Data Warehouses 101: Το επόμενο βήμα στην ανάλυση
⚠️ Για να εγγραφτείτε στο μάθημα θα πρέπει να είστε συνδεδεμένοι. Επιλέξτε το κουμπί Σύνδεση για σύνδεση σε υπάρχοντα λογαριασμό ή για δημιουργία λογαριασμού.
-
LevelΕιδικός
-
Duration2 ώρες
-
Last Updated26/12/2024
-
CertificateCertificate of completion
🤝 100% επιστροφή χρημάτων εντός 7 ημερών αν δεν είστε ικανοποιημένοι.
Χαρακτηριστικά του μαθήματος
Καθοδήγηση Επαγγελματία
Forum Συζητήσεων
Πιστοποίηση
Εργασιακή Υποστήριξη
Περιγραφή
Τι θα μάθω;
- Γνωριμία με την έννοια των OLTP και OLAP και τις διαφορές μεταξύ τους
- Πρακτική κατανόηση της χρησιμότητας ενός Data Warehouse σε σύγκριση με μια σχεσιακή βάση δεδομένων
- Εξ' ολοκλήρου επεξήγηση της Αρχιτεκτονικής ενός Data Warehouse
- Κατανόηση του Multidimensional Modeling
- Διάκριση μεταξύ Start και Snowflake Schema
- Πρακτική αναγνώριση και κατανόηση των διαφόρων τύπων Fact και Dimension Tables
- Χρήση της SQL μέσω του Microsoft SQL Server για την εξ' ολοκλήρου δημιουργία ενός Data Warehouse
Curriculum
Καλωσόρισμα
Σημαντικές πληροφορίες σχετικά με το μάθημα.
-
Εισαγωγή του Μαθήματος
-
Γνωριμία με την καθοδηγήτρια
-
Τεχνικές Απαιτήσεις
-
Προτεινόμενο Εβδομαδιαίο Πλάνο
-
Κανόνες Κοινότητας
-
Αποδοχή Συμφωνίας
-
Ενεργοποίηση Cookies Εμπορικής Προώθησης
-
Τελευταία λόγια και… ξεκινάμε!
-
Αρχική Αξιολόγηση Γνώσεων
Εισαγωγή
Σε αυτό το μάθημα θα συζητηθούν βασικές ορολογίες.
-
Data Fundamentals
02:03 -
Structured Data
02:43 -
Unstructured Data
01:42 -
Types of Keys
04:02 -
Why Business Intelligence?
-
OLTP vs OLAP
02:01 -
AI Prompt: Summary
-
Activity: Προσδιορισμός Primary & Foreign Keys
-
Κουίζ Ενότητας: Εισαγωγή
Data Warehouse Fundamentals
Σε αυτό το μάθημα θα ασχοληθούμε με βασικά στοιχεία που πρέπει να γνωρίζουμε σχετικά με τα Data Warehouses.
-
What is a Data Warehouse?
01:08 -
Data Warehouse: 4 Pillars
-
Data Warehouse Advantages/Disadvantages
01:53 -
Data Mart
-
Activity: Data Mart πριν ή μετά;
-
Data Warehouse Architecture
08:12 -
Basic Processes of the Data Warehouse
05:13 -
Applications
-
AI Prompt: Summary
-
Κουίζ Ενότητας: Data Warehouse Fundamentals
Dimensional Modeling
Σε αυτήν την ενότητα θα συζητηθούν βασικές αρχές και τεχνικές του Dimensonal Modeling.
-
Normalization/Denormalization
03:07 -
Activity: Normalization ενός πίνακα
-
Normalization ενός πίνακα
-
Dimensional Model
02:44 -
Dimension Table
01:19 -
Fact Table
01:17 -
Activity: Προσδιορισμός Fact & Dimension Πινάκων
-
Κουίζ Activity: Προσδιορισμός Fact & Dimension Πινάκων
-
Types of Schemas
01:06 -
Star Schema
01:28 -
Snowflake Schema
01:24 -
Activity: Εύρεση του σωστού schema type
-
Bus Matrix
01:15 -
AI Prompt: Summary
-
Κουίζ Ενότητας: Dimensional Modeling
Basic and Advanced Techniques in Dimensional Modeling
Σε αυτήν την ενότητα θα βρείτε βασικές και πιο προχωρημένες τεχνικές δημιουργίας Fact και Dimension πινάκων.
