دوره Python For Data Engineering طراحی شده تا شما را برای ورود به دنیای دادهها آماده کند. در این دوره، مهارتهای کلیدی برنامهنویسی پایتون را یاد میگیرید که به شما امکان میدهد دادههای حجیم را بهینهسازی کنید، الگوهای پنهان در دادهها را کشف کنید و راهحلهای عملی برای مشکلات پیچیده طراحی کنید.این دوره به شما نشان میدهد چگونه دادهها را از منابع مختلف دریافت، پاکسازی و آمادهسازی کنید و آنها را به اطلاعات ارزشمند تبدیل کنید. تسلط بر پایتون بهعنوان یکی از ابزارهای اصلی مهندسی داده، شما را قادر میسازد تا در پروژههای دادهمحور نقش کلیدی داشته باشید و در بازار کار رقابتی امروز یک قدم جلوتر باشید. اگر میخواهید در حوزه دادهها متخصص شوید، این دوره یک انتخاب ضروری است.
پارت اول
-1
Introduction Data Engineering and Python
Data Engineering Definition
Data Engineer Roles and Responsibilities
Data Engineering Lifecycle
-2
Python Fundamentals
Data Types and Variables
Operators
Control Flow
Condition
Modular programming
Functions
-3
Algorithm and Data Structures
Time Complexity
Space Complexity
Data Structures (Array, Stack,..)
Sort Algorithm
Search Algorithm
-4
Working with Data Sources
File Handling
API
Web Scraping
-5
Programming Concepts
Number Systems
Encoding and Text
Reading and Writing to Files
Memory and Disk usage
پارت دوم
-6
Object Oriented Programming
OOP Principles
Abstraction
Encapsulation
Inheritance
Polymorphism
Dunder Methods
Class Relationships
OOP Design Patterns
Object-Oriented Design Principles
SOLID principles
DRY (Don't Repeat Yourself)
KISS (Keep It Simple, Stupid)
YAGNI (You Aren't Gonna Need It)
Separation of Concerns (SoC)
Composition Over Inheritance
-7
Exploratory Data Analysis (EDA)
Introduction to data analysis
Pandas
NumPy
Matplotlib, Seaborn
-8
Working With Databases
Introduction to SQL and relational databases
SQL basics (SELECT, FROM, WHERE, JOIN)
Creating and managing databases, tables, and indexes
CRUD operations (Create, Read, Update, Delete)
Connecting to databases
Executing SQL queries
Fetching and manipulating data with SQL
Using SQLAlchemy for database interaction
Working with NoSQL Databases
Understanding NoSQL databases (e.g., MongoDB, Redis)
Connecting to NoSQL databases
Querying and manipulating data in NoSQL databases
Handling document-based and key-value data models
-9
Handling Large Data Sets
Data engineering design patterns
-10
Data Pipelines
Introduction to Data Pipelines
Components of a Data Pipeline
ETL Processes (Extract, Transform, Load)
Designing and Architecting Data Pipelines
Implementing Data Ingestion, Transformation, and Loading (ETL)
Advanced Topics and Best Practices
Project and Hands-On Practice
-11
Final Project
دیدگاه خود را بنویسید