سایت w3school هم یه قسمتی برای sql داره که خیلی خوب میشه تو خود سایت با syntax اولیه دستورات آشنا شد و تمرینای کوچیک کرد

https://www.w3schools.com/sql/


#sql_مقدماتی
#SQL
@DataHobbies

پیشنهاد میکنم کسایی که تازه دارن کار با زبان کوئری‌نویسی رو با sql server
شروع میکنن و میخوان خودخوان (self study) جلو برن، با دیتابیس های معروف تو زمینه آموزش مثل adventureworks و northwind شروع کنن
چون ک کلی آموزش و مثال آماده روی این دیتابیس ها وجود داره و میتونین آموزش انواع کوئری‌های مختلف تو مثال یاد بگیرین


#sql_مقدماتی
#SQL
@DataHobbies

این چند تا سایتم برای آموزش sql خوبن👌👌👌

#sql_مقدماتی
#SQL
@DataHobbies

اینجا کلی مثال حل شده قشنگ پیدا میکنین

https://leetcode.com/problemset/database/

#SQL
#sql_مقدماتی
@DataHobbies

تو این سایتم میتونین پروژه محور جلو برین

https://8weeksqlchallenge.com/getting-started/

#SQL
#sql_مقدماتی
@DataHobbies


---------------اتمام مقدماتی sql------------------

بعد از اینکه دستورات ساده و اولیه sql یاد گرفتیم، باید سعی کنیم موارد پیشرفته‌تر یاد بگیریم
انواع دستورات پیشرفته مثل
Intersect
Minus
SubQuery
Inline View
Union All
Stored Procedures
Windows Function (Lead, Lag, NTILE)
, . . .

این سایت یه تعدادی ازین دستورات خوب توضیح داده:

https://www.1keydata.com/sql/advanced.html

بعد از اون هم بحث سرعت بخشیدن به کوئری‌های کندِ، با یاد گرفتن متدهای
Sql tuning

مثل این نکات:
https://stackify.com/performance-tuning-in-sql-server-find-slow-queries/amp/

به نظرم همه کسایی که تو بحث تحلیل دیتا فعالیت میکنن باید با آمار آشنا باشن. یه بحث خود آمار داریم که بتونیم باهاش انواع تحلیل هامون انجام بدیم که تمام شاخه های مرتبط با دیتا یه جورایی درگیرش میشن (نکات اینو تو این پست میذارم و بهش میگم آمار عمومی)، یه بحث انواع آزمون هایی که برای تست استفاده می کنیم و اینو بیشتر دیتاساینس ها احتیاج دارن (به اینم میگم آزمون های آماری و تو پست بعدی راجع بهش حرف میزنم)
به طور کلی دسته های زیر رو میتونیم برای آمار عمومی متصور باشیم:
آمار توصیفی (Denoscriptive Statistics)
نما (Mode)، میانه (Median)، میانگین (Mean)، همبستگی (Correlation)، کشیدگی(Kurtosis)، چولگی(Skewness)، پراکندگی(Variance)، مکان و مرکزیت داده (Location and Centrality Data)
بصری سازی داده ها (Data Visualization)
انواع نمودارها، خطی، دایره ای، میله ای، هیستوگرام، پراکنده و . . .
برای کسب دانش مورد نیاز آمار عمومی اول از همه احتیاجه با کلیات EDA (Exploratory Data Analysis)، تحلیل اکتشافی داده‌ها آشنا باشیم تا برای خلاصه سازی داده هامون بتونیم ازش استفاده کنیم. چون اینجا بحثمون رودمپ و الان نمیخوایم وارد آموزش بشم کلیدواژه های اصلی رو لیست میکنم تا اگه احتیاجه بدونیم چه مباحثی رو بیشتر نیازه مرور کنیم، حالا از کتابای درسی قدیمیمون یا هر منبعی که خودمون باهاش راحت تریم یه دور نگاه کنیم. بعد کلیدواژه ها چند تا منبع خوب هم میگم.

تحلیل اکتشافی داده‌ها EDA (Exploratory Data Analysis)
شاخص های گرایش مرکزی (Measures of central tendency) { نما (Mode)، میانه (Median)، میانگین (Mean)}
داده‌های مستطیلی (Rectangular Data)
تخمین مکان داده‌ها (Estimation Of Location)
تخمین تنوع و پراکندگی (Estimation Of Variability)
انواع چارک (Quartile)
فاصله‌ی بین چارکی (IQR (Interquartile Range
توزیع‌های آماری (Statistical Distributions)
فاصله‌ی آماری (Statistical Distance)
واگرایی کولبک-لیبلر (Kullback-Leibler Divergence)
فاصله‌ی جنسون-شنون (Jenson-Shannon)

#آمار_مقدماتی
@DataHobbies

قسمت آمار سایت w3school خیلی خوب نکات رو پوشش داده و بعضی مسائل رو با مثال تو پایتون آموزش داده


https://www.w3schools.com/statistics/index.php

#آمار_مقدماتی
@DataHobbies

اگرم اهل کتاب خوندن باشین

کتاب "مبانی احتمال" شلدون راس
کتاب "آمار مهندسی" لیبرمن
و کتاب‌های دکتر ایوزیان

خیلی مفیداند👌👌👌

#آمار_مقدماتی
@DataHobbies

https://m.youtube.com/watch?v=Vfo5le26IhY

#آمار_مقدماتی
@DataHobbies

--------------اتمام آمار مقدماتی---------------

آزمون های آماری
آمار استنباطی (Inferential)
آزمایش فرضیه (Hypothesis Testing)
برازش مدل (Model Fitting)

آزمایش فرضیه/ آزمون فرض:
همونطور که می دونیم آزمون فرض یه ادعایی درباره پارامترهای توزیع یک/چند جمعیت یا نوع متغیر تصادفیه که ممکن درست یا غلط باشه. حالا از بین کلی آزمون فرضیه آماری که وجود داره اینایی که لیست می کنم بیشترین کاربرد رو برای یه دیتاساینس داره:
آزمون های نرمالیتی ((Normality Tests
آزمون های همبستگی (Correlation Tests)
آزمون های ایستایی (Stationary Tests)
آزمون های پارامتری (Parametric Statistical Hypothesis Tests)
آزمون های ناپارامتری (Non-Parametric Statistical Hypothesis Tests)

برازش مدل:
Model Fitting یا برازش مدل نشون میده یه دیتاساینس توی مدلی که طراحی کرده چقدر میتونه پشتیبانی از داده های واقعیش بگیره، در واقع به نوعی تطابق یا سازگاری مدل نظری و تجربی رو میسنجه، سه تا شاخص اصلی داره که هر کدوم ازین شاخص ها چند تا روش دارن:
شاخصهای برازش مقتصد
شاخصهای برازش تطبیقی
شاخصهای برازش مطلق
یه تعریف دیگه هم که جا داره حواسمون بهش باشه بحث روندی که انجام میشه تا یه تابع ریاضی یا منحنی به وجود بیاد که بیشترین شباهت با داده هارو داشته باشه که به اینم برازش منحنی یا (Curve Fitting) میگن.