دپارتمانمهندسی نرم افزار و ابزارهای توسعه
دوره های در حال ثبت نام
کد دوره : --
دوره کارگاهی Scrum (مدیریت چابک)

تفکر چابک یا Agile امروزه به نیاز بسیاری از سازمان‌ها برای مدیریت نیازمندی‌های مطرح شده از طرف مشتریان تبدیل شده و در حوزه‌ی تولید نرم‌افزار اسکرام یکی از متدهای جاری کردن روح این نوع تفکر در سازمان است.

با توجه به اینکه یادگیری مفاهیم مرتبط با اسکرام با وجود منابع متعددی که در دسترس قرار دارد همواره نیاز به تمرین و پیاده‌سازی داشته است و بسیاری از سازمان‌ها با توجه به عدم شناخت و تجربه‌ی کافی، هزینه‌های زیادی را جهت اجرایی‌سازی اسکرام در سازمان می‌نمایند، این دوره‌ی کارگاهی با شبیه‌سازی فرآیندها، جلسات و نقش‌های تیم‌های اسکرام و همچنین انجام پروژه‌های کوچک، زمینه‌ی تمرین و تجربه‌ی عملی متد اسکرام و تفکر چابک را فراهم خواهد آورد.

مخاطبان دوره
  • مدیران ارشد شرکت‌های نرم‌افزاری 
  • مدیران پروژه 
  • برنامه نویس‌ها 
  • افراد درگیر در فرایند تولید نرم‌افزار
  • علاقه مندان
توانایی پس ازگذراندن دوره
  • توانایی مدیریت پروژه‌های تولید نرم‌افزار با متد چابک 
  • توانایی شناخت و تمرین نقش‌های اسکرام در تیم 
  • توانایی مشارکت در تیم‌های اسکرام به صورت فعال و تاثیرگذار 
  • توانایی مهاجرت از روش‌های سنتی مدیریت پروژه به روش‌های چابک
سرفصلهای دوره
  • Agile manifesto
  • •    Values & principles
  • •    Scrum Framework
  • •    Product Backlig
  • •    Backlig Grooming
  • •    Estimation
  • •    Release Planning
  • Teams
  • •    Distributed Scrum
  • •    Scrum Roles
  • •    Sprint Planning
  • •    Sprint Execution
  • •    Definition of Done
  • Simulation
  • •    Tools
مدت زمان
۲۴
هزینه دوره حضوری
۸۰۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
مهر ۹۸
روزهای برگزاری
سازمانی
ساعات برگزاری
کد دوره : --
دوره آموزشی علم داده - مقدماتی

در این دوره آموزشی دانشجویان بصورت عملی کلیه مفاهیم هوش مصنوعی، شاخه علم داده را فرا می­گیرند. مراحل دوره آموزشی به این شکل است برنامه نویسی مقدماتی پایتون، پاک­سازی و خواندن مجموعه داده، دستکاری داده، نمایش داده، آمار و احتمالات، یادگیری ماشین، بهینه سازی ماشین، گزارش گیری، مطالعات موردی، پیاده سازی دست کم پنج پروژه در حین کلاس انجام می شود. علاوه بر این تمامی مراجع استفاده شده در طی آموزش از جمله کتاب، مقالات و آموزش­های مکمل بهدانشجویان با ذکر منبع آموزشی ارائه می­شود. 

در صورت نیاز به مشاوره و راهنمایی جهت شرکت در دوره، می توانید با شماره های لایتک تماس گرفته و نسبت به تعیین زمان مشاوره توسط کارشناسان لایتک اقدام گردد.

به منظور پاسخگویی به سوالات دانشجویان، جلسات مشاوره گروهی رایگان هر ماه یکبار در تاریخ های ذیل برگزار خواهد شد:

  • سه شنبه 30 مهر ماه 98
  • سه شنبه 21 آبان ماه 98
  • سه شنبه 19 آذر ماه 98

برای شرکت در جلسات گروهی از طریق سایت ثبت نام نمایید.

لازم به ذکر است آزمون های دوره علم داده به صورت پروژه برگزار می گردد.

