نتایج جست و جو :
هوشمند سازی کسب و کار با Microsoft Power BI
27 اسف 1398

نرم افزار Power BI به عنوان یکی از برترین نرم افزارهای هوش تجاری (Business Intelligence) در دنیاست که توسط شرکت Microsoft طراحی شده است. براساس گزارش مرجع تخصصی Gartner در سال ۲۰۱۷، این نرم افزار در کنار نرم افزارهای هوش تجاری همچون Tableau و Qlikview قرار گرفته است. علت محبوبیت این نرم افزار در بین کاربران در دنیا، متعلق بودن این نرم افزار به شرکت Microsoft می‌باشد و قرار گرفتن این نرم افزار در کنار نرم افزارهای آفیس (مخصوصا اکسل)، راهکارهای مدیریت پروژه مایکروسافت (Microsoft Project Server)، SharePoint و بسیار دیگری از محصولات مایکروسافت می‌باشد. یکی از مهمترین مزایای این نرم افزار دامنه کاربرد نرم افزار برای کلیه افراد و کلیه رشته‌های کاری و کلیه سطوح سازمانی است. که بدلیل راحتی کار برای کاربران، شرکتها و سازمان‌ها به سرعت به سمت این راهکار پیش رفته‌اند.

-واکشی (Extract) داده‌ها و کوئری به منابع مختلف داده‌ها  اعم از دیتابیس SQL Server، ACCESS ، Analysis Services، انواع Flat File اعم از Excel, CSV,JSON و …

-پاکسازی و تبدیل (Transform) داده‌ها و بخش‌های مختلف Query Editor

Split Column

ابزار Column From Example

ابزار Replace Values

ابزار Merge Columns

Row Operations; Removing rows, keeping rows

Index Column: Row Number

Conditional Column

ابزار Un-Pivot Columns

امکان Fill Down و Fill Up

-Left Outer Join

-Right Outer Join

-Full Outer Join

-Inner Join

-Left Anti Join

-Right Anti Join

مدل سازی معنایی (Data Modeling) داده‌ها

-معرفی مدلسازی معنایی داده‌ها

-مدل جدولی(Tabular Model) و چندبعدی(Multidimensional Model)

-انواع جداول در مدلسازی (Fact, Dimension and Bridge Tables)

-انواع ارتباط (Relationships): یک-به-یک، یک-به-چند و چند-به-چند

-شمای ستاره‌ای (Star Schema)

-شمای برف‌دانه‌ای (Snowflake schema)

-انواع داده‌ها(Data Types) ، عملگرها(Operators)

-ستون‌های محاسبه‌شدنی(Calculated columns) و سنجه(Measure)

-انواع Measureها: Explicit و Implicit و معایب استفاده از نوع Implicit

-تعریف Measure با استفاده از توابع مهم DAX از جمله:

SUMX() and AVERAGEX()

Calculated Columns

CALCULATE() and CALCULATETABLE()

IF(), SWITCH(), and FIND()

VALUES() and HASONEVALUE()

FILTER()

RELATED() and RELATEDTABLE()

-مفاهیم Row Context، Filter Context و Context Transition  در DAX

-نحوه استفاده و تنظیمات انواع Visualها و المان‌های گرافیکی اعم از:

 

Area charts: Basic (Layered) and Stacked

Bar and column charts

Cards: Single number

Cards: Multi row

Combo charts

Doughnut charts

Funnel charts

Gauge charts

Key influencers chart

Line charts

Matrix

Tables

Treemaps

Pie charts

Ribbon chart

Scatter, Bubble, and Dot Plot charts

Slicers

Waterfall charts

-اتصال به Market Place و استفاده از انواع Custom Visualها

-نحوه‌ی ایجاد Hierarchy و استفاده از قابلیت Drill

-ارتباط (Interaction) Visualها با یکدیگر

-آشنایی با محدوده‌ی فیلترها: Visual Level, Page Level, Report Level

-انواع فیلترها:

Manual filters

Automatic filters

Drill-down filters

Cross-drill filters

Drillthrough filters

Pass-through filters

-انواع اسلایسرها (متنی، عددی و تاریخی) و تنظیمات مختلف آن‌ها، ارتباط و همگام‌سازی اسلایسرها

