Kursus Power BI Python

Pelajaran 1 • Menyiapkan Lingkungan Pengembangan Anda

Instal Power BI Desktop dan Python, lalu konfigurasikan jalur dan dependensi. Fondasi ini memastikan setiap latihan berikutnya berjalan tanpa kesalahan lingkungan.

Pelajaran 2 • Antarmuka Power BI dan Konsep Inti

Navigasi antarmuka Power BI Desktop dan pahami laporan, himpunan data, serta ruang kerja. Keakraban dengan UI mempercepat semua pekerjaan pemodelan data selanjutnya.

Pelajaran 3 • Dasar-dasar Python untuk Pekerjaan Data

Bahas sintaksis Python, tipe data, dan alur kontrol yang relevan untuk tugas analitik. Keterampilan ini mendasari setiap skrip Python yang digunakan di dalam Power BI.

Pelajaran 1 • Menjalankan Skrip Python sebagai Sumber Data

Eksekusi skrip Python langsung di dalam Power BI untuk menghasilkan atau mentransformasikan data sumber. Ini menjembatani kedua alat menjadi satu pipeline pengambilan data terpadu.

Pelajaran 2 • Mengonsumsi REST API dan Data Web

Ambil data dari REST API menggunakan requests Python dan konektor web Power BI. Siswa mendapatkan keterampilan untuk mengakses data langsung dan dinamis yang tidak tersedia di file statis.

Pelajaran 3 • Memuat Data dengan Python dan pandas

Gunakan pandas untuk membaca sumber CSV, Excel, JSON, dan SQL ke dalam DataFrame. Ini mencerminkan pengambilan Power BI dan memungkinkan pra-pemrosesan di sisi Python.

Pelajaran 1 • Membentuk Ulang dan Mengagregasi Data

Pivot, melt, group, dan agregasi data di pandas dan Power Query. Keterampilan membentuk ulang sangat penting untuk membangun tabel terstruktur yang dibutuhkan model Power BI.

Pelajaran 2 • Esensi Editor Power Query

Gunakan Power Query untuk memfilter, mengganti nama, membagi, dan menggabungkan kolom tanpa kode. Keterampilan berbasis GUI ini menangani sebagian besar tugas pembersihan rutin.

Pelajaran 3 • Power Query Tingkat Lanjut dengan Bahasa M

Tulis ekspresi M untuk mengotomatiskan transformasi kompleks di luar GUI. Fungsi M kustom memperluas Power Query untuk menangani logika dinamis dan berparameter.

Pelajaran 1 • Mengoptimalkan Model Data

Kurangi ukuran model dan tingkatkan kecepatan kueri melalui penghapusan kolom, agregasi, dan mode penyimpanan. Optimasi memastikan dasbor tetap responsif pada volume data perusahaan.

Pelajaran 2 • Pengantar DAX

Tulis kolom terhitung dan ukuran dasar menggunakan sintaksis DAX dan konteks evaluasi. DAX adalah bahasa utama untuk semua penghitungan analitis Power BI.

Pelajaran 3 • Pola DAX Tingkat Menengah

Terapkan fungsi CALCULATE, FILTER, dan kecerdasan waktu untuk membangun KPI bisnis. Pola ini mencakup sebagian besar kebutuhan analitis di dunia nyata.

Pelajaran 1 • Prinsip Pemformatan dan Desain

Terapkan warna, tipografi, dan tata letak yang konsisten untuk menghasilkan laporan profesional. Disiplin desain mengurangi beban kognitif dan meningkatkan kepercayaan pemangku kepentingan.

Pelajaran 2 • Memilih Jenis Visual yang Tepat

Cocokkan karakteristik data dengan visual batang, garis, sebar, peta, dan tabel. Pemilihan visual yang benar adalah fondasi komunikasi data yang jujur dan mudah dibaca.

Pelajaran 3 • Visual Python di Dalam Power BI

Render bagan Matplotlib dan Seaborn sebagai visual Power BI menggunakan objek visual Python. Ini membuka jenis bagan statistik dan kustom yang tidak tersedia secara native.

Pelajaran 1 • Statistik Deskriptif dengan Python

Hitung statistik ringkasan, distribusi, dan korelasi menggunakan pandas dan NumPy. Metrik ini membentuk dasar untuk semua pekerjaan analitis yang lebih dalam.

Pelajaran 2 • Dasar-dasar Pengujian Hipotesis

Terapkan uji-t, uji chi-kuadrat, dan ANOVA menggunakan SciPy untuk memvalidasi hipotesis bisnis. Pengujian statistik memberikan justifikasi berbasis bukti untuk keputusan.

Pelajaran 3 • Menampilkan Analitik Python di Power BI

Berikan statistik dan output model hasil komputasi Python kembali ke laporan Power BI. Ini menutup lingkaran antara analisis Python dan dasbor yang berhadapan dengan bisnis.

Pelajaran 1 • Menyematkan Prediksi di Power BI

Muat model scikit-learn yang disimpan di dalam skrip Python Power BI untuk menilai data baru. Prediksi menjadi kolom yang dapat difilter dalam laporan langsung tanpa pelatihan ulang.

Pelajaran 2 • Model Klasifikasi dan Regresi

Latih pohon keputusan, hutan acak, dan model linear menggunakan pipeline scikit-learn. Algoritme ini menangani masalah bisnis prediktif yang paling umum.

Pelajaran 3 • Ikhtisar Alur Kerja Pembelajaran Mesin

Pahami pipeline ML ujung-ke-ujung dari persiapan data hingga penerapan model. Alur kerja yang jelas mencegah kesalahan umum dalam rekayasa fitur dan evaluasi.

Pelajaran 1 • Keamanan Tingkat Baris dan Kontrol Akses

Definisikan peran RLS di DAX dan tetapkan pengguna untuk membatasi visibilitas data berdasarkan peran. Aturan keamanan memastikan setiap pengguna hanya melihat data yang mereka berwenang akses.

Pelajaran 2 • Mengotomatiskan Alur Kerja dengan Power Automate

Picu alur Power Automate dari peringatan Power BI dan kondisi yang digerakkan data. Otomatisasi mengurangi pemantauan manual dan mempercepat respons terhadap peristiwa bisnis.

Pelajaran 3 • Silsilah Data dan Dokumentasi

Gunakan tampilan silsilah dan fitur pengesahan untuk mendokumentasikan asal-usul himpunan data. Silsilah yang jelas mengurangi kesalahan ketika beberapa tim berbagi dan membangun di atas himpunan data yang sama.