دوره های آموزشی علم داده را برای حرفه ای شدن به خاطر بسپارید:

  • دوره برنامه نویسی پایتون - Python Programming
  • دوره یادگیری ماشین - Machine Learning
  • دوره یادگیری عمیق – Deep Learning
  • دوره آموزشی علم داده - Data Science
  • دوره  (Natural language processing (NLP)
مخاطبان دوره
  • افراد فعال در حوزه آمار
  • تحلیلگران داده
  • افراد فعال در حوزه Business Intelligence
  • کسانی که حداقل با یک زبان برنامه نویسی کار کرده اند
  • طراحان سایت
  • افراد فعال در حوزه Bio-Medical جهت تحلیل دنباله­ های DNA
  • سازمان­ هایی که قصد مهاجرت به سیستم های توصیه کننده دارند
توانایی پس ازگذراندن دوره

توانایی تحلیل داده، درک کامل کاربرد فرمول­های ریاضی، یادگیری پیاده سازی یادگیری ماشین، پیاده سازی سیستم­های توصیه کننده، آمادگی دانشجو جهت استخدام در حوزه ­های علم داده

سرفصلهای دوره

Theory & Math

  • Learning Concepts
  • Types of machine learning
  • Supervised
  • Unsupervised
  • Semi Supervised
  • Reinforcement Learning
  • What is Data mining
  • What is dataset
  • Dataset Terms
  • What is Feature
  • Types of Features
  • Central tendency
  • Normal Distribution
  • Normal Distribution Box Plot
  • Variance
  • Co-Variance
  • Correlation
  • Similarity
  • Cosine Similarity
  • Machine learning Steps
  • Generalization
  • Overfit & Underfit
  • Bias Variance Tradeoff
  • Simple Learners
  • Complex Learners

Python

  • Variable
  • Basic Data Types
  • Python Collections
  • Conditions
  • Loop
  • Functions
  • Comprehension
  • Generator

Tools

  • Installing Python Packages
  • Install Virtual Environment
  • Requirements
  • Numpy
  • Pandas
  • MatplotLib
  • Data Visualization
  • Normal Distribution
  • Histogram
  • Scatter Matrix
  • Line Chart
  • Time Series Chart
  • Correlation Matrix
  • Load Datasets
  • Visualize Records
  • Seaborn
  • Scikit Learn
  • Tensorflow

Basic - Pre-processing

  • What is Pre-processing
  • What is data quality
  • Main tasks
  • Null values
  • Noisy values
  • Data integration
  • Identifying entities
  • Duplicates
  • Normalization
  • Min-Max
  • Z-score
  • Noisy Data recognition
  • Detect noisy data with IQR
  • Detect noisy data with Z-Score
  • Detect via Covariance.EllipticEnvelope
  • Detect SVM.OneClassSVM

Supervised Learning

  • Basic Concepts
  • Linear Regression
  • Multi Regression
  • Ridge Regression
  • Lasso Regression
  • Elastic Net Regression
  • Gradient Descent
  • What is Classification
  • Select Features
  • Logistic Regression
  • Decision Tree algorithm
  • Implement Decision Tree
  • Naïve Bayes
  • Support Vector Machine
  • K-Nearest Neighbours
  • Linear Discriminant Analysis
  • Hyper Parameters
  • Grid Search CV
  • Randomized Search CV

Model Evaluation

  • What is Cross Validations
  • Train Test Split
  • K-Fold
  • Leave One Out
  • Shuffle Split
  • Evaluation
  • MAE, MSE, R2
  • Confusion Matrix
  • ROC

Un-Supervised Learning

  • What is Clustering
  • Clustering Analysis
  • Cosine Similarity
  • K-Means
  • What is Recommender Systems
  • Collaborative Filtering
  • Content Based
  • Hybrid
  • Pearson Similarity
  • K-means
  • Fuzzy C-means
  • Compare algorithms

Pre-processing

  • Imbalanced data pre-processing
    • SMOTE
  • Instance Generalization
    • LVQ
  • Space Transformation
    • PCA
  • Feature Selection
    • Feature subset selection
    • P-Value & Hypothesis
    • Feature importance
    • Univariate feature selection
    • SelectKBest
    • SelectPercentile
    • SelectFpr
    • Correlation
    • Recursive feature elimination
    • L1
    • RFE
  • Missing Values Imputations
    • EM
    • KNNI
  • Noise Filtering
    • IPF
    • EF
مدت زمان
۴۰
هزینه دوره حضوری
۱۴۳۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
آذر ۹۸
روزهای برگزاری
ساعات برگزاری
۱۶ الی ۲۰
کد دوره : --
یادگیری عمیق – Deep Learning

 در این دوره،سعی می شود تا مبانی تئوری یادگیری عمیق، روشها و مدل­های مختلف آموزش شبکه­ های عصبی عمیق، آموزش داده شود .

در صورت نیاز به مشاوره و راهنمایی جهت شرکت در دوره، می توانید با شماره های لایتک تماس گرفته و نسبت به تعیین زمان مشاوره توسط کارشناسان لایتک اقدام گردد.

به منظور پاسخگویی به سوالات دانشجویان، جلسات مشاوره گروهی رایگان هر ماه یکبار در تاریخ های ذیل برگزار خواهد شد:

  • سه شنبه 30 مهر ماه 98
  • سه شنبه 21 آبان ماه 98
  • سه شنبه 19 آذر ماه 98

برای شرکت در جلسات گروهی از طریق سایت ثبت نام نمایید.