-کار با Bookmarkها و دکمه‌ها، تنظیم Action مربوط به دکمه‌ها با استفاده از Bookmark

-استفاده از امکان فرمت‌دهی شرطی (Conditional Formatting) در Visualها

-بارگزاری و به اشتراک‌گذاری داشبوردها و گزارشات در سرویس Cloud مایکروسافت



برگزاری هوشمندسازی کسب و کار با Microsoft Power BI در صدا و سیمای جمهوری اسلامی ایران
21 شهر 1398

برگزاری هوشمندسازی کسب و کار با Microsoft Power BI در صدا و سیمای جمهوری اسلامی ایران […]



درباره داده کاویMicrosoft Data mining بیشتر بدانید
26 ارد 1397

داده‌کاوی عبارت است از فرآیند اکتشاف الگو و روندهای منظم و پنهان در داده‌های بزرگ و توزیع شده، […]



داده کاوی Microsoft Data mining
16 ارد 1397

– آشنایی با مفاهیم داده کاوی Microsoft Data mining
– معرفی و تشریح الگوریتم های داده کاوی مایکروسافت (خوشه بندی، درخت تصمیم، رگرسیون خطی، الگوریتم بیز، الگوریتم های سری زمانی، الگوریتم شبکه عصبی، رگرسیون منطقی، الگوریتم وابستگی و …)
– معرفی ابزارهای مایکروسافت جهت پیاده سازی داده کاوی در SQL Server Analysis Services
– آشنایی با اصول زبان برنامه نویسی R
– نصب ابزار R Tools for Visual Studio
– تکنیک های انتقال و پاکسازی داده ها با زبان R
– نمایش خروجی الگوریتم ها در داشبورد Power BI



هوشمندسازی کسب و کار با Microsoft Power BI
26 فرو 1397

نرم افزار Power BI به عنوان یکی از برترین نرم افزارهای هوش تجاری (Business Intelligence) در دنیاست که توسط شرکت Microsoft طراحی شده است. براساس گزارش مرجع تخصصی Gartner در سال ۲۰۱۷، این نرم افزار در کنار نرم افزارهای هوش تجاری همچون Tableau و Qlikview قرار گرفته است. علت محبوبیت این نرم افزار در بین کاربران در دنیا، متعلق بودن این نرم افزار به شرکت Microsoft می‌باشد و قرار گرفتن این نرم افزار در کنار نرم افزارهای آفیس (مخصوصا اکسل)، راهکارهای مدیریت پروژه مایکروسافت (Microsoft Project Server)، SharePoint و بسیار دیگری از محصولات مایکروسافت می‌باشد. یکی از مهمترین مزایای این نرم افزار دامنه کاربرد نرم افزار برای کلیه افراد و کلیه رشته‌های کاری و کلیه سطوح سازمانی است. که بدلیل راحتی کار برای کاربران، شرکتها و سازمان‌ها به سرعت به سمت این راهکار پیش رفته‌اند.

 

-واکشی (Extract) داده‌ها و کوئری به منابع مختلف داده‌ها  اعم از دیتابیس SQL Server، ACCESS ، Analysis Services، انواع Flat File اعم از Excel, CSV,JSON و …

-پاکسازی و تبدیل (Transform) داده‌ها و بخش‌های مختلف Query Editor

Split Column

ابزار Column From Example

ابزار Replace Values

ابزار Merge Columns

Row Operations; Removing rows, keeping rows

Index Column: Row Number

Conditional Column

ابزار Un-Pivot Columns

امکان Fill Down و Fill Up

-Right Outer Join

-Full Outer Join

-Inner Join

-Left Anti Join

-Right Anti Join

-معرفی مدلسازی معنایی داده‌ها

-مدل جدولی(Tabular Model) و چندبعدی(Multidimensional Model)

-انواع جداول در مدلسازی (Fact, Dimension and Bridge Tables)

-انواع ارتباط (Relationships): یک-به-یک، یک-به-چند و چند-به-چند

-شمای ستاره‌ای (Star Schema)

-شمای برف‌دانه‌ای (Snowflake schema)

-انواع داده‌ها(Data Types) ، عملگرها(Operators)

-ستون‌های محاسبه‌شدنی(Calculated columns) و سنجه(Measure)