-
Additive, semi-additive, non-additive Fact
01:43 -
Transaction and Periodic Snapshot Fact
02:58 -
Accumulating Snapshot and Factless Fact
03:56 -
Consolidated Fact
01:15 -
Advanced: Numeric Values as attributes or Facts
01:49 -
Advanced: Lag/Duration Facts
01:24 -
Advanced: Multiple Currencies
00:40 -
Activity: Αναγνώριση τύπου Fact
-
Quiz Activity: Αναγνώριση τύπου Fact
-
Conformed Dimension
00:56 -
Junk Dimension
01:24 -
Degenerate Dimension
01:29 -
Slowly-changing Dimension
03:20 -
Role-playing Dimension
00:43 -
Outrigger Dimension
01:04 -
Shrunken Dimension
01:36 -
Advanced: Bridge Tables
01:07 -
Advanced: Text comments Dimension
00:34 -
Activity: Αναγνώριση τύπου Dimension
-
Quiz Activity: Αναγνώριση τύπου Dimension
-
AI Prompt: Summary
-
Κουίζ Ενότητας: Basic and Advanced Techniques in Dimensional Modeling
Real-World Use Case
Σε αυτή την ενότητα θα μελετήσουμε ένα ολοκληρωμένο use case το οποίο συναντάται και στην πραγματικότητα.
-
Use Case Introduction
-
Εγκατάσταση του SQL Server Management Studio
08:58 -
Δημιουργία Βάσης Δεδομένων και Εισαγωγή Δεδομένων
07:24 -
Δημιουργία Fact και Dimension Πινάκων
05:23 -
Συγγραφή και Εκτέλεση της Stored Procedure
07:26 -
Συμπέρασμα
Τελικό Project
Σε αυτή την ενότητα θα συζητηθεί εκτενώς ποιο είναι το τελικό project, ποιος είναι ο στόχος του, τι αναμένω ως καθοδηγήτρια από εσάς σχετικά με το τελικό project, πώς αναμένετε να είναι η συνεργασία μας και διάφορες οδηγίες επιτυχίας του project.
-
SQL Server Management Studio (SSMS)
-
Δεδομένα
-
Περιγραφή Project
-
Τελικό Παραδοτέο
-
Hint: SELECT INTO vs INSERT INTO
02:23 -
Υποβολή Εργασίας
-
Upload Project στο GitHub Repository
Επιπλέον Πηγές και Αξιολόγηση
Εδώ θα βρείτε διάφορα Cheatsheets, Youtube Videos, Άρθρα και e-books τα οποία μπορούν να σας βοηθήσουν στην επέκταση γνώσεων επί του θέματος του μαθήματος. Επίσης, θα αξιολογήσετε το μάθημα.
-
Σύνδεσμοι
-
Βιβλίο
-
Διαφάνειες
-
Κάντε Join την κοινότητά μας!
-
Αξιολόγηση
00:00
Λάβε Πιστοποίηση
Βάλε αυτήν την πιστοποίηση στο βιογραφικό σου για να αναδείξεις τις δεξιότητές σου στους Recruiters!
Αξιολογήσεις και Κριτικές Μαθητών
-
LevelΕιδικός
-
Duration2 ώρες
-
Last Updated26/12/2024
-
CertificateCertificate of completion
🤝 100% επιστροφή χρημάτων εντός 7 ημερών αν δεν είστε ικανοποιημένοι.
Η Καθοδηγήτρια
Κοινό
- Data Engineers που ξεκινούν την καριέρα τους.
- Data Architects που ξεκινούν την καριέρα τους και θέλουν να λάνουν την θεμελιώδη γνώση χτισίματος ενός Data Warehouse.
- Database Developers που θέλουν να εμπλουτίσουν τις γνώσεις τους.
- Business Intelligence Developers που χρειάζεται να ασχολούνται και με κομμάτια Data Warehousing.
- Ανερχόμενοι Data Analysts.
- Επαγγελματίες που έχουν γνώσεις Βάσεων Δεδομένων και θέλουν να εξελίξουν την καθημερινότητά τους δημιουργώντας μια υποδομή που είναι κατάλληλη για σκοπούς ανάλυσης.
Υλικό
- Καθοδηγητικά Videos
- Διαφάνειες
- Πρακτικές ασκήσεις με τις λύσεις τους
- Σύντομα knowledge-check quizzes
- AI Prompts
- Cheasheet(s)
- Μια άλυτη, προαιρετική, εργασία (project) προς επίλυση για το portfolio η οποία αποτελεί βασική λύση για μαθήματα του Microsoft Power BI
Απαιτήσεις
- Καλή γνώση της SQL (Ενδεικτικά, να έχετε το μάθημα Advanced SQL)
- Εγκατάσταση του Microsoft SQL Server/Azure Data Studio
- Computer RAM περισσότερο από 8 GB
- Έχετε ενεργοποιημένα τα Cookies Προώθησης
Αξιολογήσεις Μαθητών
Συχνές Ερωτήσεις
Τίτλοι σπουδών όπως:
- Μαθηματικά,
- Στατιστική,
- Διοίκηση Επιχειρήσεων,
- Οικονομικά,
- ή Πληροφορική.