لازم به ذکر است آزمون های دوره علم داده به صورت پروژه برگزار می گردد.

دوره های آموزشی علم داده را برای حرفه ای شدن به خاطر بسپارید:

  • دوره برنامه نویسی پایتون - Python Programming
  • دوره یادگیری ماشین - Machine Learning
  • دوره یادگیری عمیق – Deep Learning
  • دوره آموزشی علم داده - Data Science
  • دوره  (Natural language processing (NLP)
مخاطبان دوره

افرادی که حوزه کاری یا تحقیقاتی آنان یادگیری ماشین و عمیق باشد

توانایی پس ازگذراندن دوره

امکان تحلیل و ساخت برنامه کاربردی در حوزه یادگیری عمیق

سرفصلهای دوره

مقدمه و معرفی یادگیری عمیق (learning Deep)

  • معرفی هوش مصنوعی
  • معرفی اجمالی یادگیری ماشین
  • معرفی روش ها و الگوریتم های یادگیری ماشین
  • معرفی اجمالی شبکه های عصبی مصنوعی
  • تاریخچه یادگیری عمیق
  • کاربردهای یادگیری عمیق
  • فرصت ها و چالش های یادگیری عمیق

روش ها و مدل های یادگیری عمیق

  • معرفی انواع یادگیری
  • الگوریتم ها و کاربردهای یادگیری با نظارت (Supervised)
  • الگوریتم و کاربردهای یادگیری بدون نظارت (Unsupervised)
  • عملکرد و کاربرد روش خود رمزنگار (Auto Encoder)
  • عملکرد و روش کار شبکه های (GANs (Generative Adversarial Networks
  • معرفی و کاربرد شبکه عصبی کانولوشنی (CNN (Convolutional Neural Network
  • معرفی و کاربرد شبکه عصبی بازگشتی (RNN (Recurrent Neural Network

سخت افزار و نرم افزارهای مورد نیاز

  • معرفی سخت افزارهای مختلف موجود در ایران و جهان برای پیاده سازی الگوریتم ها و روش های حوزه یادگیری عمیق
  • معرفی نرم افزارها و کتابخانه های برنامه نویسی حوزه یادگیری عمیق
  • نحوه راه اندازی بسترهای کدنویسی پایتون و TensorFlow در ویندوز

جزئیات پیاده سازی شبکه عصبی عمیق با مثال عملی

  • معرفی ساختار و نحوه پیاده سازی یک شبکه عصبی عمیق
  • معرفی و پیاده سازی شبکه عصبی عمیق کانولوشن با مجموعه داده MNIST به صورت کامال پایه ای
  • معرفی و پیاده سازی سیستم تشخیص چهره با استفاده از شبکه عصبی عمیق
مدت زمان
۲۸
هزینه دوره حضوری
۱۴۳۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
آذر ۹۸
روزهای برگزاری
سه شنبه
ساعات برگزاری
۱۶ الی ۲۰
کد دوره : --
دوره آموزشی داده کاوی

دنیای کسب و کار پر است از نامعلوم ها!  هیچکس نمی داند که مشتریان کنونی آیا قصد دارند به سمت رقبا بروند یا نه. میزان فروش در ماه آینده چگونه خواهد بود. به همین دلیل است که شرکتها مدل هایی را بوجود آوردند تا دلیل این نقاط مبهم یا نامعلوم را کشف کنند. داده کاوی ( تحلیل هایی که منجر به پیش بینی می شود) یکی از تکنیک هایی است که به شرکت ها کمک می کند تا مدل ها را بسازند. این مدل ها به تصمیم گیرندگان اصلی سازمان برای اتخاذ تصمیماتشان کمک خواهد کرد.

بدیهی است داده کاوی می تواند کارهای بیشتری انجام دهد. کنترل کیفیت داده ها، پاکسازی داده ها، تحلیل داده های موجود در شبکه های اجتماعی بخشی از کاربرد نرم افزارهای حوزه داده کاوی است.

هدف از این دوره عبارتست از:

  • معرفی داده کاوی بوسیله متدولوژی خاص به شرکت کنندگان: داده کاوی چیزی فراتر از اجرای ابزارهای داده کاوی است. آماده سازی داده ها، استخراج و استنتاج داده ها، ارزیابی مدل های داده کاوی. جهت کسب این مهارت ها در طول این دوره متدولوی CRISP-DM معرفی خواهد شد. بی شک شما نمی توانید یک کارشناس خبره حوزه علوم داده شوید بدون یک متدولوژی علمی!
  • هدف دوم از این دوره آشنا شدن با ابزار داده کاوی SQL Server است. یادگیری مدل های مختلف داده کاوی در پلتفرم داده کاوی مایکروسافت (درخت تصمیم، شبکه های عصبی، سری زمانی، رگرسیون و …) و ابزارهای ارزیابی مدل های موجود در SQL Server Analysis Services ( SSAS )
  • آشنایی با زبان برنامه نویسی R که یکی از قدرتمندترین زبان های تحلیل داده و محاسبات آماری می باشد.