-انواع Measureها: Explicit و Implicit و معایب استفاده از نوع Implicit

-تعریف Measure با استفاده از توابع مهم DAX از جمله:

SUMX() and AVERAGEX()

Calculated Columns

CALCULATE() and CALCULATETABLE()

IF(), SWITCH(), and FIND()

VALUES() and HASONEVALUE()

FILTER()

RELATED() and RELATEDTABLE()

-مفاهیم Row Context، Filter Context و Context Transition  در DAX

-نحوه استفاده و تنظیمات انواع Visualها و المان‌های گرافیکی اعم از:

  • Area charts: Basic (Layered) and Stacked
  • Bar and column charts
  • Cards: Single number
  • Cards: Multi row
  • Combo charts
  • Doughnut charts
  • Funnel charts
  • Gauge charts
  • Key influencers chart
  • Line charts
  • Matrix
  • Tables
  • Treemaps
  • Pie charts
  • Ribbon chart
  • Scatter, Bubble, and Dot Plot charts
  • Slicers
  • Waterfall charts

-اتصال به Market Place و استفاده از انواع Custom Visualها

-نحوه‌ی ایجاد Hierarchy و استفاده از قابلیت Drill

-ارتباط (Interaction) Visualها با یکدیگر

-آشنایی با محدوده‌ی فیلترها: Visual Level, Page Level, Report Level

-انواع فیلترها:

  • Manual filters
  • Automatic filters
  • Drill-down filters
  • Cross-drill filters
  • Drillthrough filters
  • Pass-through filters

-انواع اسلایسرها (متنی، عددی و تاریخی) و تنظیمات مختلف آن‌ها، ارتباط و همگام‌سازی اسلایسرها

-کار با Bookmarkها و دکمه‌ها، تنظیم Action مربوط به دکمه‌ها با استفاده از Bookmark

-استفاده از امکان فرمت‌دهی شرطی (Conditional Formatting) در Visualها

-بارگزاری و به اشتراک‌گذاری داشبوردها و گزارشات در سرویس Cloud مایکروسافت



دوره هوشمندسازی کسب و کار با نرم افزار Microsoft Power BI برگزار می شود
6 دی 1396

مرکز آموزش‌های تخصصی کاربردی جهاد دانشگاهی صنعتی شریف، دوره هوشمندسازی کسب و کار با نرم افزار  Microsoft Power BI را ارائه می نماید. […]



کاربرد Power BI در مدیریت و کنترل پروژه
5 آذر 1399

– خوانش و جمع‌آوری داده‌های موجود در Microsoft Project و Primavera P6 و بارگزاری آنها در Power BI

      -اتصال به دیتابیس P6 در حالت SQLite

      -اتصال به دیتابیس P6 در حالت SQL SERVER

-واکشی (Extract) داده‌ها و کوئری به منابع مختلف داده‌ها  اعم از دیتابیس SQL Server، ACCESS ، Analysis Services، انواع Flat File اعم از Excel, CSV,JSON و …

-پاکسازی و تبدیل (Transform) داده‌ها با ابزار Power Query و آشنایی با امکانات مختلف Power Query

معرفی مدلسازی معنایی داده‌ها و برقراری ارتباط بین جدول فعالیت‌های پروژه با جدول WBS

شرح انواع ارتباطات بین جداول (یک به یک، یک به چند و چند به چند)

برقراری ارتباط بین جداول فاز مهندسی، خرید و اجرا در پروژه‌های EPC

معرفی زبان DAX

توابع پرکاربرد DAX در حوزه کنترل پروژه

محاسبه پیشرفت فعالیت‌ها در فازهای مهندسی، خرید و اجرا با استفاده از زبان DAX

محاسبه پیشرفت پروژه و سطوح مختلف WBS با توجه به اوزان فعالیت‌ها با استفاده از زبان DAX

کاربرد زبان DAX در تهیه گزارشات روزانه و هفتگی پروژه اعم از آمار وضعیت کارگاه، مواد و مصالح مصرفی، نیروی انسانی و …

