلی و مهمی از پایتون که توی جایگاه شغلی تحلیلگر داده بهش نیاز داشته باشید رو میگیم.

مدت زمان:
۱۵ ساعت
رضا فرهنگی
رضا فرهنگی
کارشناسی ارشد برق، کنترل دانشگاه تبریز - مهندس هوش مصنوعی، مدرس و پژوهشگر بنیاد ملی نخبگان

۶: جمع آوری داده ها

خیلی از اوقات ما به داده هایی نیاز داریم که در دسترس نیستند و باید خودمان اقدام به جمع آوری آن ها کنیم. فرض کنید شما به عنوان یک فعال حوزه داده نیاز دارید که تحلیل و بررسی از نظرات کاربران در سایت های فروشگاهی داشته باشید، یا مثلا کامنت های موجود توی یکی از پست های اینستاگرام رو استخراج کنید و تحلیل کنید که نظر کاربران درباره یک پدیده خاص چی بوده؟ برای انجام این کارها لازم است که شما با طراحی ربات های خزنده وب یا Web Crawler ها آشنا باشید. توی این فصل با تمرین ها و پروژه های متنوعی که انجام میدیم، قادر خواهید بود که هر نوع داده ای که نیاز دارید را از سایت های مختلف و شبکه های اجتماعی نظیر اینستاگرام استخراج کنید و کارهای تحلیلی خوبی روی آن ها انجام دهید.

۱. مقدمه ای بر خزش وب و اسکریپینگ
– مفاهیم و تفاوت های بین خزش وب و اسکریپینگ وب
– ملاحظات حقوقی و اخلاقی اسکریپینگ

۲. اصول HTTP و وب
– اصول اولیه پروتکل HTTP و نحوه کار وب سایت ها
– ساختار HTML و انتخاب کننده های CSS
– فرمت های داده JSON و XML

۳. برنامه نویسی پایتون
– اطمینان که دانش آموزان درک خوبی از اصول برنامه نویسی پایتون دارند
– کتابخانه های ضروری برای اسکریپینگ وب مانند Requests و BeautifulSoup

۴. ارسال درخواست های HTTP
– نحوه ارسال درخواست های GET و POST با استفاده از کتابخانه Requests پایتون را
– هدرها، پارامترها و مدیریت کوکی های درخواست
– نحوه مدیریت احراز هویت و کار با API ها

۵. تجزیه HTML و استخراج داده
– کتابخانه BeautifulSoup را برای تجزیه HTML
– نحوه پیمایش و جستجو در درخت HTML با استفاده از انتخاب کننده های CSS و XPath
– نحوه استخراج داده از عناصر HTML

۶. اسکریپینگ وب سایت های استاتیک
– نحوه شناسایی و استخراج داده از صفحات HTML ایستا
– تکنیک های مقابله با ساختارهای HTML ناهمگون
– نحوه استخراج داده از جداول، لیست ها و سایر عناصر HTML

۷. مقابله با وب سایت های پویا
– چالش های اسکریپینگ وب سایت های پویا که از JavaScript استفاده می کنند
– Selenium و مرورگرهای بدون سر را برای تعامل با صفحات پویا
– نحوه انتظار برای بارگذاری عناصر و مدیریت درخواست های AJAX

۸. ذخیره سازی و پردازش داده های اسکریپ شده
– روش های مختلف ذخیره سازی داده های اسکریپ شده (مانند CSV، JSON، پایگاه داده)
– نحوه تمیز کردن، پیش پردازش و تجزیه و تحلیل داده های اسکریپ شده را با استفاده از کتابخانه های پایتون مانند Pandas

۹. مدیریت صفحه بندی و اسکریپینگ تدریجی
– نحوه پیمایش در نتایج صفحه بندی شده
– تکنیک های اسکریپینگ تدریجی و مدیریت به روزرسانی ها

۱۰. اسکریپینگ همزمان و موازی
– تکنیک های اسکریپینگ همزمان را برای بهبود عملکرد
– نحوه استفاده از ماژول های multiprocessing و multithreading پایتون

۱۱. پروژه و مثال های دنیای واقعی
– پروژه های عملی و مثال های دنیای واقعی
– مطالعات موردی اسکریپینگ انواع مختلف وب سایت ها (مانند سایت های فروشگاهی، رسانه های اجتماعی، سایت های خبری)

مدت زمان:
۶ ساعت
سینا منصوری
سینا منصوری
کارشناسی ارشد دیتاساینس از کشور آمریکا - دیتاساینتیست اسبق همراه اول

۷: آماده سازی و پیش پردازش داده ها

به مرحله آماده سازی و پیش پردازش داده ها میرسیم، جایی که داده ها رو پردازش، پیش پردازش و برای اهداف خاصی آماده سازی می کنیم. بخش زیادی از تایم هر فردی که تو حوزه تحلیل داده کار میکند، سروکله زدن با داده هاست پس خیلی مهمه که شما جنس دیتا رو بشناسید و بتونید عملیات های مختلف رو روی اون ها پیاده سازی کنید تا برای اهداف خودتون بکار ببرید. توی این فصل حسابی با داده ها سرو کله میزنیم طوری که کار با داده به یکی از علاقه مندی هاتون تبدیل بشه. با کتابخونه هایی مثل Numpy، Pandas و ابزار پردازش داده های حجیم مثل Spark کار میکنیم که جزو قوی ترین ابزارهای پردازش و آماده سازی داده ها هستند.