این دوره در حقیقت چکیده سه دوره زیر می باشد:

  • Data Mining with Microsoft Analysis Services
  • Excel PowerPivot Data Mining Add-ins
  • Data Analysis with R
مخاطبان دوره

این دوره برای تمام افرادی است که هیچ دانشی در حوزه داده کاوی ندارند و قصد دارند که بر چگونگی پیاده سازی پروژه های داده کاوی با استفاده از سرویس  SQL Service Analysis Services ( SSAS ) تسلط پیدا کنند.

دسته دیگر مخاطبین توسعه دهندگان پروژه های Business Intelligence هستند که بدنبال یادگیری راهکارهای داده کاوی هستند و در نهایت مدیران پروژه که نیاز دارند دید درستی از جنبه های کلیدی پیاده سازی راهکارهای داده کاوی داشته باشند.

توانایی پس ازگذراندن دوره
  •  آشنایی با مفاهیم داده کاوی
  • آماده سازی داده ها: انتقال و پاکسازی داده ها
  •  مدلسازی داده ها بر اساس تکنیک های مدلسازی داده کاوی  SQL Server
  •  معرفی ابزارهای مایکروسافت جهت پیاده سازی داده کاوی در SQL Server Analysis Services
  •  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 …)
  • آشنایی با اصول زبان برنامه نویسی  R
  •  نصب ابزار R Tools for Visual Studio
  •  تکنیک های انتقال و پاکسازی داده ها با زبان  R
سرفصلهای دوره

Data Mining Concepts

  • Introduction
  • Course Materials
  • Facilities
  • Prerequisites
  • Concepts and Terminology
  • Data Mining and Results
  • CRISP-DM
  • Business Problems for Data Mining
  • Models, Induction, and Prediction
  • Data Mining Tasks
  • Key Concepts

SQL Server Analysis Services Data Mining Tools

  • Introduction to SQL Server Data Tools
  • Project Walk-Through
  • Stepping Through the Data Mining Wizard
  • Testing and Validation of Mining Models
  • Cross Validation
  • The Mining Model Prediction Tab
  • Reports

The Microsoft Data Mining Algorithms

  • Types of Data Mining Algorithms
  • Microsoft Decision Trees Algorithm
  • Microsoft Linear Regression Algorithm
  • Microsoft Clustering Algorithm
  • Microsoft Nave Bayes Algorithm
  • Microsoft Association Algorithm
  • Microsoft Sequence Clustering Algorithm
  • Microsoft Time Series Algorithm
  • Microsoft Neural Network Algorithm
  • Microsoft Logistic Regression Algorithm

Excel PowerPivot Data Mining Add-ins

  • Data Mining Tab
  • Connection
  • Data Preparation
  • Management
  • Model Usage
  • Accuracy and Validation
  • Data Modeling
  • Visio Data Mining Add-In

R Language and Data Analysis

  • Getting started and working with data
  • Basic data types and operations
  • Data Frames
  • Importing, saving, exporting, and re-using data
  • Common R functions for numbers, factors, text, and dates
  • Vector-oriented computation
  • Sorting, ranking, and printing
  • Reading and writing data with R
  • Reading tables and CSV files, row and column headers, delimiters. Built-in data.
  • Cleaning and transforming data
  • Writing R scripts and functions
  • Loops and conditions
  • Flow control, functions and classes in R, executing R scripts from GUI and command line
  • Visualizing data and Exploratory Data Analysis
  • Exploring and plotting relationships between variables
  • Visualizations for categorical and continuous data, scatter plots, box plots, pie charts, histograms, bar plots, dot charts, and the char object

 

مدت زمان
۴۰
هزینه دوره حضوری
۱۸۰۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
آبان ۹۸
روزهای برگزاری
پنج شنبه
ساعات برگزاری
۱۲ الی ۱۶
کد دوره : --
دوره آموزشی Business Intelligence

طراحی و پیاده سازی انبار داده و سیستم هوشمندسازی کسب و کار در پی هم می آیند و از نظر فنی از پروژه های جالب در حوزه فناوری اطلاعات می باشد و از نظر سازمانی پروژه های پیچیده ای محسوب می شوند. این دوره امکانی را برای سازمان شما فراهم می کند تا با موفقیت محیط انباره داده و سیستم هوشمند سازی کسب و کار را طراحی و پیاده سازی کنند.