محاسبات مربوط به مدیریت ارزش کسب شده (EVM) با زبان DAX

ترسیم S-Curve و موزی گزارشات

مقایسه پیشرفت برنامه‌ای و واقعی با انواع نمودارهای جذاب Power BI

ایجاد Gantt chart در گزارشات

نمایش پیشرفت پروژه و سطوح مختلف WBS با استفاده از انواع المان‌های زیبای گرافیکی

استفاده از انواع نمودارهای جذاب عقربه‌ای در گزارشات

ایجاد هیستوگرام منابع انسانی پروژه

 بارگزاری و به اشتراک‌گذاری داشبوردها و گزارشات در سرویس Cloud مایکروسافت

 نحوه به اشتراک گذاری گزارشات با استفاده Power BI Report Server



دوره های آنلاین
1 ارد 1399

برنامه نویسی با پایتون

🕑 ۲۴ ساعت
۵۴۰,۰۰۰ هزار تومان
◄ جزییات

هوشمند سازی کسب و کار با Microsoft Power BI

🕑 ۳۲ ساعت
۹۵۰,۰۰۰ هزار تومان
◄ جزییات

دوره تخصصی فشرده آمادگی آزمون MSRT-EPT

🕑 ۲۰ ساعت
۴۹۰,۰۰۰ هزار تومان
◄ جزییات

آشنایی با استاندارد ICB4 و اخذ گواهینامه IPMA-D

🕑 ۲۴ ساعت
۹۰۰,۰۰۰ تومان
◄ جزییات

داده کاوی با پایتون

🕑 ۲۰ ساعت
۵۷۰,۰۰۰ هزار تومان
◄ جزییات

SQL Server

🕑 ۲۴ ساعت
۴۵۰,۰۰۰ هزار تومان
◄ جزییات

برنامه ریزی و کنترل پروژه با نرم افزار MSP

🕑 ۱۶ ساعت
۳۵۰,۰۰۰ هزار تومان
◄ جزییات

تربیت کارشناس Excel

🕑 ۳۶ ساعت
۳۹۰,۰۰۰ هزار تومان
◄ جزییات

بلاکچین و ارزهای دیجیتال

🕑 ۱۲ ساعت
۴۵۰,۰۰۰ هزار تومان
◄ جزییات

تربیت کارشناس روشنایی و نورپردازی با نرم افزار DIALUX

🕑 ۱۶ ساعت
۶۹۵,۰۰۰ تومان
◄ جزییات

اظهارنامه مالیاتی

🕑 ۷ ساعت
۱۰۰,۰۰۰ هزار تومان
◄ جزییات

دوره مقدماتی نرم افزار دیگسایلنت DIGSILENT

🕑 ۱۶ ساعت
۸۹۵,۰۰۰ تومان
◄ جزییات

متره و برآورد سازه های بتن آرمه با EXCEL

🕑 ۳۰ ساعت
۳۵۰,۰۰۰ تومان
◄ جزییات

رسیدگی به پرونده های مالیاتی

🕑 ۳ ساعت
۵۰ هزار تومان
◄ جزییات



Text Mining with Python
27 دی 1397

بنا به اصلاحات انجام شده و کاربردی تر کردن دوره های مربوط به حوزه علم داده این دوره با تغییر سرفصل های آموزشی در قالب دوره ای جدید ارائه می گردد برای اطلاع از دوره های جدید به لینک زیر مراجعه کنید.

دانشمند داده Data Scientist

 

متن کاوی به دنبال استخراج اطلاعات مفید از داده‌های متنی غیر ساخت‌یافته از طریق تشخیص و نمایش الگوها است یا به‌عبارت‌دیگر متن کاوی روشی برای استخراج دانش از متون است. متن کاوی کشف اطلاعات جدید و از پیش ناشناخته، به‌وسیله استخراج خودکار اطلاعات از منابع مختلف نوشتاری است.

متن کاوی مشابه داده‌کاوی است، اما ابزارهای داده‌کاوی طراحی‌شده‌اند تا داده‌های ساخت‌یافته از پایگاه داده را به کار ببرند. می‌توان گفت، متن‌کاوی راه‌حل بهتری برای شرکت‌ها است. پس تفاوت متن‌ کاوی و داده‌کاوی این است که داده‌کاوی بر روی‌داده‌های ساخت‌یافته پایگاه داده کار می‌کند و متن‌ کاوی، بر روی‌داده‌های غیر ساخت‌یافته و نیم ساخت‌یافته مانند Email  و مستندات تمام متنی کار می‌کند. در متن‌کاوی  سعی می‌گردد از همان فن‌های داده‌کاوی استفاده گردد. برای این منظور به فنّاوری‌هایی دیگری مانند پردازش زبان طبیعی، یادگیری ماشین و … نیاز است تا به‌صورت اتوماتیک آمارهایی را جمع‌آوری نموده و ساختار و معنای مناسبی از متن استخراج گردد. در این موارد، دیدگاه عمومی استخراج ویژگی‌های کلیدی از متن است. ویژگی‌های استخراج‌شده به‌عنوان داده برای تحلیل استفاده می‌گردد.

