کیفیت داده ها: مفاهیم اصلی

مدرس Mark Freeman

انتشار 2024/12/20

مدت زمان 1h 28m

سطح مناسب همه

فایل تمرینی دارد

آموزش Data Quality: Core Concepts

این دوره نظری برای متخصصان داده ، ذینفعان در سازمان های داده ، رهبری داده ها و متخصصان علاقه مند به کیفیت داده طراحی شده است. مارک فریمن-یک مهندس داده و سرب فناوری-نمای کلی سطح بالا از کیفیت داده ها را ارائه می دهد ، معیاری از چگونگی عملکرد داده ها با انتظارات یک شرکت از صحت ، کامل بودن ، قوام ، قابلیت اطمینان و اعتبار. علاوه بر محتوای دوره ، یک پروژه نهایی را تکمیل کنید که شامل یک مخزن کد ارائه شده برای بررسی و گزارش تجزیه و تحلیل با مسائل مربوط به کیفیت داده ها باشد. مسائل مربوط به کیفیت داده ها را شناسایی کرده و در مورد نحوه رفع آنها توصیه هایی ارائه دهید. این دوره شما را با درک جدی از مفاهیم زیربنای کیفیت داده ها مجهز می کند.

Data Management کیفیت داده

Introduction

The importance of data quality ()

1. Data Quality Fundamentals

Data quality introduction ()

Impact of poor data quality ()

Defining data quality ()

Data quality dimensions: Intro ()

DQ dimensions: Validity, completeness, consistency ()

DQ dimensions: Integrity, timeliness, currency ()

DQ dimensions: Reasonableness, uniqueness, accuracy ()

Common data quality assessment frameworks ()

Connecting data quality to business outcomes: Intro ()

Thought exercise: Ecommerce ()

Thought exercise: Understand the business model ()

Thought exercise: Map your data lifecycle ()

Thought exercise: Identify your stakeholders ()

Thought exercise: Evaluate how stakeholders drive revenue ()

Thought exercise: Assess how DQ impacts revenue and risk ()

Thought exercise: Synthesize research and communicate ROI ()

2. Data Quality Across the Data Lifecycle

Data lifecycle introduction ()

Data lifecycle overview ()

Data lifecycle stakeholders: Business ()

Data lifecycle stakeholders: Engineers ()

Data lifecycle stakeholders: Data ()

DQ across the lifecycle: Business strategy ()

DQ across the lifecycle: Data creation ()

DQ across the lifecycle: Data acquisition ()

DQ across the lifecycle: Transactional databases ()

DQ across the lifecycle: ETL/ELT pipelines ()

DQ across the lifecycle: Analytical databases ()

DQ across the lifecycle: Data analytics and data products ()

DQ across the lifecycle: Data/insights consumption ()

3. Common Data Quality Issues and How to Measure Them

Introduction to issues and measurements ()

Root cause analysis: RCA ()

Null rates ()

Data freshness and timeliness ()

Schema changes ()

Data transformation bugs ()

Data drift ()

Measuring data quality ()

4. Data Quality Tooling

Introduction to tooling ()

Data dictionaries ()

Data catalogs ()

Data lineage ()

Data monitoring and observability ()

Data contracts ()

Conclusion

Next steps ()

Ex_Files_Data_Quality_Core_Concepts.zip (102 KB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.

مسیرهای یادگیری آموزش کیفیت داده ها: مفاهیم اصلی

یکی از مهمترین مشکلات افرادی که از آموزش های آنلاین استفاده می‌ کنند این است به دلیل تعداد زیاد این آموزش ها، کاربر دچار سردرگمی شده و نمی داند از کدام آموزش بهتر است شروع کند و یا با کدام آموزش ها مهارت های خود را ارتقا دهد. داشتن یک برنامه آموزشی گام به گام میتواند کاربران را از این مشکلات رها کند. در واقع مسیرهای یادگیری مجموعه ای از آموزش ها هستند که به ترتیب اولویت در کنار هم قرار گرفته اند تا کاربران را از این سردرگمی ها نجات دهند. این مسیرها در موضوعات مختلفی دسته بندی شده‌اند که در زیر، لیستی از همه دسته بندی مسیرهایی که توسط سایت لیندا ارائه شده اند را می توانید مشاهده کنید.

آموزش Data Quality: Core Concepts در 1 مسیر آموزشی قرار دارد. تخصص مورد نظر خود را انتخاب کنید، با مسیر یادگیری آن همراه شوید و حرفه ای شوید.

توسعه تخصص در تبدیل، تمیز کردن و دستکاری داده ها به منظور تجزیه و تحلیل آماده و ارزشمند برای بینش کسب و کار. مهارت های مهندسی داده های ضروری از جمله فرآیندهای ETL/ELT، مدیریت کیفیت، و روش های پردازش دسته ای و بلادرنگ را بیاموزید. این دوره ها به متخصصان داده کمک می کند تا داده های خام را به مجموعه داده های تمیز، ساختاریافته و آماده تجزیه و تحلیل تبدیل کنند و در عین حال از یکپارچگی در سراسر فرآیند تبدیل اطمینان حاصل کنند.

آموزش کیفیت داده ها: مفاهیم اصلی ، ایستگاه شماره 7 در مسیر یادگیری مقدمه ای بر مهارت های اساسی برای کار داده: پردازش داده ها ، است.