۱-Introduction
۱.۱- What is big data?
۱.۲- What is Spark and why do we use it?
۱.۳- PySpark installation
۲-Data Ingestion
۲.۱- Ingesting text
۲.۲- Ingesting JSON
۲.۳- Ingesting parquet
۲.۴- Ingesting databases
۳-Data Processing
۳.۱- PySpark functions for data processing
۴-PySpark Integration with Python and SQL (2 Hours)
۴.۱- Read data from API project
۴.۲- Read data from PDF project
۵-PySpark and Data Engineering
۵.۱- Brief overview of ETL
۵.۲- Brief overview of modern data platform (Databricks).

مدت زمان:
۱۵ ساعت
فرنام ایرانپور
فرنام ایرانپور
مهندس/تحلیلگر داده اسبق ایرانسل - مهندس/تحلیلگر داده در کشور هلند
رضا فرهنگی
رضا فرهنگی
کارشناسی ارشد برق، کنترل دانشگاه تبریز - مهندس هوش مصنوعی، مدرس و پژوهشگر بنیاد ملی نخبگان

۸: بصری سازی داده ها

بصری سازی داده در قالب نمودارها و اشکال مختلف، دید بسیار خوبی به ما می دهد و میتوانیم درک درستی از داده ها داشته باشیم. به طور کلی بصری سازی داده یا Data Visualization یکی از مهارت های مهمی هست که یک تحلیل گر داده باید خوب بلد باشه که ما هم توی این فصل نکات مهم و آموزش های خوبی رو برای شما در نظر گرفتیم. با مهم ترین ابزارهای بصری سازی داده ها مثل Matplotlib, Seaborn, Pandas و کار میکنم و به راحتی قادر خواهید بود که تجسم سازی و بصری سازی خوبی از داده های خودتوتون داشته باشید.

مدت زمان:
۶ ساعت
رضا فرهنگی
رضا فرهنگی
کارشناسی ارشد برق، کنترل دانشگاه تبریز - مهندس هوش مصنوعی، مدرس و پژوهشگر بنیاد ملی نخبگان

۹: نگهداری داده ها

بانک های اطلاعاتی یا پایگاه داده ها، بستری جهت ذخیره سازی داده ها و گزارش گیری هستند. پایگاه داده های مختلفی وجود دارند که SQL Server یکی از قدیمی ترین و متداول ترین نوع آن هاست و داده ها را به صورت جدولی در خود ذخیره می کند. به جز اس کیو ال سرور، پایگاه داده مونگو دی بی (Mongo DB) نیز یکی از پر کاربردترین نوع دیتابیس ها در حوزه داده هست. به کمک این دیتابیس می توان داده ها را به صورت سند (Document) ذخیره کرد و بهترین گزینه برای کسانی است که در حوزه های علم داده فعالیت می کنند. علاوه بر آموزش کامل این دو پایگاه داده، سرویس SSIS که مخفف (SQL Server Integration Services) هست رو نیز بررسی می کنیم. این سرویس توی SQL Server و ابزار قدرتمندی برای انجام فرآیند ETL به حساب میاد. به کمک این سرویس می توانید داده هایی را از منابع مختلف (E) Extract کنید، آن ها را (T) Transform و در سرویس های مختلف (L) Load کنید. این ابزار به شدت برای یک تحلیل گر داده و متخصین علوم داده کاربردی هست و جهت ساخت انبار داده نیز مورد استفاده قرار می گیرد.

۱: SQL

Subqueries and Joins in SQL

  • Using Subqueries
  • Subquery Best Practices and Considerations
  • Joining Tables: An Introduction
  • Cartesian (Cross) Joins
  • Inner Joins
  • Aliases and Self Joins
  • Advanced Joins: Left, Right and Full Outer Joins
  • Unions

Filter, Sorting and Calculating Data with SQL

  • Module Introducing
  • Basics of Filtering with SQL
  • Advanced Filtering: IN, OR, and NOT
  • Using Wildcards in SQL
  • Sorting with ORDER BY
  • Math Operation
  • Aggregate Functions
  • Grouping Data with SQL
  • Putting it All Together

Modify and Analyze Data with SQL

  • Working with Text Strings
  • Working with Date and Time Strings
  • Date and Time Strings Examples
  • Case Statements