 

دوره آموزشی متن کاوی text mining با سرفصل های آموزشی ذیل برگزار می شود:

-مقدمه‌ای بر متن‌ کاوی text mining
-آشنایی با کتابخانه nltk
-پیش‌پردازش متن
-مقدمه‌ای بر عبارات منظم
-ساخت بردار ویژگی‌ها با استفاده از کلمات
-رده‌بندی و خوشه‌بندی متن‌ها
-تحلیل احساسات
-متن‌کاوی فارسی
-تعبیه‌سازی کلمات و کاربرد یادگیری عمیق( deep learning) در متن‌ کاوی

 

 



Practical Big Data Analytics
25 آذر 1397

بنا به اصلاحات انجام شده و کاربردی تر کردن دوره های مربوط به حوزه علم داده این دوره با تغییر سرفصل های آموزشی در قالب دوره ای جدید ارائه می گردد برای اطلاع از دوره های جدید به لینک زیر مراجعه کنید.

دوره مهندس داده Data Engineer

Introduction to Big Data

What is Big Data-

Big Data opportunities, Challenges-

Characteristics of Big Data-

Introduction to Hadoop

Hadoop Distributed File System-

Comparing Hadoop & SQL-

Data Locality-

Hadoop Architecture-

Map Reduce & HDFS-

(Hadoop Distributed File System (HDFS

HDFS Design & Concepts-

Blocks, Name nodes and Data nodes-

HDFS High-Availability and HDFS Federation-

Hadoop DFS The Command-Line Interface-

Basic File System Operations-

Anatomy of File Read, File Write-

Metadata, FS image, Edit log, Secondary Name Node and Safe Mode-

(How to add New Data Node dynamically, decommission a Data Node dynamically (Without stopping cluster-

How to override default configuration at system level and Programming level-

Map Reduce

Map Reduce Functional Programming Basics-

Map and Reduce Basics-

How Map Reduce Works-

Anatomy of a Map Reduce Job Run-

Shuffling and Sorting-

Splits, Record reader, Partition, Types of partitions & Combiner-

(Distributed Cache and Hadoop Streaming (Python, Ruby and R

Apache YARN-

Sequential Files and Map Files-

Map side Join with distributed Cache-

Map Reduce Programming – Java Programming

Hands on “Word Count” in Map Reduce in standalone and Pseudo Distribution Mode-

Write some Map Reduce programs to solve some real world problems-

Apache HIVE Installation

Installing Hive-

Configuring Hive-

Configuring Metastore of Hive-

Verifying Hive Installation-

Database Operations-

Create Database Statement-

Drop Database Statement-

Table Operations

Create Table Statement-

Load Data Statement-

Alter Table Statement-

Change Statement-

Add Columns Statement-

Replace Statement-

Drop Table Statement-

Apache Spark Basics

? What is Apache Spark-

 Spark Installation-

 Spark Configuration-

 Spark Context-

 Using Spark Shell-

 Resilient Distributed Datasets (RDDs) – Features, Partitions, Tuning Parallelism-

 Functional Programming with Spark-

Working with RDDs

 RDD Operations – Transformations and Actions-

 Types of RDDs-

 Key-Value Pair RDDs – Transformations and Actions-

 MapReduce and Pair RDD Operations-

 Serialization-

Spark on a cluster

Overview-

A Spark Standalone Cluster-

The Spark Standalone Web UI-

Executors & Cluster Manager-

Spark on YARN Framework-



آنچه در همایش هوش تجاری در کسب و کار و جایگاه آن در ایران گذشت…
20 آذر 1397

مرکز آموزش های تخصصی کاربردی جهاد دانشگاهی صنعتی شریف در تاریخ ۳۰ آبان ماه همایش«هوش تجاری در کسب و کار و جایگاه آن در ایران»را با حضور جمعی از معاونان این سازمان،اساتید،کارشناسان حوزه علم داده و جمعی از علاقه مندان به این حوزه نوین برگزار کرد. […]



