التدريب
برامج تحليل البيانات التدريبية
الفكرة قبل النقرة — مساراتٌ متدرّجة موحّدة الفلسفة
1. تحليل البيانات: من التفكير إلى القرار — 40 ساعة تدريبية
| # | الموضوع | تفاصيل |
|---|
| 1 | ما هي البيانات؟ — من تصميم أداة الجمع إلى أول نظرة على البيانات | أنواع البيانات؛ تصميم أداة الجمع؛ المتغيّرات؛ وحدة التحليل؛ أول استكشاف |
| 2 | تعريف المشكلة — السؤال الصحيح قبل البيانات | أنواع الأسئلة الأربعة؛ صياغة سؤال البحث؛ المشكلة مقابل العَرَض؛ نطاق التحليل |
| 3 | جودة البيانات — كيف تثق بما أمامك؟ | الاكتمال؛ الاتساق؛ الدقة؛ التوقيت؛ مصادر الخطأ |
| 4 | الإحصاء الوصفي — ماذا تقول الأرقام؟ | المتوسط/الوسيط/المنوال؛ التشتّت؛ التوزيعات؛ النِّسَب والمعدّلات |
| 5 | القيم الشاذة والمشكلات — ما الذي لا تقوله الأرقام؟ | القيم المفقودة؛ القيم الشاذة؛ التحيّز؛ معالجة النقص |
| 6 | الارتباط والسببية — الفرق بين العلاقة والسبب | الارتباط؛ السببية؛ المتغيّرات الدخيلة؛ FCS مقابل rCSI |
| 7 | التجزئة والمقارنة — ما هو وأين هو؟ | التقسيم إلى فئات؛ المقارنة بين المجموعات؛ التحليل التقاطعي؛ النزوح كمتغيّر |
| 8 | تصوير البيانات — كيف تغني الصورة عن كتاب؟ | اختيار الرسم للسؤال؛ الصدق البصري؛ الرسالة الرئيسية؛ تجنّب التضليل |
| 9 | بناء التوصيات — من النتيجة إلى القرار | من الملاحظة إلى التوصية؛ ربط الدليل بالقرار؛ مستوى الثقة؛ القيود |
| 10 | العرض الكامل — من السؤال إلى القرار | سرد البيانات؛ بناء العرض؛ مراعاة الجمهور؛ السلسلة التحليلية الكاملة |
2. تحليل البيانات باستخدام Power BI
الدورة المبتدئة — 40 ساعة (10 جلسات × 4 ساعات)
| # | الموضوع | تقسيم الـ 4 ساعات | التركيز المفاهيمي | تفاصيل |
|---|
| 1 | عقلية الـ BI ورحلة البيانات | 2 مفهوم + 2 جولة في البيئة | لماذا BI؟ المصدر ← التحضير ← النمذجة ← التصوّر ← القرار. Desktop مقابل Service | رحلة البيانات؛ Desktop مقابل Service؛ سير العمل الكامل؛ لماذا BI |
| 2 | جلب البيانات + Power Query (1) | 1.5 مفهوم + 2.5 تطبيق | فكرة «طبقة التحضير»، الاتصال بالمصادر، التنظيف الأساسي | Get Data؛ الاتصال بالمصادر؛ طبقة التحضير؛ التنظيف الأساسي |
| 3 | Power Query (2) | 1 مفهوم + 3 تطبيق | تشكيل الجداول، الدمج/الإلحاق، خطوات قابلة للتكرار | تشكيل الجداول؛ Merge؛ Append؛ خطوات قابلة للتكرار |
| 4 | أساسيات نمذجة البيانات | 2 مفهوم + 2 تطبيق | الجدول الحقيقي مقابل البُعدي، واحد-لمتعدد، مقدمة الـ star schema | جدول حقيقي مقابل بُعدي؛ واحد-لمتعدد؛ مقدمة star schema؛ العلاقات |
| 5 | مقدمة DAX | 1.5 مفهوم + 2.5 تطبيق | العمود المحسوب مقابل المقياس (Measure) — الفرق الجوهري | العمود المحسوب؛ المقياس Measure؛ الفرق الجوهري؛ صياغة بسيطة |
| 6 | DAX التطبيقي | 1 مفهوم + 3 تطبيق | التجميعات، المقاييس الشائعة، النسب والمعدلات | التجميعات؛ النِّسَب؛ المعدّلات؛ المقاييس الشائعة |
| 7 | التصوّر البصري (1) | 2 مفهوم + 2 تطبيق | اختيار الرسم المناسب للسؤال التحليلي (وصلة بأنواع الأسئلة الأربعة) | اختيار الرسم للسؤال؛ أنواع المرئيات؛ وصلة بأنواع الأسئلة |
| 8 | التصوّر البصري (2) + التفاعل | 1 مفهوم + 3 تطبيق | Slicers، Filters، Drill، تخطيط لوحة متماسكة | Slicers؛ Filters؛ Drill؛ تخطيط اللوحة |