 ۲: SSIS & ETL

  • Introducing SSIS and reviewing its architecture
  • Key Concepts (ETL) Extract, Transform, Load
  • Create and configure SSIS projects and packages
  • Using Data Flow to extract, transform and load data
  • Use Control Flow to manage closed workflows
  • Use the Expression Builder to create expressions and calculations
  • Debugging and releasing SSIS packages
  • Connect to various data sources (such as SQL Server, Oracle databases, text files, and CSV)
  • Extract data from various sources for reporting and analysis
  • Clearing, converting and formatting data using transformations
  • Load data into various destinations (such as SQL Server, cloud databases, and data warehouses)
  • Types of Fact Table and how to load data in them
  • Types of Dimensions and how to load data in them
  • Concepts of SSAS Processing
  • Slowly Changing Dimensions (SCD) and Change Data Capture (CDC)
  • Use Script Components to develop custom logic
  • Using the Integration Services Catalog (ISC) to manage and deploy packages
  • Implement SSIS security
  • Troubleshooting and optimizing SSIS performance
  • Create and configure Agent Jobs to run SSIS packages
  • SSIS deployment in enterprise environments
  • Create reports using SSIS
  • Introducing SSIS Azure Integration Services

مقدمه

  • مقدمه ای بر پایگاه داده
  • مقایسه پایگاه داده رابطه ای با غیر رابطه ای
  • معرفی مونگو دی بی (Mongo DB)
  • نصب Mongo DB

مبانی Mongo DB و عملیات CRUD

  • معرفی داکیومنت ها و کالکشن ها
  • ایجاد سند
  • خواندن اسناد
  • به روز رسانی اسناد
  • حذف اسناد

مونگو دی بی در پایتون

  • نصب pymongo
  • ایجاد اسناد در پایتون
  • خواندن اسناد در پایتون
  • به روز رسانی اسناد در پایتون
  • حذف اسناد در پایتون

تجمیع داده ها

  • بررسی اجمالی تجمیع داده ها
  • اپراتورهای Aggregation pipeline

بهبود کارایی

  • ایندکس ها
  • اعتبارسنجی ساختار
  • Sharding

پروژه

  • پروژه های عملی
مدت زمان:
۳۰ ساعت
امین رضانژاد
امین رضانژاد
کارشناسی ارشد مهندسی کامپیوتر دانشگاه گیلان - تیم لید هوش مصنوعی مجموعه راه سینا
فائزه عظیم زاده
فائزه عظیم زاده
کارشناسی ارشد زبان شناسی رایانشی دانشگاه تهران

۱۰: دستیابی به بینش عمیقی از داده ها با مدل های ML جهت تصمیمات هوشمندانه

خب میرسیم به فصل جذاب یادگیری ماشین و قراره توی این فصل باهم دیگه انواع روش های یادگیری ماشین رو بررسی و آموزش بدیم. یعنی در مورد روش های نظارت شده (Supervised)، غیرنظارت شده (UnSupervised) و رگرسیون (Regression) صحبت میکنیم و با مثال های کاربردی، الگوریتم های یادگیری ماشینی که توی این حوزه هستند رو توی زبان پایتون آموزش میدیم. علاوه بر آن، وارد مباحث متن کاوی یا پردازش متن (Text Mining) میشیم و مفاهیم پایه و اصلی این حوزه رو آموزش میدیم. بعد از اون از الگوریتم های یادگیری ماشین جهت حل مسائل حوزه پردازش متن استفاده میکنم و مثال های خوبی حل میکنیم مانند: آنالیز احساسات، طبقه بندی متن و اخبار، خوشه بندی اسناد متنی، سیستم خلاصه ساز متنی و… که یادگیری این موراد برای یک تحلیل گر داده لازمه چون علاوه بر داده های عددی، با حجم زیادی از داده های متنی نیز سروکار دارد و باید بتواند آن ها را تحلیل کند.

مباحث مقدماتی آشنایی با یادگیری ماشین

  • آشنایی با هوش مصنوعی، مقدماتی بر یادگیری ماشین
  • انواع یادگیری

مباحث پایه یادگیری ماشین و الگوریتم­ها و روش­های Regression

  • رگرسیون خطی، غیر خطی و تعمیم رگرسیون
  • آموزش کتابخانه­های پردازش داده و ابزار برنامه نویسی هوش مصنوعی
  • numpy
  • pandas
  • sckit-learn
  • آموزش عملی پیاده­سازی پروژه یادگیری ماشینی

مباحث پایه یادگیری ماشین و الگوریتم­ها و روش­های Classification

  • طبقه بند خطی تک کلاسه و چند کلاسه
  • طبقه بند غیر خطی
  • انواع الگوریتم­های یادگیری ماشین
  • پرسپترون (perceptron)
  • الگوریتم بیز (naïve bayes)
  • الگوریتم ماشین بردار پشتیبان (SVM)
  • درخت تصمیم (decision tree)
  • یادگیری جمعی (ensemble learning)
  • ابزار و کتابخانه­های آماده یادگیری ماشین
  • ابزار و کتابخانه­های پردازش و مصورسازی داده
  • آموزش عملی پیاده­سازی پروژه یادگیری ماشینی

آشنایی با شبکه های عصبی مصنوعی (مباحث ویژه یادگیری عمیق)

