مطالب پیشنهادی از سراسر وب

آموزش SQL پیشرفته برای علم داده: سری های زمانی

دسته بندی ها: آموزش اس کیوال (SQL) ، پایگاه داده ، علم داده (Data Science) ، آموزش های لینکدین (LinkedIn)

داده های سری زمانی داده هایی هستند که به مرور زمان جمع می شوند: معیارهای عملکرد، تعاملات کاربر و اطلاعاتی که توسط سنسورها جمع آوری شده اند. از آنجا که داده های سری های زمانی مختلف، معیارها و فواصل مختلفی دارند، این داده ها یک چالش منحصر به فرد برای دانشمندان داده ارائه کرده اند. با این حال، SQL برخی امکانات را برای کمک طراحی کرده است.

این دوره به شما می آموزد که چگونه می توانید داده های سری زمانی را با آن ها استانداردسازی و مدل سازی کنید. مدرس دوره Dan Sullivan درباره windowing و تفاوت بین محاسبات پنجره sliding و tumbling بحث می کند. سپس می آموزید که چگونه ساختارهای SQL مانند OVER و PARTITION BY را به ساده سازی تحلیل کمک می کنند و چگونه غیر نرمالسازی می تواند در افزایش داده ها هنگام جلوگیری از جوین شدن استفاده شود. همچنین، تکنیک های بهینه سازی مانند ایندکسینگ را بررسی می کنید. او همچنین تکنیک های تحلیل سری زمانی مانند مقایسه سری های زمانی پیشین، میانگین های متحرک، هموار سازی نمایی و رگرسیون خطی را معرفی می کند.

5- توابع رایج مورد استفاده برای سری های زمانی

نتیجه

فایل های تمرین Ex_Files_Advanced_SQL_Time_Series.zip
آیا این نوشته را دوست داشتید؟
Linkedin Advanced SQL for Data Science: Time Series Author:Dan Sullivan Duration:1:18:52 Level:ADVANCED

Time series data is data gathered over time: performance metrics, user interactions, and information collected by sensors. Since different time series data have different measures and different intervals, these data present a unique challenge for data scientists. However, SQL has some features designed to help. This course teaches you how to standardize and model time series data with them. Instructor Dan Sullivan discusses windowing and the difference between sliding and tumbling window calculations. Then learn how SQL constructs such as OVER and PARTITION BY help to simplify analysis, and how denormalization can be used to augment data while avoiding joins. Plus, discover optimization techniques such as indexing. Dan also introduces time series analysis techniques such as previous time period comparisons, moving averages, exponential smoothing, and linear regression.

پیشنهاد آموزش مرتبط در فرادرس