| 9 | النشر على الخدمة | 1.5 مفهوم + 2.5 تطبيق | النشر، المشاركة، التحديث، أساسيات الحوكمة | النشر؛ المشاركة؛ التحديث؛ أساسيات الحوكمة |
| 10 | مشروع ختامي | 0.5 توجيه + 3.5 بناء وعرض | سلسلة كاملة من بيانات خام إلى تقرير قابل للقرار | سلسلة كاملة؛ من بيانات خام إلى تقرير؛ قابل للقرار؛ عرض |
الدورة المتقدمة — 40 ساعة (10 جلسات × 4 ساعات)
| # | الموضوع | تقسيم الـ 4 ساعات | التركيز المفاهيمي | تفاصيل |
|---|
| 1 | النمذجة المتقدمة | 2 مفهوم + 2 تطبيق | star schema بعمق، الأبعاد، تطبيع مقابل تسطيح | star schema بعمق؛ الأبعاد؛ تطبيع مقابل تسطيح |
| 2 | علاقات معقّدة | 1.5 مفهوم + 2.5 تطبيق | أبعاد لعب الأدوار، many-to-many، جداول الجسر | role-playing dimensions؛ many-to-many؛ جداول الجسر |
| 3 | Power Query / لغة M | 1.5 مفهوم + 2.5 تطبيق | المعاملات، الدوال المخصصة، معالجة الأخطاء، الطيّ (Query Folding) | المعاملات؛ الدوال المخصصة؛ معالجة الأخطاء؛ Query Folding |
| 4 | سياق DAX — العقبة الكبرى | 2.5 مفهوم + 1.5 تطبيق | سياق الصف مقابل سياق الفلتر — أهم درس مفاهيمي في الدورة كلها | سياق الصف؛ سياق الفلتر؛ أهم درس مفاهيمي |
| 5 | CALCULATE | 2 مفهوم + 2 تطبيق | تعديل السياق، الفلاتر، التفاعل بين المقاييس | تعديل السياق؛ الفلاتر؛ تفاعل المقاييس |
| 6 | ذكاء الوقت | 1 مفهوم + 3 تطبيق | جدول التقويم، YTD/MTD، المقارنات الزمنية | جدول التقويم؛ YTD/MTD؛ المقارنات الزمنية |
| 7 | المُكرِّرات والمتغيّرات والأنماط | 1.5 مفهوم + 2.5 تطبيق | SUMX وأخواتها، VAR، أنماط DAX الشائعة | SUMX وأخواتها؛ VAR؛ أنماط DAX |
| 8 | الأداء + أمن مستوى الصف (RLS) | 2 مفهوم + 2 تطبيق | محرك VertiPaq، تقليص النموذج، التأمين حسب المستخدم | محرك VertiPaq؛ تقليص النموذج؛ الأمن حسب المستخدم |
| 9 | الخدمة المتعمّقة | 1.5 مفهوم + 2.5 تطبيق | Dataflows، Gateways، التحديث المجدول، خطوط النشر | Dataflows؛ Gateways؛ التحديث المجدول؛ Deployment Pipelines |
| 10 | مشروع ختامي متقدم | 0.5 توجيه + 3.5 بناء وعرض | نموذج محسّن + DAX متقدم + تقرير مؤمَّن قابل للقرار | نموذج محسّن؛ DAX متقدم؛ تقرير مؤمَّن؛ قابل للقرار |
3. نظم المعلومات الجغرافية باستخدام ArcGIS Pro
الدورة المبتدئة — 40 ساعة (10 جلسات × 4 ساعات)
| # | الموضوع | تقسيم الـ 4 ساعات | التركيز المفاهيمي | تفاصيل |
|---|
| 1 | عقلية الـ GIS وبيئة ArcGIS Pro | 2 مفهوم + 2 جولة في البيئة | التفكير المكاني، رحلة البيانات المكانية، المشروع/الخرائط/الطبقات، الشريط (Ribbon) | التفكير المكاني؛ المشروع/الخرائط/الطبقات؛ Ribbon |
| 2 | نظم الإحداثيات والإسقاطات | 2.5 مفهوم + 1.5 تطبيق | الـ Datum، لماذا تتشوّه الخرائط؟ — العقبة المفاهيمية الكبرى، نظير «سياق الفلتر» في الـ GIS | Datum؛ الإسقاط؛ تشوّه الخرائط؛ نظام الإحداثيات CRS |
| 3 | نموذج البيانات الشعاعية (Vector) | 1.5 مفهوم + 2.5 تطبيق | النقطة/الخط/المضلّع، جدول السمات، فئات المعالم (Feature Classes) | نقطة/خط/مضلّع؛ جدول السمات؛ Feature Classes |
| 4 | نموذج البيانات النقطية (Raster) | 1.5 مفهوم + 2.5 تطبيق | الخلية، البيانات المتصلة، الفرق الجوهري عن الشعاعية ومتى نستخدم كلاً منهما | الخلية؛ البيانات المتصلة؛ شعاعي مقابل نقطي |
| 5 | جلب البيانات وإدارتها | 1.5 مفهوم + 2.5 تطبيق | قاعدة البيانات الجغرافية (Geodatabase)، مصادر البيانات، الاستيراد والتنظيم | Geodatabase؛ مصادر البيانات؛ الاستيراد والتنظيم |