  • آموزش مباحث پایه­ای شبکه­های عصبی
  • آموزش مباحث پایه­ای یادگیری عمیق
  • آموزش الگوریتم­ها و انواع مختلف شبکه­های عصبی
  • perceptron neural network
  • Multi-Layer Perceptron(MLP)
  • آموزش شبکه­های عصبی عمیق
  • شبکه های عصبی کانولوشنال (CNN)
  • شبکه های عصبی بازگشتی (RNN)
  • شبکه های عصبی حافظه طولانی کوتاه مدت (LSTM)
  • آموزش عملی ایجاد، بهینه سازی و آموزش ضرایب وزنی شبکه­های عصبی

آموزش عملی استفاده از شبکه­های عصبی و یادگیری عمیق در مسائل مختلف

  • کوچک نویسی (Lowercasing)
  • حذف آدرس‌های اینترنتی (URLs)
  • حذف کاراکتر خط جدید (“\n”)
  • حذف علائم نگارشی
  • حذف اعداد
  • حذف شکلک‌ها (ایموجی‌ها)
  • اصلاح خطاهای املایی
  • استخراج ویژگی‌ها (GloVe FastText, Word2Vec, BERT, TF-IDF, ,…)
  • آشنایی با پردازش متن و کاربردها
  • پیش پردازش متن
  • ریشه یابی متن Stemming , lemmatization
  • نرمال سازی متن
  • برچسب گذاری کلمات POS Tagging
  • خواندن پیکره های متنی مختلف کتابخانه هایی مثل pandas
  • آموزش کتابخانه پردازش متن Hazm
  • آموزش مدل های پایه ای یادگیری ماشین موجود در کتابخانه Scikit-learn روی دیتاست های متنی و حل مثال هایی مثل آنالیز احساسات، طبقه بندی اخبار، خوشه بندی متن و …
  • نگاهی به آینده NLP , LLMs

Download & Installation

  • Design Perspective

Design of Analysis process

  • Creating new model

Data and visualization

  • Table, Charts, …

Repository

  • Data importing

Data Preprocessing

  • Missing Values, Outliers, …

Dimensional Reduction

  • Feature Selection, PCA, SVD, …

Supervised Learning

  • Regression algorithms
  • Classification algorithms (KNN, SVM, Naïve Byes, RF, DT, …) Unsupervised Learning
  • Clustering (K-means, DBSCAN, …)

Model Evaluation

  • Model Evaluation

real-world project

  • real-world project
مدت زمان:
۵۰ ساعت
حسن بشارتی
حسن بشارتی
کارشناس ارشد هوش مصنوعی دانشگاه علامه طباطبایی - پژوهشگر هوش مصنوعی در علوم پزشکی و ژنتیک
کیمیا نورعلی
کیمیا نور علی
استاد دانشگاه سمنان - مهندس بینایی ماشین اسبق شرکت پرتو تاپ رایان
فرشته اسلامی
فرشته اسلامی
کارشناسی ارشد مهندسی برق، کنترل دانشگاه تربیت مدرس - برنامه نویس و متخصص حوزه داده

۱۱: دستیابی به بینش عمیقی از داده ها با رویکرد هوش تجاری جهت تصمیمات خردمندانه

از مهم ترین تخصص و مهارت هایی که یک تحلیل گر داده یا افراد فعال حوزه علم داده و دیتاساینس باید داشته باشند، هوش تجای است. تدریس جامع و کاربردی هوش تجاری که توی این بخش صورت می گیرد، از مهم ترین نقاط قوت این دوره ست و قراره در این بخش با اصول هوش تجاری، ساخت داشبوردهای تجاری و مدیریتی، سازمان داده محور و… آشنا شوید. توی این فصل با ابزار محبوب Power BI هوش تجاری رو توضیح میدهیم، عملیات تحلیل و آنالیز داده ها رو با زبان DAX انجام می دهیم، در مورد KPI های بیزینس و اصول داده محوری سازمان صحبت می کنیم، داشبورهای حرفه ای طراحی می کنیم و این داشبوردها را به صورت آنلاین در وب و اپلیکیشن های موبایل منتشر می کنیم تا هنگام کار در این حوزه چالش خاصی نداشته باشید و به راحتی از پس پروژه های هوش تجای و تحلیل پیشرفته داده ها بربیاید. علاوه بر Power BI، هوش تجاری توی اکسل رو هم آموزش میدیم چون به عنوان یک فعال حوزه داده، قطعا باید با اکسل آشنا شوید، بتونید داده های خود را با اون تحلیل و حتی داشبوردهای تحلیل داده رو طراحی کنید. در نتیجه نرم افزار قدرتمند اکسل رو هم به شما آموزش میدیم تا دانش و تخصص شما در این حوزه تکمیل شود.