این دوره در حقیقت چکیده سه دوره زیر می باشد:

  • SQL Server Integration Services 2014 – ETL «
  • SQL Server Analysis Service 2014 – OLAP «
  • Data Warehouse «

تمرکز این دوره ارائه مفاهیم واجب و ضروری پیاده سازی DW / BI می باشد.

این دوره مجموعه ای از تکنیک ها، تجارب و توصیه هایی است که از آغاز پروژه DW / BI که با شناخت، تحلیل و برنامه ریزی پروژه می باشد تا پیاده سازی، نگهداری و توسعه آن.

در حقیقت علاوه بر ارائه این دانش، تمرینات کلاسی، بررسی و ارائه راهکار برای مسائل و مشکلات خاصی که آن سازمان در پیاده سازی پروژه با آن روبروست نیز از برنامه این دوره خواهد بود.

این دوره برای تمامی سازمان ها، شرکت ها و گروه هایی که می خواهند پروژه ای را در حوزه BI آغاز کنند و یا در روند پیاده سازی پروژه DW/BI هستند توصیه می شود. مبنای دوره آموزش DW/BI از مباحث ابتدایی تا مباحث پیشرفته می باشد.

مخاطبان دوره

این دوره برای تمامی افرادی که در پروژه های SQL Server Business Intelligence نقش دارند توصیه می شود. مدیران پروژه، تحلیل گر کسب و کار و مدل ساز داده، مدیران پایگاه داده، معماران نرم افزار و پیاده سازها و توسعه دهندگان ETL و برنامه های کاربردی .Business Intelligence

توانایی پس ازگذراندن دوره
  •  چگونگی تدوین نقشه راه در پروژه های DW / BI
  •  برنامه ریزی و مدیریت پروژه های  Data warehouse , Business Intelligence
  •  چگونگی تعریف نیازمندی های کسب و کار و تکنیک های مرتبط با آن و بررسی الگوهای ارائه شده در این حوزه مانند  Kimball
  •  طراحی ابعاد و تکنیک های مرتبط با آن  Star , Snowflake , Constellation
  •  آماده سازی بستر  ETL
  •  طراحی فنی و معماری لایه  ETL
  •  طراحی فیزیکی پایگاه داده
  •  استخراج، اعمال تغییرات و بارگزاری داده با استفاده از SQL Server Integration Service 2014
  •  بررسی و پیاده سازی مدل های طراحی Multi-Dimensional و Tabular با استفاده از SSAS
  •  پیاده سازی گزارشات با استفاده از  SQL Server Reporting Service 2014
  •  بررسی برنامه های کاربردی لایه نماش BI در اکسل:Power BI , Power Map .Power Query ,Data Mining
  •  پیاده سازی داشبورد مدیریتی با استفاده از سرویس Performance Point در SharePoint 2013
  •  استقرار و پشتیبانی پروژه  DW/BI
  • گسترش و بسط سیستم های  SQL Business Intelligence
سرفصلهای دوره

Introduction

  • Roadmap of project tasks

Program/Project Planning and Management

  • Readiness factors
  • Risk assessment and mitigation plans
  • Scoping and business justification
  • Team roles and responsibilities
  • Project plan development and maintenance
  • Program management

Business Requirements Definition

  • Program versus project requirements preparation
  • Requirements gathering participants
  • Techniques for gathering requirements and handling obstacles
  • Program/project requirements deliverables
  • Requirements prioritization

Dimensional Modeling

  • Role of dimensional modeling in Project, Corporate Information Factory (CIF) and hybrid architectures
  • Fact and dimension table characteristics
  • ۴-step process for designing dimensional models
  • Transaction fact tables
  • Fact table granularity
  • DE Normalizing dimension table hierarchies
  • Degenerate dimensions
  • Date and time-of-day dimension considerations
  • Dealing with nulls
  • Surrogate key for dimensions
  • Star versus snowflake schemas
  • Centipede fact tables with too many dimensions
  • Fact-less fact tables
  • Additive, semi-additive, and non-additive facts
  • Workshop: Converting requirements and source data realities into dimensional model
  • Consolidated fact tables
  • Dimension table role-playing
  • Allocated facts at different levels of detail
  • Complications with operational header/line data
  • Multiple currencies
  • Junk dimensions for miscellaneous transaction indicators
  • Periodic and accumulating snapshot fact tables
  • Implications of business processes on data architecture
  • Enterprise Data Warehouse Bus Architecture and matrix for master data and integration
  • Conformed dimensions – identical and shrunken roll-ups
  • Exercise: Translate business requirements into DW Bus Matrix
  • Slowly changing dimensions – type 1, 2, 3 and hybrid techniques for current and point-in-time attribute values
  • Mini-dimensions for large, rapidly changing dimensions
  • Exercise: Design review to identify common dimensional modeling flaws
  • Design review dos and don’ts and mistakes to avoid
  • Dimensional modeling process, tasks, and deliverables
  • Exercise: Design enhancements to embellish existing design