Ωστόσο, οι παραπάνω περιπτώσεις δεν χρειάζεται να σε περιορίσουν ώστε να αλλάξεις το αντικείμενο καριέρας σου και να ακολουθήσεις καριέρα στα Data Analytics.
Όπως σε κάθε επάγγελμα, χρειάζεται να αποκτήσεις πολλαπλές δεξιότητες. Έτσι, και οι ρόλοι που σχετίζονται με Data Analytics χρειάζονται αρκετές δεξιότητες τις οποίες όμως θα βρεις επαρκές υλικό και εξάσκηση στην Data Tutor μέσω των μαθημάτων, αλλά και των εκπαιδευτικών υπηρεσιών καθοδήγησης και προετοιμασίας!
Η Εκπαιδευτική Πλατφόρμα Data Tutor διαθέτει πληθώρα διαφορών σε σχέση με άλλες εκπαιδευτικές πλατφόρμες. Ενδεικτικά:
- Επαγγελματίας του χώρου σας καθοδηγεί σε project με πραγματικά δεδομένα και πραγματικές περιπτώσεις που δύναται να αντιμετωπίσετε στην πραγματική δουλειά.
- Η καθοδήγηση δεν περιορίζεται μόνο σε project, αλλά και σε γενικότερες γνώσεις που μπορείτε να πάρετε μέσω 1:1 συναντήσεις.
- Συναντήσεις mentoring/coaching είναι διαθέσιμες για εσάς προκειμένου να θέσετε ένα πλάνο από το Α-Ω.
- Μετά την ολοκλήρωση των projects και της μελέτης δεν ήρθε το τέλος. Το παλεύουμε μαζί να είστε πανέτοιμοι για συνεντεύξεις.
- Το υλικό των μαθημάτων είναι στα Αγγλικά, αλλά τα βίντεο, οι ασκήσεις και το Project στα Ελληνικά.
Ναι, τα μαθήματα κορμού που περιλαμβάνονται σε εκπαιδευτικά πακέτα έχουν όλα από ένα (1) Project.
Στην καθοδήγηση των μαθημάτων η καθοδηγήτρια έρχεται σε επικοινωνία μαζί σου για να σου προσφέρει βελτίωση του τελικού σου project. Στην εκπαιδευτική καθοδήγηση λαμβάνεις online 1:1 καθοδήγηση πάνω σε γνώσεις και ύλη των μαθημάτων που προσφέρονται πάντοτε με βάση τις προσωπικές σου ανάγκες. Οι συναντήσεις αυτές είναι προγραμματισμένες εκ των προτέρων ύστερα από συνεννόηση με την καθοδηγήτρια. Τέλος, η εκπαιδευτική καθοδήγηση προσφέρει σύνολο 3 ώρες και το πλήθος των ωρών δεν είναι καθόλου τυχαίο. Μέσα από την εμπειρία της καθοδηγήτριας, 3 – 4 ώρες χρειάζονται σε συνδυασμό με την μελέτη και την προσωπική εξάσκηση για να βοηθηθείς στην επίλυση των αποριών σου.
Μερικοί από τους λόγους για τους οποίους θα προτιμούσε κανείς εκπαιδευτική καθοδήγηση είναι οι παρακάτω:
- Για να καλύψουμε όλες αυτές τις ερωτήσεις και απορίες που δεν μπορέσαμε να κάνουμε διότι προέκυψαν στην πορεία
- Για να εκπαιδευτούμε σε εργαλεία που δεν προσφέρονται μέσα από ήδη υπάρχοντα προγράμματα σπουδών
- Για να μάθουμε λεπτομέρειες σε τεχνολογίες και εργαλεία που δεν μπορέσαμε να βρούμε μέσα από τα διαθέσιμα προγράμματα σπουδών
- Γιατί θέλουμε σε σύντομο χρονικό διάστημα, να ανανεώσουμε κάποιες γνώσεις μας ώστε να ψάξουμε για εργασία
- κ.ά.
Αν ταυτίζεσαι με την πλειονότητα των παραπάνω, τότε η εκπαιδευτική καθοδήγηση είναι αυτή την στιγμή αυτό που χρειάζεσαι.
Η φράση “Γίνε και εσύ Data Analyst σε 30 ημέρες…” είναι μια απάτη. Για να μπορέσει κανείς να γίνει επαγγελματίας σε ένα πεδίο χρειάζεται χρόνο να μελετήσει, συνεχή εξάσκηση, επιπλέον πρακτική, και διαρκή “περιέργεια” το πώς δουλεύει το κάθε τι. Το συγκεκριμένο εκπαιδευτικό πακέτο με το πλήθος των μαθημάτων και ακολουθώντας το εβδομαδιαίο πλάνο μελέτης, απαιτεί τουλάχιστον 8 μήνες.