دوره آموزشی اتوماسیون خط لوله داده با اقدامات GitHub با استفاده از R و Python

جزئیات دوره

در این دوره آموزشی، نحوه تنظیم گردش کار در GitHub Actions را برای خودکارسازی فرآیندها با R و Python یاد بگیرید. مربی Rami Krispin شما را از طریق فرآیند اتوماسیون راهنمایی می کند و نمونه هایی از دنیای واقعی را به اشتراک می گذارد. او به شما نشان می‌دهد که چگونه یک خط لوله داده راه‌اندازی کنید، ابرداده را از یک خط لوله بیرون بکشید و یک داشبورد زنده را با اقدامات و صفحات GitHub اجرا کنید. اگر از صرف ساعت‌ها صرف اجرای دستی اسکریپت‌ها یا کاهش سرعت گردش کار خود با کشیدن داده‌ها از API یا به‌روزرسانی داشبورد خسته شده‌اید، در این دوره آموزشی به Rami بپیوندید تا ببینید اتوماسیون چگونه می‌تواند سرعت کار شما را افزایش دهد.

سرفصل ها

0. مقدمه

01 - اتوماسیون خط لوله داده با GitHub Actions
02 - آنچه باید بدانید

1. EIA API

03 - EIA API
04 - تنظیم یک متغیر محیطی
05 - داشبورد EIA API
06 - ساختار درخواست GET
07 - استعلام داده‌ها از طریق مرورگر
08 - کوئری‌ داده‌ها با R و Python
09 - بیرون کشیدن ابرداده از API با R
10 - ارسال یک درخواست GET ساده با R
11 - محدودیت‌های API با R
12 - رسیدگی به درخواست داده‌های بزرگ با R
13 - کشیدن ابرداده از API با پایتون
14 - ارسال یک درخواست GET ساده با پایتون
15 - محدودیت‌های API با پایتون
16 - رسیدگی به درخواست داده‌های بزرگ با پایتون
17 - چالش - API را کوئری‌ کنید
18 - راه حل - API را با R کوئری‌ کنید
19 - راه حل - API را با پایتون کوئری‌ کنید

2. اتوماسیون داده ها

20 - محدوده و الزامات خط لوله داده
21 - معماری خطوط لوله داده
22 - فرآیند به روز رسانی داده ها
23 - توابع پشتیبانی ETL
24 - پرکردن داده ها
25 - خروجی تازه‌سازی داده ها
26 - بررسی کیفیت داده ها

3. استقرار

27 - مقدمه ای بر GitHub Actions
28 - استقرار با داکر
29 - تنظیم گردش کار GitHub Actions
30 - بررسی گزارش‌های گردش کار
31 - تنظیم اسرار و متغیرهای محیطی
32 - گردش کار پیشرفته
33 - استقرار خط لوله داده

4. نظارت

34 - نگهداری خط لوله داده
35 - استقرار داشبورد در صفحات GitHub

نتیجه

36 - مراحل بعدی

دوره آموزشی اتوماسیون خط لوله داده با اقدامات GitHub با استفاده از R و Python

مدرسین

Rami Krispin