Mature DW/BI System Check-ups

  • Symptoms of sponsorship, data, infrastructure, and business acceptance disorders
  • Prescribed treatment plans for common maturity problems

Technical Architecture Design

  • Architecture concepts
  • Topology options – independent data marts, enterprise data warehouse, and conformed data warehouse
  • Common components and functionality
  • o ETL system
  • o Exercise: Processing slowing changing dimensions type 2
  • (o Presentation servers (RDBMS/OLAP
  • o Real time options – direct to source, ODS, and real time layer
  • o BI application types and services
  • Creating the architecture plan
  • Exercise: Translating requirements into architecture implications

Product Selection and System Setup

  • • Architecture-based evaluation approach and matrices
  • Infrastructure considerations
  • Metadata management
  • Securing the system

Physical Database Design

  • Standards and naming conventions
  • Physical model development
  • Initial aggregation, indexing and storage plans
  • Column-oriented database alternative
  • Usage monitoring

Extract, Transformation and Load

  • Design the ETL system
  • o Determine design patterns and implement key subsystems
  • o Quality assurance and data validation system
  • o Warehouse operations system
  • ETL development workflow
  • o Create high-level and detailed ETL schematics
  • Extract to create, filter and transfer source data
  • Cleaning and conforming dimensions and facts
  • ETL development workflow continued
  • Preparing and delivering dimensions and facts
  • Data integration and master data management
  • Dealing with data quality issues
  • Aggregate management
  • Load cycle management
  •  Exercise: “High-level ETL schematic” case study

BI Applications

  • BI application types (ad hoc, standard reporting, analytic applications, dashboards) and audiences
  • Specification of templates, applications and navigation framework
  • Development of applications and BI portal

DW/BI System Deployment and Support

  • System deployment
  • Communication and documentation
  • Training and support
  • On-going user, data and system maintenance

DW/BI System Growth

  • Planning for growth
مدت زمان
۷۰
هزینه دوره حضوری
۲۵۰۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
آبان ۹۸
روزهای برگزاری
پنجشنبه ها
ساعات برگزاری
۱۶ الی ۲۰
کد دوره : --
Docker for Sysadmins

Docker در واقع یکEngine  متن باز بوده که وظیفه اتومات سازی Deploy  کردن اپلیکیشن ها را بر روی Container  ها دارد و همچنین یک نرم افزار تسهیل کننده جهت راه اندازی، ایجاد، Deploy کردن برنامه ها و به طوری کلی کار با Container ها می باشد.

در این دوره ما قصد داریم شما را با مفاهیمDocker  و تکنولوژی آن اشنا سازیم با هم به چند سرویس مختلف را در قالب Container پیاده کرده و نحوه کار با آن را فرا گیریم.

در دوره مذکور امکان پیش ثبت نام وجود دارد لطفا پس از مراجعه به پروفایل خود تنها بر روی نام دوره و گزینه ثبت نام کلیک کنید، در صورت به حد نصاب رسیدن با شما تماس گرفته می شود.

امروزه استفاده از سیستم عامل لینوکس در سمت سرورهای مختلف بسیار متداول شده است و بسیاری از شرکتها و سازمانها به کارشناسان مرتبط در حوزه آموزش لینوکس و متن باز نیاز دارند. در همین راستا، لایتک به ارائه آموزشهای حرفه ای سیستم عامل لینوکس می پردازد به گونه ای که دوره های آموزشی آن در قالب دوره های حضوری گروهی برگزار می شوند.  

مسیر یادگیری دوره های مربوط به سیستم عامل لینوکس به شرح ذیل می باشد:

  • Linux Essentials
  • Linux DevOps Tools Engineer
  • LPIC-1 Certified Linux Administrator
  • LPIC-2 Certified Linux Engineer
  • LPIC-3 300: Linux Enterprise Professional Mixed Environment
  • LPIC-3 303: Linux Enterprise Professional Security
  • LPIC-3 304: Linux Enterprise Professional Virtualization and High Availability
  • Docker for Sysadmins
  • Shell Scripting

 

مخاطبان دوره
  • تمامی لینوکس کاران و متخصصان شبکه
  • Sysadmins Developers
توانایی پس ازگذراندن دوره
سرفصلهای دوره
  • شروع کار با Docker
  • معرفی Docker، تاریخچه و آشنایی با مباحث اولیه
  • پیش نیازهای نصب، نصب Docker  - آشنایی با مباحث اولیه و پیاده سازی آن ها
  • شروع کار با Docker و  Basic Commands
  • بررسی معماری Docker
  • آشنایی باContainer  و Image, Docker Files
  • راه اندازی پراسس ها تحت Docker
  • Manage Containers
  • Resource Management
  • Docker logs
  • تنظیمات شبکه در Docker و Link کردنContainer  ها
  • راه اندازی سرویس های مختلف تحت Docker
  • آشنایی با مفهوم Storage
  • آشنایی Swarm Mode
  • و....
مدت زمان
۴۰
هزینه دوره حضوری
۲۲۰۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
آبان ۹۸
روزهای برگزاری
پنجشنبه
ساعات برگزاری
۰۸ الی ۱۲
کد دوره : --
Big Data و سکوهای پردازش توزیع شده