آشنایی با دیتابیس ها و ساخت ریپورت ساده

وارد کردن داده ها از اکسل، اکسس، وب، SQL و غیره جهت شکل دهی و انجام محاسبات تحلیلی بر روی آن ها

پیش پردازش داده ها در محیط Power Query و آموزش استفاده از دو ابزار Merge و Append

استفاده از ابزار تحلیل (Analytics) و پیشبینی در Microsoft Power BI

بررسی تمام ویژوال ها

تحلیل داده ها با استفاده از ویژوال ها

کار با تاریخ شمسی

انتشار بر روی سرور ماکروسافت Power BI Service

معرفی KPI ها و نحوه پیاده سازی آن در محیط نرم افزار

آموزش جامع توابع DAX به همراه مثال های کاربردی

بررسی Power query و تمامی نکات آن

مدل سازی داده ها و مدیریت روابط بین آنها جهت یکپارچگی گزارش های طراحی شده

بصری سازی و ایجاد Drill Down با استفاده از قابلیت Hierarchy در کیس های مختلف

داستان سرایی دیجیتال با استفاده از Button ها و لینک کردن صفحات در نرم افزار

ساخت داشبوردهای واقعی و تحلیلی

آموزش جامع Report Server و پابلیش گزارشات و تعیین سطح دسترسی

مدت زمان:
۵۰ ساعت
سینا محمدیاری
سینا محمدیاری
تحلیل گر داده و هوش تجاری در دیجی کالا، آپارات، همراه اول، آسان پرداخت و...
مرضیه سادات سجادی
مرضیه سادات سجادی
کارشناسی ارشد فیزیک اتمی دانشگاه صنعتی شیراز - تحلیل گر داده شرکت داده کاو

۱۲: مهاجرت به زیرساخت های توسعه و نگهداری پروژه های برنامه نویسی

توی این فصل، سه عنوان آموزشی گیت (Git)، لینوکس (Linux) و استریم لیت (Streamlite) رو آموزش میدیم که هر برنامه نویسی باید واقعا بلد باشه (مخصوصا دو مورد اول). به کمک ابزار گیت و گیت هاب میتونید سورس کدها و پروژه های خودتون رو مدیریت کنید، به کمک لینوکس میتونید کمی پیشرفته تر وارد حوره برنامه نویسی و تحلیل داده بشید و از امکاناتی که این سیستم عامل در اختیارتون قرار میده استفاده کنید. با Streamlite می تونید پروژه های یادگیری ماشین خودتون رو در قالب یک وب اپلیکیشن توسعه بدید و به صورت واقعی اون رو در اختیار طیف وسیعی از افراد و کاربران قرار بدید.

مقدمه ای بر لینوکس

  • لینوکس چیست؟
  • نرم افزارهای آزاد و متن باز
  • توزیع های لینوکس
  • نصب و راه اندازی

کار با فایل ها

  • ساختار فایلی در لینوکس
  • انواع مسیرها
  • دستورات کار با فایل
  • انواع لینک ها

کامند لین اینترفیس

  • معرفی مفهوم shell
  • معرفی bash و امکانات پایه آن
  • آشنایی با ویرایشگر vim

مدیریت حساب های کاربری

  • ایجاد و مدیریت حساب های کاربری
  • ایجاد و مدیریت گروه های کاربران
  • کاربر root و دستور sudo
  • مجوزهای دسترسی به فایل

مدیریت سیستم

  • مدیریت فرآیند (Process Management)
  • نصب و مدیریت نرم افزارها با apt
  • پیکربندی سخت افزارها

مقدمه

  • استریم لیت چیست؟
  • دلیل استفاده از استریم لیت
  • نصب و راه اندازی استریم لیت

ای پی آی های (API) استریم لیت

  • نوشتن و مارک داون
  • عناصر متنی
  • عناصر داده
  • عناصر تعیین وضعیت

ویجت های ورودی

  • دکمه
  • چک باکس
  • اسلایدر
  • ورودی متن، تاریخ و عدد

مصور سازی با استریم لیت

  • نمودار میله ای
  • نمودار دایره ای
  • نمودار جعبه ای
  • نمودار خطی
  • نمودار های Pandas در استریم لیت

پروژه

پروژه های عملی

Introduction to Git

  • What is Git?
  • Installation
  • Configuration
  • Help

Basic commands

  • Git init
  • Git commit
  • Git diff
  • Git log

Git Branch

  • Git Branch
  • Git Switch
  • Git Merge
  • Merge Conflict

GitHub

  • Issues
  • Pull Request
  • Actions
  • Wiki
  • Releases
مدت زمان:
۱۲ ساعت
رضا عظیم زاده
فرزین عظیم زاده
کارشناسی ارشد زبان شناسی رایانشی دانشگاه تهران - محقق NLP آزمایشگاه دانشگاه تهران
فائزه عظیم زاده
فائزه عظیم زاده
کارشناسی ارشد زبان شناسی رایانشی دانشگاه تهران

۱۳: بکارگیری اصول مدیریت پروژه جهت پیشبرد درست کارها

شما به عنوان یک فعال حوزه داده باید با مفاهیم اصلی مدیریت پروژه (Project Management) آشنا شوید و با ابزارهایی که در این حوزه وجود دارد کار کنید. قرار نیست در این فصل شما یک مدیر پروژه (Project Manager) شوید بلکه قرار است که از آن جهت پیشبرد کارهای خودتون استفاده کنید. تمام برنامه نویسانی که چه به صورت آزاد و چه در شرکتی مشغول کار هستند، روی پروژه هایی کار میکنند که لازمه مدیریت و نظم دادن به آن ها، استفاده از رویکرد و ابزارهای مدیریت پروژه است. پس توی این فصل یاد می گیرید که از این به بعد چجوری کارهای خودتون رو در قالب پروژه مدیریت و پیش ببرید که باعث نظم بیشتر در کارها و صرفه جویی در زمان و منابع می شود.

