MIDOONY Logo

نتیجه جستجوی عبارت «اطلاعات» : تعداد (42) مورد یافت شد.

دریاچه داده و انبار داده - تعاریف، معماری، ویژگی ها Data Lake and Data Warehouse

دریاچه_داده (Data Lake) و انبار داده (Data Warehouse ) دو نوع معماری ذخیره داده با ویژگی ها و توانایی های متمایز هستند. انتخاب هر کدام به نحوه استفاده از داده و اهداف سازمان بستگی دارد. اما آنها در یک چیز مشترک هستند، هر دو، داده ها را ذخیره می کنند، ولی نحوه مدیریت داده آنها کاملاً متفاوت است.

1400/09/23

5 کتابخانه ضروری علم داده برای پایتون Python

پایتون یک زبان برنامه نویسی همه منظوره و چند وجهی است که با استفاده از نگارش ساده، کتابخانه های خاص و کارکرد های تحلیلی، مورد رضایت افراد می باشد. اکثر کتابخانه های پایتون برای تحلیل دقیق، مصورسازی، محاسبات عددی و حتی یادگیری ماشین مفید هستند.

1400/09/15

شرح اجمالی انواع روش های یادگیری ماشین (Supervised and Unsupervised Machine Learning)

یادگیری با نظارت و بی نظارت دو روش یادگیری ماشین هستند که در سناریوها و مجموعه داده های مختلف استفاده می شوند. 

1400/09/11

معرفی سیستم عامل اندروید - تاریخچه، مشخصات و معماری Android OS

اَندروید (Android) یک سیستم ‌عامل موبایل است که توسعه آن با گوگل می باشد. اندروید بر پایه نسخه اصلاح ‌شده‌ای از هسته لینوکس و دیگر نرم‌افزارهای متن ‌باز طراحی شده و نخست در دستگاه‌های تلفن  همراه لمسی مانند تلفن هوشمند و تبلت استفاده شد، اما به ‌تازگی گوگل  Android TV را  برای تلویزیون وAndroid Auto  را برای خودرو و Wear OS را  برای پوشیدنی‌ها (مانند ساعت هوشمند) توسعه داده ‌است.

1400/09/05

10 راهکار برای جلوگیری از کمبود مهارت های فناوری اطلاعات

مدیران ارشد فناوری اطلاعات اگر می خواهند استعدادهای لازم جهت پروژه های تحول دیجیتال خود را جذب نمایند، باید استراتژی های جذب و حفظ نیروی ماهر کارآمدی داشته باشند.

1400/09/02

معرفی سیستم های OLTP و OLAP، مشخصات، مزایا و تفاوت ها

OLTP و OLAP دو اصطلاح شبیه به هم هستند اما به انواع مختلفی از سیستم ها اشاره می کنند. پردازش تراکنش آنلاین (OLTP) داده‌های تراکنش‌ها را در زمان واقعی جمع‌آوری، ذخیره و پردازش می‌کند. پردازش تحلیلی آنلاین (OLAP) از پرس و جوهای پیچیده برای تحلیل تاریخچه داده های جمع آوری شده از سیستم های OLTP استفاده می کند.

1400/09/01

مدل سازی ابعادی (بخش سوم - Schemaها) Dimensional Modeling

سه نوع schema برای ساخت مدل ابعادی وجود دارد: شمای ستاره ای (star schema)، شمای دانه برفی (snowflake schema) و شمای چند بعدی (multidimensional schema). برای انتخاب شمای مناسب هنگام ساخت مدل ابعادی، سوالات زیر را مد نظر قرار می دهند: • چه نوع تحلیلی برای داده ها لازم است؟  • نیازها و محدودیت های تحلیلی کدامند؟ • داده های مد نظر برای پرس و جو و تحلیل، چقدر سازگاری دارند؟ • ابزار BI مورد استفاده کدام است؟

1400/08/19

مدل سازی ابعادی (بخش دوم - dimensionها) Dimensional Modeling

بعد (dimension) موجودیتی است که موضوعات کسب و کاری را برای سنجه های (factهای) مورد استفاد سازمان وضع می نماید. ابعاد (dimensions) سوالات چه کسی، چه چیزی، کجا و چرای مدل ابعادی را پاسخ می دهند و ویژگی های مشابه در یک دسته بندی یا ناحیه موضوعی را مشخص می کنند. نمونه هایی از ابعاد عبارتند از محصول، جغرافیا، مشتریان، کارمندان و زمان.

1400/08/17

مدل سازی ابعادی (بخش اول - نمای کلی و factها) Dimensional Modeling

مدل سازی ابعادی (dimensional) هم مانند مدل سازی ER، روشی برای  طراحی منطقی داده ها است. مدل سازی ابعادی برای نرم افزارهای هوش کسب و کار (BI) و انبار داده (DW) بسیار مناسب‌تر است. این روش، فرایندهای کسب و کار را به تصویر کشیده و  داده های آنها را سازماندهی می کند.

1400/08/15

مقایسه Microsoft Power BI و Google Data Studio

Microsoft Power BI و Google Data Studio دو ابزار قوی تحلیل داده هستند که برای مصورسازی داده های خام و پیچیده استفاده می شوند. اما کدام بهتر است؟ تحلیل و مصورسازی داده ها  به گروه های کاری در برنامه ریزی کارها، تهیه پروپوزال پروژه ها و تاثیر روی مشتریان کمک می کند. ابزارهای فوق دو برنامه پرطرفدار برای تحقق این مهارت ها هستند.

1400/08/10