A tanfolyamon a hallgatók elsajátítják a Microsoft SQL Analysis Services, az OLAP technikák és adatbányászati modellek használatát.

MSSQL-es szakembereknek ajánljuk, akik többdimenziós lekérdezésekkel és adattárházakkal foglalkoznak napi munkavégzésük során. 

SQL alapok ismerete.

Kérjük, segítsd munkánkat, és töltsd ki 20 kérdésből álló tesztsorunkat, mellyel Te is leellenőrizheted, milyen szintű SQL ismeretekkel rendelkezel, ezáltal könnyebben tudsz tudásodnak megfelelő képzést választani.

Kattints IDE a kérdéssorért!

1. Bevezetés az adattárházak elméletébe
1.1. Az adattárház fejlesztés áttekintése
1.1.1. Az Inmon féle megközelítés
1.1.2. A Kimball féle megközelítés
1.1.3. Adattárház struktúrák
1.1.4. Adattárházak fizikai és logikai modellje
1.2. Az adattárház megoldások általános problémai
1.2.1. Az ETL folyamat
1.2.2. Séma és adatintegráció
1.2.3. Adat-tisztítási kérdések
1.2.4. Sématípusok

2. OLAP alapozó
2.1. OLAP elméleti alapok
2.1.1. OLTP vs. OLAP
2.1.2. OLAP szabályok
2.1.3. OLAP típusok
2.2. Többdimenziós lekérdezések
2.3. Alapfogalmak
2.3.1. Dimenziók
2.3.2. Dimenziótípusok
2.3.3. Mértékek és mértékcsoportok
2.3.4. Mértéktípusok
2.3.5. OLAP kocka
2.3.5.1. Lekérdezésük
2.3.5.2. Kockaanalízis operátorok
2.4. Multidimenzionális tárolási sémák

3. Multidimenzionális megoldások létrehozása
3.1. Építkezés virtuális és valós adattárházra
3.2. Adatforrások, adatforrásnézetek létrehozása
3.3. Dimenziók meghatározása
3.4. OLAP kocka létrehozása

4. Multidimenzionális megoldások kiterjesztése
4.1. Dimenziók létrehozása
4.1.1. Hierarchiák definiálása
4.1.2. Attribútumok rendezése/csoportosítása
4.2. Számított mértékek hozzáadása a kockához
4.3. OLAP kocka kiterjesztése
4.3.1. Teljesítménymutatók (KPI)
4.3.2. Akciók
4.3.3. Perspektívák
4.3.4. Fordítások

5. MDX (Multidimensional Expressions) alapozó
5.1. Alapelemek, elvek
5.2. Alaplekérdezések, kalkulációk
5.2.1. Dimenziók használata
5.2.2. Navigálás a dimenziók között
5.2.3. Rendezések
5.2.4. Szeletelés és szűrés
5.2.5. Kalkulációk
5.2.6. Egyszerű számítások
5.2.7. Megnevezett halmazok
5.2.8. Hatókör

6. Microsoft PowerPivot
6.1. Bevezetés a Tabular Data Model és PowerPivot használatába
6.2. Tabular Data Model létrehozása Microsoft PowerPivot for Excel-lel

7. Analysis Services: Tabular Data Model
7.1. Tabular Data Model projekt létrehozása
7.2. Tabular Data Model projekt importálása Microsoft PowerPivot for Excel-ből
7.3. Tabular Data Model fejlesztése SQL Server Data Tools-szal

8. DAX (Data Analysis Expressions) alapozó

8.1. Alapelemek, elvek
8.1.1. Szűrés, rendezés, csoportosítás
8.1.2. Dimenziók és kapcsolatok használata
8.2. Számított oszlopok és mértékek létrehozása DAX használatával
8.2.1. Aggregálás
8.2.2. Görgetés

9. Multidimenzionális és Tabular Data Model megoldások menedzselése
9.1. Megoldások terjesztése
9.2. Megoldások biztonsági és jogosultsági kérdései
9.3. Monitorozás, naplózás
9.4. Mentés, visszaállítás

10. Adatanalízis és adatbányászat alapjai
10.1. Korreláció
10.2. Regresszió
10.2.1. Lineáris
10.2.2. Logisztikus
10.3. Döntési fák
10.4. Klaszteranalízis

11. Adatbányászat
11.1. Az adatbányászat elmélete
11.2. A Microsoft Excel adatbányászati bővítményének használata
11.3. Adatbányászati megoldások készítése SQL Server Data Tools-szal
11.4. Adatbányászati model feltöltése adatokkal
11.5. Előrejelzés készítése

12. DMX (Data Mining Extensions) alapozó
12.1. Struktúra és model létrehozása
12.2. Adatbányászati model feltöltése adatokkal
12.3. Lekérdezések írása

14. Adatanalízis szolgáltatások használata R nyelven
13.1. Python és R telepítése és tesztelése MS-SQL szerveren
13.1.1. R alapok
13.2. R adatstruktúrák
13.2.1. Vektorok
13.2.2. Mátrixok
13.2.3. Tömbök
13.2.4. Adatkeretek
13.2.5. Listák
13.3. Adatbetöltés
13.3.1. SQL lekérdezésből
13.3.2. Külső adatokből
13.3.3. Webes adatforrásokból
13.4. Adatbányászati algoritmusok
13.4.1. Statisztikai profilozás
13.4.2. Csoportképzés
13.4.3. Előrejelzések készítése

13. Adatanalízis szolgáltatások használata Pythonnal
14.1. Python használat MS-SQL szerveren
14.1.1. Python alapok
14.1.2. Python adatszerkezetek
14.1.3. Adathalmazok lekérdezése és összefésülése
14.1.4. Python adatvizualizáció
14.1.5. Adateltérések keresése gépi tanulási modellel