مدت زمان:
۵ ساعت
امیرحسن شاکری
امیرحسن شاکری
دکتری مدیریت کسب و کار، مدیر پروژه، بازاریابی و مشاور مدیر عامل شرکت مفتاح رایانه افزار - بنیانگذار و دبیر اجرایی بنیان تحول دیجیتال

۱۴: شنیدن چالش ها و تجربیات متخصصین این حوزه در صنعت

توی این فصل از متخصصین با تجربه ای که در بازار کار تحلیل داده و هوش مصنوعی مشغول کار هستند دعوت می کنیم که تجربیات، چالش ها، مزایا و معایبی که در این حوزه در صنعت هست را در اختیار شما قرار دهند که به عنوان چراغ راهی از آن جهت ادامه مسیر خود استفاده کنید. این تجربیات بسیار ارزشمند هستند و به نوعی می توان گفت باعث صرفه جویی زیادی در زمان شما و جلوگیری از آزمون و خطا می شود.

مدت زمان:
۳ ساعت
favicon witaik
مدرس:
جمعی از مدرسین

۱۵: پیدا کردن شغل و آماده شدن برای ورود به بازار کار توی پوزیشن تحلیل گر داده

خب میرسیم به فصل آخر دوره تحلیل گر داده، توی این بخش در مورد نکات مهم  و ترفندهایی که میتونید توی این جایگاه شغلی وارد بازار کار بشید صحبت می کنیم. یا  اگر دوست داشته باشید که به صورت فریلنسری یا پروژه ای هم کار کنید، برای این مورد هم بهتون آموزش میدیم که چه کارهایی بکنید تا موفق بشید. رزومه نویسی رو باهم کار میکنیم و نحوه نوشتن یک رزومه خوب و استاندار رو یاد میگیریم که شانس دعوت شما به مصاحبه رو بالا ببره. درمورد نحوه شبکه سازی و ارتباط با افراد مختلف و فعال حوزه تحلیل داده صحبت می کنیم تا بتونید ارتباطات و کانکشن های خودتون رو بالا ببرید و توی این حوزه موفق بشید. امیدواریم که در انتهای دوره بتوانیم به رسالت خود یعنی ” توانمند سازی نسل نوجوان و جوان با آموزش های به روز و تربیت نیروی متخصص متناسب بازار کار” به خوبی عمل کرده باشیم و شما رو برای ورورد به بازار کار حرفه ای آماده کرده باشیم.

مدت زمان:
۳ ساعت
علی نظری زاده
علی نظری زاده
کارشناسی ارشد هوش مصنوعی - بنیان گذار witaik

چرا باید در این دوره شرکت کنم؟

۱: سرفصل های استاندارد و متناسب با نیاز بازار کار

۲: آموزش بر اساس پوزیشن شغلی تحلیل گر داده نه صرفا براساس یک سری سرفصل کلی

۳: مدرسین باتجریه و کیفیت بالی آموزش ها

۴: اعطای مدرک در پایان دوره

۵: پشتیبانی ۲۴ ساعته در طول دوره و ارتباط مستقیم با مدرسین جهت پرسیدن سوالت و مشاوره

۶: انجام پروژه های عملی به صورت تکی و گروهی جهت تسلط کافی بر مباحث

۷: ارتباط و ساختن کانکشن با بقیه دانشجویان دوره جهت انجام پروژه های گروهی و همچنین کار گروهی بعد از اتمام دوره

۸: دعوت از متخصصین این حوزه جهت انتقال تجربه و کانکشن برقرار کردن با آن ها

۹: نوشتن توصیه نامه و معرفی به شرکت های مختلف جهت استخدام در موقعیت شغلی تحلیل گر داده

ثبت نام در دوره

فرم زیر رو پر کنید تا ما با شما تماس بگیریم و در یک جلسه مشاوره رایگان، به تمام سوالات شما پیرامون دوره پاسخ بدیم.

این فیلد برای اعتبار سنجی است و باید بدون تغییر باقی بماند .

مزایای شرکت در دوره تحلیل گر داده

مزایای شرکت در دوره تحلیل گر داده ویتایک

۱: آماده شدن برای ورود به پوزیشن شغلی تحلیل گر داده

۲: پروژه محور و انجام تمرینات به صورت گروهی و تیمی

۳: کانکشن ساختن و ارتباط با افراد فعال این حوزه

۴: مشاوره و منتورینگ رایگان تا انتهای دوره و حتی بعد از آن

سوالات متداول

۱: آیا بعد از گذراندن دوره، مدرک به من داده می شود؟

بله مدرک دوره برای شما صادر خواهد شد که مهر تاییدی بر توانایی های شما در حوزه شغلی تحلیل گر داده می باشد.