علم داده
11 شهر 1397

ما در جهاد دانشگاهی صنعتی شریف برای شما عزیزانی که علاقه مند ورود به حوزه علم داده(data science)هستید و می خواهید توانمندی هایتان را در این مباحث گسترش دهید مجموعه ای از افراد خبره این حوزه را دورهم جمع کردیم و برای کسانی که می خواهند در این حوزه وارد شوند یک دوره مسیر یابی شغلی را بر اساس مباحث روز در نظر گرفته ایم که در این دوره شما با عمده مباحث مطرح شده به خوبی آشنا می شوید و بعد از آن می توانید به راحتی مسیر شغلی خود رادر حوزه علوم داده انتخاب کنید همینطور در کنار آن نقشه راه و همچنین تک دوره هایی را به صورت جداگانه تدارک دیدیم که در هر کدام از آن ها با عمق بیشتری به مباحث ذکر شده پرداخته میشود و آن ها را تکمیل می کند.

اگر می خواهید وارد این حوزه دانشی شوید و یا با برنامه نویسی آشنا هستید اما مسیر آموزشی و کاری که می خواهید را نمی شناسید دوره علم داده به شما راه را نشان خواهد داد.

سرفصل های دوره:

Data Science in practice

Data Engineering in practice

Introduction to Data

-Exploratory Data Analysis Concept
-R for Data Engineering
-SQL Design & Querying
-R for DataScience -Python for Data Engineering

Data Analysis in practice

-Python for DataScience

Big Data

-Microsoft Power BI

EDA

-QlikView
data science



تربیت متخصص علم داده Data Science
26 تیر 1397

با علم داده data science شروع به سفر علمی داده های خود کنید، در این دوره آموزشی یاد می گیرید چه چیز باعث تبدیل شدن شما  به یک دانشمند داده data scientist می شود. یاد بگیرید که از داده های مختلفی از تجسم، تحلیلی و تکنیک های آماری استفاده کنید.
کارشناسان علم داده می‌توانند مهارت‌هایشان را برای دست یابی به طیف وسیعی از نتایج نهایی به کار گیرند. تعدادی از این مهارت ها به شرح ذیل هستند:
  • توانایی استخراج و تفسیر منابع داده
  • مدیریت حجم زیاد اطلاعات با سخت‌افزار
  • محدودیت‌های نرم‌افزاری و پهنای باند
  • ادغام منابع داده با یک دیگر
  • تضمین پایداری مجموعه‌های داده
  • مصورسازی داده برای فهم آن
  • ساخت مدل‌های ریاضی با استفاده از داده، مانند مدلهای ریگرسیون و طبقه بندی
  • مقایسه آماری مدلهای ریاضی گوناگون و انتخاب مدل برتر، فی المثل توسط آزمون آ/ب
  • به اشتراک گذاری یافته‌ها و دیدگاه‌ها در حوزه داده با متخصصان دیگر یا مخاطب عام
مباحثی که در این دوره آموزشی، به فراگیران آموزش داده می شود طبق سرفصل های عنوان شده توسط مایکروسافت برای کارشناسان علم داده می باشد که به تفصیل در ذیل آورده شده :

Introduction to Data Science

Analyzing and Visualizing Data

Analyzing and Visualizing Data with Power BI
        Analyzing and Visualizing Data with Qlik sense-
            Analyzing and Visualizing Data with tableau-

   Query Relational Data

Querying Data with Transact-SQL-

Explore Data with Code

Introduction to R for Data Science-
Introduction to Python for Data Science-

Plan and Conduct Data Studies

Data Science Research Methods: R Edition-
Data Science Research Methods: Python Edition-

Build Machine Learning Models

Principles of Machine Learning: R Edition-
 Principles of Machine Learning: Python Edition-

Build Predictive Solutions at Scale

Analyzing Big Data with Microsoft R-

Final project

 اساتید دوره آموزشی تربیت کارشناس علم داده



logo