این دوره برای علاقه مندان به مباحث Big Data و پردازش های توزیع شده طراحی شده است. پس از گذراندن دوره، دانش آموختگان درک بهتری از محیط کلان داده خواهند داشت و می توانند بسیاری از مسائل موجود در دنیای واقعی را با استفاده از ابزارهای موجود در این زمینه مدل کرده و توسعه دهند.

فرصت شغلی:
​شایان ذکر است لایتک، برترین دانشجویان این دوره را با تایید استاد، به شرکت های منتخب جهت نیروی کار و یا کارآموزی معرفی مینماید. 

 

در صورت نیاز به مشاوره و راهنمایی جهت شرکت در دوره، می توانید با شماره های لایتک تماس گرفته و نسبت به تعیین زمان مشاوره توسط کارشناسان لایتک اقدام گردد.

دوره های آموزشی کلان داده را برای حرفه ای شدن به خاطر بسپارید:

  • دوره تخصصی پایگاه داده های غیررابطه ای
  • دوره تخصصی Big Data
  • دوره تخصصی Apache Spark
مخاطبان دوره
  • علاقه مندان به مباحث Big Data
  • دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
  • علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده
توانایی پس ازگذراندن دوره

آشنایی با مفاهیم و راه‌حل‌های موجود در دنیای کلان داده و توانایی حل مسائل موجود در این حوزه با استفاده از ابزارهای تدریس شده در کلاس

سرفصلهای دوره
  • توضیح در خصوص کلان داده و سیستم های توزیع شده
  • مفاهیم سیستم فایل توزیع شده و بررسی سیستم فایل هادوپ ( HDFS )
  • مفهوم مدل برنامه نویسی Mapreduce
  • نصب کلاستر سکوی Hadoop سیستم فایل HDFS و چهارچوب Yarn و اجرای برنامه های نمونه بروی آن
  • نصب کلاستر Apache Storm و مدل توسعه برنامه در آن و اجرای برخی از مسایل دنیای واقعی بروی آن
  • نصب کلاستر Apache Spark و مدل توسعه برنامه در Spark و اجرای برنامه های نمونه بروی آن
مدت زمان
۴۰
هزینه دوره حضوری
۱۳۰۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
آبان ۹۸
روزهای برگزاری
دوشنبه
ساعات برگزاری
۸ الی ۱۲
کد دوره : --
Big Data و سکوهای پردازش توزیع شده

این دوره برای علاقه مندان به مباحث Big Data و پردازش های توزیع شده طراحی شده است. پس از گذراندن دوره، دانش آموختگان درک بهتری از محیط کلان داده خواهند داشت و می توانند بسیاری از مسائل موجود در دنیای واقعی را با استفاده از ابزارهای موجود در این زمینه مدل کرده و توسعه دهند.

فرصت شغلی:
​شایان ذکر است لایتک، برترین دانشجویان این دوره را با تایید استاد، به شرکت های منتخب جهت نیروی کار و یا کارآموزی معرفی مینماید. 

 

در صورت نیاز به مشاوره و راهنمایی جهت شرکت در دوره، می توانید با شماره های لایتک تماس گرفته و نسبت به تعیین زمان مشاوره توسط کارشناسان لایتک اقدام گردد.

دوره های آموزشی کلان داده را برای حرفه ای شدن به خاطر بسپارید:

  • دوره تخصصی پایگاه داده های غیررابطه ای
  • دوره تخصصی Big Data
  • دوره تخصصی Apache Spark
مخاطبان دوره
  • علاقه مندان به مباحث Big Data
  • دانشجویان و فارغ التحصیلان رشته های کامپیوتر و فناوری اطلاعات
  • علاقه مندان به مفاهیم سیستم ها و برنامه نویسی توزیع شده
توانایی پس ازگذراندن دوره

آشنایی با مفاهیم و راه‌حل‌های موجود در دنیای کلان داده و توانایی حل مسائل موجود در این حوزه با استفاده از ابزارهای تدریس شده در کلاس