۲: از کجا بفهمم این دوره برای من مناسبه؟

توی چندین جلسه اول دوره که به صورت رایگان هست می تونید به صورت کامل با دوره، سرفصل ها، موقعیت شغلی تحلیل گر داده و … آشنا بشید که دید خوبی بهتون میده و با آگاهی بیشتری جهت شرکت در این دوره تصمیم بگیرید.

۳: آیا بعد از اتمام دوره، میتونم استخدام و وارد بازار کار بشم؟

بله. ما سرفصل ها و آموزش ها رو طبق نیارهای صنعت و بازار کار آماده کردیم تا هنگام کار توی این حوزه شغلی به مشکل خاصی برنخوردید و بتونید از مصاحبه های شغلی موفق بیرون بیاید.

۴: چه پیش نیازهایی برای شرکت در دوره تحلیل گر داده وجود دارد؟

از اون جایی که تمام مباحث دوره از پایه تدریس میشه درنتیجه پیش نیاز خاصی لازم نیست و هرکسی با هر رشته تحصیلی و سطح دانشی میتونه توی این دوره شرکت کنه.

۵: آیا بعد از اتمام دوره به شرکت یا جایی جهت استخدام معرفی می شوم؟

ما تمام سعی خودمون رو میکنیم که پس از پایان دوره و اخذ مدرک، شما رو به سازمان ها و شرکت هایی که به تحلیل گر داده (Data Analyst) نیاز دارند معرفی کنیم و همچنین یک توصیه نامه نیز مینویسیم که شانس پذیرش شما رو چند برابر کنه. خلاصه اینکه همه جوره هواتون رو داریم و توی این مسیر کنارتون هستیم.

۶: اگر سوالی داشته باشم چجوری باید از مدرس بپرسم و آیا این دوره پشتیبانی دارد؟

توی یک گروه همه مدرسین و شما عضو هستید و هر سوالی که داشته باشید رو میتونید بپرسید تا مدرس به شما جواب بده. پس در طول دوره هرجا به سوال یا مشکلی برخوردید یا اصلا نیاز به مشاوره و راهنمایی داشتید، میتونید بپرسید و به همه سوالاتتون جواب داده میشه.

۷: مزیت این دوره نسبت به سایر دوره های دیگه چیه؟

مهم ترین مزیت و تفاوت ما در این است که طبق نیاز بازار کار و باتوجه به موقعیت شغلی شما رو آموزش میدهیم نه صرفا براساس سرفصل های رایجی که وجود دارد. الان موسسات و سایت های زیادی وجود دارند که دوره های جامع علم داده برگزار می کنند که متاسفانه از هر یک از زیر شاخه های هوش مصنوعی چندین سرفصل آموزش میدهند که بعد از اتمام دوره شما نمی توانید برای موقعیت شغلی خاصی اپلای کنید اما ما دقیقا شما رو برای موقعیت شغلی تحلیل گر داده آماده و وارد بازار کار می کنیم.

۸: آیا مشاوره رایگان قبل از شرکت در دوره وجود دارد؟

بله. شما می تونیدکاملا رایگان یا به صورت تماس تلفنی یا جلسه آنلاین با علی نظری زاده (بنیان گذار ویتایک) صحبت کنید تا به صورت دقیق به سوالات تون پاسخ داده بشه. یعنی قبل از شرکت توی دوره، یک جلسه مشاوره رایگان به شما تعلق میگیره و به تمام سوالاتتون پیرامون دوره و سرفصل ها و … پاسخ داده میشه.

اگر این مطلب را دوست داشتید، با امتیاز دادن به آن از ما حمایت کنید.
[کل: ۵ میانگین: ۴.۲]

(09) دیدگاه

  1. سپیده
    خرداد ۳, ۱۴۰۳

    سلام. سرفصلها به روز و عالی است. لطفا هزینه رو هم درج بفرمایید.

    پاسخ
    • آواتار کاربر
      علی نظری زاده
      خرداد ۴, ۱۴۰۳

      سلام ممنون از شما بله ما سعی کردیم سرفصل ها رو کامل و متناسب با این پوزیشن شغلی بچینیم. در مورد هزینه هم باید عرض کنم که نسبت به موسسات و آموزشگاه های دیگه، خیلی پایین تره چرا؟ چون هدف و رسالت ما، توانمندسازی افراد و کمک جهت ورود به بازار کار است. دوستان میتونند ماهیانه و در چندین قسط تا انتهای دوره، مبلغ رو واریز کنند. در نتیجه ما شرایط مون راحت و به اختیار دانشجوها هستش. موافق بودید توی بخش “ثبت نام در دوره” اطلاعاتتون رو وارد کنید که هم یک جلسه مشاوره رایگان باهاتون داشته باشیم و هم هرسوالی دارید رو جواب بدیم.

