კურსის მიზანია:

• SQL-ის სრულყოფილი დაუფლება: შეძლოს რთული SQL Query-ების (Window Functions, რეკურსია, ინდექსირება) დაწერა PostgreSQL-ში მონაცემთა ეფექტური მოპოვებისა და წარმადობის ოპტიმიზაციისთვის.

• Python-ის ინსტრუმენტული გამოყენება: გამოიყენოს Python, NumPy და Pandas ბიბლიოთეკები მონაცემთა დამუშავების, გასუფთავების, ტრანსფორმაციისა და JSON ფორმატებთან მუშაობისთვის.

• პროექტის ავტომატიზაცია: შექმნას მცირე CLI აპლიკაციები (მაგ., Movie Watchlist) და Bash სკრიპტები, რომლებიც უზრუნველყოფენ მონაცემთა ბაზასთან კავშირს, ავტომატიზაციასა და სისტემური გარემოს მართვას (Linux/systemd).

• მონაცემთა მოდელირება Cloud გარემოში: გაიგოს Snowflake-ის არქიტექტურა, შეძლოს მონაცემების ჩატვირთვა და dbt (data build tool)-ის გამოყენებით ანალიტიკური მოდელების შექმნა, ტესტირება და დოკუმენტირება.

• პროფესიული ვიზუალიზაცია და ანგარიშგება: შექმნას ეფექტური ანალიტიკური გრაფიკები Matplotlib-ით და ააგოს ინტუიციური, ბიზნესზე ორიენტირებული Dashboard-ები Looker Studio-ში.

• End-to-End პაიპლაინის განხორციელება: დაგეგმოს და წარმატებით განახორციელოს სრულყოფილი ანალიტიკური პროექტი (მოპოვებიდან ვიზუალიზაციამდე), პროფესიული სტანდარტების (Deployment, Version Control) დაცვით.

პროგრამაში ისწავლება:

• SQL და მონაცემთა ბაზები: ახსნას მონაცემთა ანალიტიკის ძირითადი ცნებები და რელაციური მოდელის საფუძვლები. დაწეროს რთული SQL Query-ები (JOIN, Window Functions, რეკურსია) PostgreSQL-ში და გამოიყენოს ინდექსები, Constraints-ები და Stored Procedures მონაცემთა ხარისხისა და წარმადობის გასაუმჯობესებლად.

• Python ავტომატიზაცია: იმუშაოს მონაცემთა ბაზასთან Pythonის მეშვეობით (PostgreSQL-თან კავშირი, CRUD ოპერაციები). შექმნას მარტივი კონსოლური აპლიკაციები (მაგ., Movie Watchlist, Poll App) და ავტომატიზებული სკრიპტები.

• NumPy და Pandas: გამოიყენოს NumPy მაღალი წარმადობის ოპერაციებისთვის და     დაეუფლოს Pandas-ის DataFrame/Series სტრუქტურებს მონაცემების ჩატვირთვის, გასუფთავების,  ტრანსფორმაციისა და აგრეგირებისთვის, მათ შორის თარიღებთან, დაკარგულ  მნიშვნელობებთან და დუპლიკატებთან მუშაობისას.

• JSON დამუშავება და ETL: წაიკითხოს და დაამუშაოს JSON და სხვა     ნახევრადსტრუქტურირებული ფორმატები Pythonით და ააგოს მარტივი ETL პროცესები (ფაილიდან მონაცემთა ბაზამდე).

• ვიზუალიზაცია (Matplotlib): შექმნას სხვადასხვა ტიპის გრაფიკები (line, bar, histogram, scatter, subplots) Matplotlibის გამოყენებით და გამოიყენოს ვიზუალიზაციის ძირითადი პრინციპები.

• Cloud მონაცემთა საწყობი (Snowflake): გაიგოს Snowflake-ის არქიტექტურა, შექმნას საბაზისო ობიექტები და ჩატვირთოს სტრუქტურირებული/ნახევრადსტრუქტურირებული მონაცემები.

• dbt მოდელირება: ააწყოს dbt პროექტი (staging/core/marts ფენებით), გამოიყენოს Jinja და Macros SQLის მოდულარიზაციისთვის, დაწეროს ტესტები და დოკუმენტაცია მონაცემთა მოდელების სანდოობის უზრუნველსაყოფად.

• BI ანგარიშგება (Looker Studio): შექმნას ბიზნეს-მიმართულებული Dashboard-ები Looker Studio-ში, დააკავშიროს მონაცემთა წყაროები (dbt/Snowflake) და წარმოადგინოს ბიზნეს-მეტრიკები ინტუიციურ ფორმაში.

• ოპერაციული გარემო: იმუშაოს Linux-ის საბაზისო ბრძანებებით, ტექსტური რედაქტორებით და დაწეროს Bash სკრიპტები  ავტომატურიBackup/Maintenance ამოცანებისთვის.

• პროექტის განხორციელება: დაგეგმოს და განახორციელოს End-to-End ანალიტიკური პროექტი (მოპოვება → მოდელირება → ვიზუალიზაცია) და            წარმოადგინოს ნამუშევრები პორტფოლიოს ფორმატში.

გამოყენებული მეთოდები: პროგრამის სწავლებისას გამოიყენება თეორიული და პრაქტიკული სწავლების ფორმატი, პრაქტიკული უნარების გამომუშავებით ჰიბრიდულ ფორმატში.

პროგრამაზე დაშვების წინაპირობა: საბაზო განათლება - მინიმალური ასაკი 16 წელი; ქალაქ თბილისში რეგისტრაცია; სასწავლო კურსი პროგრამირება 0-დან ან საბაზისო ცოდნა პროგრამირებაში;

პროგრამაზე მოხვედრის ეტაპები: ონლაინ რეგისტრაცია; ტესტირება; გასაუბრება.

სწავლის დაწყების თარიღი: 2026 წლის მაისი; სწავლების ვადა: 4 თვე - 120 საათი (40 შეხვედრა);

დასაქმების სფერო: მონაცემთა ბაზებისა და ქსელების დიზაინი და ადმინისტრირება