سرفصلهای دوره
  • توضیح در خصوص کلان داده و سیستم های توزیع شده
  • مفاهیم سیستم فایل توزیع شده و بررسی سیستم فایل هادوپ ( HDFS )
  • مفهوم مدل برنامه نویسی Mapreduce
  • نصب کلاستر سکوی Hadoop سیستم فایل HDFS و چهارچوب Yarn و اجرای برنامه های نمونه بروی آن
  • نصب کلاستر Apache Storm و مدل توسعه برنامه در آن و اجرای برخی از مسایل دنیای واقعی بروی آن
  • نصب کلاستر Apache Spark و مدل توسعه برنامه در Spark و اجرای برنامه های نمونه بروی آن
مدت زمان
۴۰
هزینه دوره حضوری
۱۴۳۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
۹۸/۰۸/۲۳
روزهای برگزاری
پنجشنبه ها
ساعات برگزاری
۱۲ الی ۱۶
کد دوره : --
کارگاه مدیریت پروژه با روش Agile Scrum و ورژن کنترل سیستم Git

تمام مباحث در قالب پروژه و مثال های عملی انجام خواهد شد

مخاطبان دوره

مدیران شرکت ها، استارتاپ ها، برنامه نویس ها و ...

توانایی پس ازگذراندن دوره
سرفصلهای دوره
  • آشنایی با متودولوژی های گوناگون مهندسی نرم افزار
  • آشنایی با متودلوژي مدیریت پروژه Kanban
  • مدیریت پروژه به کمک Agile و Scrum
  • ‌History
  • Scrum vs Kanban
  • Sprints and iterations
  • Backlog
  • Tasks
  • Estimate Points
  • Daily meetings
  • Retrospective
  • Velocity
  • Scrum roles (Scrum Master, Product Owner, …)
  • آشنایی با ابزار های موجود و روند کار
  • معرفی ورژن کنترل سیستم ها
  • آشنایی با Git و تاریخچه آن
  • چرا از Git استفاده میکنیم؟
  • شروع کار با Git
  • Git repositories
  • Branches
  • Git commands
  • Git workflow
  • Remotes (Github, Gitlab, Bitbucket, …)
  • Cheatsheet
  • Tags
  • Histories
  • Publish
  • Best practices
مدت زمان
۶
هزینه دوره حضوری
۱۰۰۰۰۰ تومان
هزینه دوره مجازی
دوره به صورت مجازی برگزار نمی شود
تاریخ برگزاری
۹۸/۰۸/۲۱
روزهای برگزاری
سه شنبه
ساعات برگزاری
۱۷ الی ۲۰
برنامه دروس مهندسی نرم افزار و ابزارهای توسعه

دوره آموزشی

دانشجویان می توانند به صورت آزاد هر یک از دوره های آموزشی این مرکز را انتخاب نموده و پس از اتمام دوره انتخابی و شرکت در آزمون، گواهینامه معتبر دانشگاه صنعتی شریف را دریافت نمایند. (به طور مثال دوره آموزش آزاد Java SE یا جاوای مقدماتی)

مقطع آموزشی

دانشجویان می توانند در صورت تمایل، دوره های آموزشی به شرح ذیل را سپری نموده و موفق به دریافت مدرک مقطع آموزشی مربوطه شوند. (به طور مثال مقطع آموزشی کاردان برنامه نویسی تجاری)

Associate Of Science in Business Application Engineering

گواهینامه های مورد نیاز در این مقطع به شرح ذیل است.

  • دوره آموزشی مبانی سیستم عامل و شبکه (اختیاری)
  • دوره آموزشی JavaSE
  • دوره آموزشی Oracle Workshop I,II

Bachelor Of Science in Business Application Engineering

گواهینامه های مورد نیاز در این مقطع به شرح ذیل است.

  • دوره آموزشی JavaEE I
  • دوره آموزشی Android Programming
  • دوره آموزشی مهندسی نرم افزار


Master Of Science in Business Application Engineering

گواهینامه های مورد نیاز در این مقطع به شرح ذیل است.

  • دوره آموزشی JavaEE II
  • دوره آموزشی امنیت در نرم افزار
  • دفاع از پایان نامه
نام کاربری یا کلمه ورود اشتباه است
ثبت نام انجام نشد
باشگاه ۲۳۳۹۲ عضوی لایتک
ثبت نام
ورود به صفحه شخصی
بازیابی گذرواژه
تلفن: ۰۲۱۶۶۰۱۳۶۴۷ - ۰۲۱۶۶۰۱۳۴۵۵ - ۰۲۱۶۶۰۳۵۱۲۵ - ۰۲۱۶۶۰۸۶۰۱۹
فکس: ۰۲۱۸۹۷۸۳۷۵۶
ایمیل: info@laitec.ir , edu@laitec.ir
استفاده از مطالب سايت لایتک فقط برای مقاصد غیر تجاری و با ذکر منبع بلامانع است.
کلیه حقوق این سایت متعلق به آزمایشگاه یادگیری فناوری اطلاعات (لایتک) است.
laitec.ir
Copyright © 2002-2019