      پاسخ
    • آواتار کاربر
      علی نظری زاده
      خرداد ۶, ۱۴۰۳

      هزینه نهایی دوره تنها ۸ میلیون که میتونید قسطی پرداخت کنید. مثلا ماهی یک میلیون توی ۶ الی ۸ ماه بدید

      پاسخ
  2. مسعود
    خرداد ۳, ۱۴۰۳

    سلام
    دوره ی خوبی به نظر میرسه، امیدوارم که پر از مثال و پروژه های دنیای واقعی و متناسب با صنعت باشه و صنایع مختلفی رو پوشش بده، مثل بانک، بیمه، فروش و… و لطفا مبحث اسکریپت نویسی و تحلیل با پایتون درpower bi رو هم در بخش پاور بی آی به سرفصل هاتون اضافه کنید.
    تشکر

    پاسخ
    • آواتار کاربر
      علی نظری زاده
      خرداد ۴, ۱۴۰۳

      ممنون از لطف شما. بله ما توی هر بخش، کلی مثال و پروژه واقعی موجود درصنعت حل میکنیم. توی بخش های هوش تجاری و تحلیل داده، از بیزینس های مختلف مثل همین مواردی هم که فرمودید مثال میزنیم و پروژه بیس میریم جلو. برای بخش power bi هم ما خیلی جامع و دقیق مباحث رو میگیم یعتی اسکریپت نویسی، زبان DAX، پایتون و …

      پاسخ
  3. محمود
    خرداد ۶, ۱۴۰۳

    چرا هزینه رو نمینویسید؟

    پاسخ
    • آواتار کاربر
      علی نظری زاده
      خرداد ۶, ۱۴۰۳

      هزینه رو هم به محتوای سایت اضافه میکنیم. اما اگر بخوایم خدمتتون بگیم به این صورته: هزینه نهایی دوره تنها ۸ میلیون که میتونید قسطی پرداخت کنید. مثلا ماهی یک میلیون توی ۶ الی ۸ ماه بدید

      پاسخ
  4. سوگند
    خرداد ۳۰, ۱۴۰۳

    سلام اعتبار مدرک به چه صورت؟

    پاسخ
    • آواتار کاربر
      علی نظری زاده
      خرداد ۳۰, ۱۴۰۳

      سلام، مدرک توسط ویتایک صادر میشه. نسخه آنلاین و دو زبانه.

      پاسخ

دیدگاهتان را بنویسید

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

#iguru_infobox_66797e900c77d .infobox_wrapper { margin-top: 20px !important;padding-top: 10px !important;padding-bottom: 10px !important;padding-left: 10px !important; }#iguru_infobox_66797e900c9a0 .infobox_wrapper { padding-top: 10px !important;padding-bottom: 10px !important;padding-left: 10px !important; }#iguru_infobox_66797e900f9b8 .infobox_icon { color: #585858; }#iguru_infobox_66797e900f9b8 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e900f9b8 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e900fb95 .infobox_icon { color: #585858; }#iguru_infobox_66797e900fb95 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e901015e .infobox_icon { color: #585858; }#iguru_infobox_66797e901015e .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e901015e .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9010a22 .infobox_icon { color: #585858; }#iguru_infobox_66797e9010a22 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9010a22 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9011184 .infobox_icon { color: #585858; }#iguru_infobox_66797e9011184 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9011184 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9011a28 .infobox_icon { color: #585858; }#iguru_infobox_66797e9011a28 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9011a28 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9013428 .infobox_icon { color: #585858; }#iguru_infobox_66797e9013428 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9013428 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e90141ff .infobox_icon { color: #585858; }#iguru_infobox_66797e90141ff .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e90141ff .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9014ce8 .infobox_icon { color: #585858; }#iguru_infobox_66797e9014ce8 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9014ce8 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9015bbf .infobox_icon { color: #585858; }#iguru_infobox_66797e9015bbf .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9015bbf .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9015d87 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9017103 .infobox_icon { color: #585858; }#iguru_infobox_66797e9017103 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9017103 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9017281 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e90175b5 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e901830f .infobox_icon { color: #585858; }#iguru_infobox_66797e901830f .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e901830f .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9018450 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e901960f .infobox_icon { color: #585858; }#iguru_infobox_66797e901960f .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e901960f .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e901972c .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e9019d62 .infobox_icon { color: #585858; }#iguru_infobox_66797e9019d62 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e9019d62 .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e901a36f .infobox_icon { color: #585858; }#iguru_infobox_66797e901a36f .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e901a36f .infobox_wrapper { margin-bottom: 15px !important; }#iguru_infobox_66797e901a487 .infobox_icon { color: #585858; }#iguru_infobox_66797e901a487 .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e901a81e .infobox_icon { color: #585858; }#iguru_infobox_66797e901a81e .infobox_wrapper:hover .infobox_icon { color: #00bda6; }#iguru_infobox_66797e901a81e .infobox_wrapper { margin-bottom: 15px !important; }