| 6 | الاستعلامات السمية والمكانية | 1.5 مفهوم + 2.5 تطبيق | Select by Attribute مقابل Select by Location — وصلة بأنواع الأسئلة التحليلية | Select by Attribute؛ Select by Location؛ وصلة بأنواع الأسئلة |
| 7 | التحرير وإنشاء البيانات | 1 مفهوم + 3 تطبيق | الترقيم (Digitizing)، أساسيات الطوبولوجيا، دقة الإدخال | Digitizing؛ الطوبولوجيا؛ دقة الإدخال |
| 8 | الترميز والتصنيف | 2 مفهوم + 2 تطبيق | تمثيل البيانات بصدق — اختيار طريقة التصنيف المناسبة للسؤال (وصلة بمبادئ التصوّر) | طرق التصنيف؛ الصدق البصري؛ وصلة بمبادئ التصوّر |
| 9 | إخراج الخرائط (Cartography) | 1.5 مفهوم + 2.5 تطبيق | تخطيط الخريطة للتواصل، العناصر الأساسية، تصدير قابل للنشر | Layout؛ عناصر الخريطة؛ التصدير للنشر |
| 10 | مشروع ختامي | 0.5 توجيه + 3.5 بناء وعرض | من بيانات خام إلى خريطة تجيب على سؤال مكاني وتدعم قراراً | سؤال مكاني؛ من بيانات خام إلى خريطة؛ يدعم قراراً |
الدورة المتوسطة — 40 ساعة (10 جلسات × 4 ساعات)
| # | الموضوع | تقسيم الـ 4 ساعات | التركيز المفاهيمي | تفاصيل |
|---|
| 1 | تصميم قاعدة البيانات الجغرافية | 2 مفهوم + 2 تطبيق | المجالات (Domains)، الأنواع الفرعية، العلاقات — البنية قبل الإدخال | Domains؛ الأنواع الفرعية؛ العلاقات؛ البنية قبل الإدخال |
| 2 | أساسيات المعالجة الجغرافية (Geoprocessing) | 1.5 مفهوم + 2.5 تطبيق | منطق الأدوات، المدخلات/المخرجات، البيئات، مقدمة سير العمل | منطق الأدوات؛ المدخلات/المخرجات؛ البيئات |
| 3 | التحليل الشعاعي | 1.5 مفهوم + 2.5 تطبيق | Buffer، التراكب (Overlay)، Dissolve، تحليل القرب — لماذا قبل كيف | Buffer؛ Overlay؛ Dissolve؛ تحليل القرب |
| 4 | التحليل النقطي وSpatial Analyst | 2 مفهوم + 2 تطبيق | إعادة التصنيف، جبر الخرائط (Map Algebra)، تحليل المسافة | إعادة التصنيف؛ Map Algebra؛ تحليل المسافة |
| 5 | تحليل السطوح والتضاريس | 1.5 مفهوم + 2.5 تطبيق | نماذج الارتفاع الرقمية (DEM)، الانحدار، التظليل، خطوط الكنتور | DEM؛ الانحدار؛ التظليل؛ الكنتور |
| 6 | مقدمة الإحصاء المكاني | 2 مفهوم + 2 تطبيق | البقع الساخنة (Hot Spot)، الكثافة، أنماط التوزيع — الارتباط ≠ السببية مكانياً | Hot Spot؛ الكثافة؛ أنماط التوزيع؛ الارتباط ≠ السببية |
| 7 | الترميز الجغرافي وتحليل الشبكات | 1.5 مفهوم + 2.5 تطبيق | Geocoding، مسارات وخدمة المناطق (Service Areas)، أساسيات الشبكة | Geocoding؛ المسارات؛ Service Areas؛ أساسيات الشبكة |
| 8 | الأتمتة: ModelBuilder وArcPy | 2 مفهوم + 2 تطبيق | تحويل سير العمل المتكرر إلى نموذج، مقدمة Python/ArcPy | ModelBuilder؛ أتمتة سير العمل؛ مقدمة ArcPy |
| 9 | الأبعاد الثلاثة والمشاركة السحابية | 1.5 مفهوم + 2.5 تطبيق | العرض ثلاثي الأبعاد، النشر على ArcGIS Online، الخرائط التفاعلية | عرض 3D؛ ArcGIS Online؛ الخرائط التفاعلية |
| 10 | مشروع ختامي متوسط | 0.5 توجيه + 3.5 بناء وعرض | سلسلة تحليلية مكانية كاملة: سؤال ← تحليل ← نتيجة ← خريطة قابلة للقرار | سلسلة مكانية كاملة؛ تحليل ← نتيجة؛ خريطة قابلة للقرار |
4. مقدمة تحليل البيانات بـ R — 40 ساعة
| # | الموضوع | تقسيم الـ 4 ساعات | التركيز المفاهيمي | تفاصيل |
|---|
| 1 | عقلية التحليل + بيئة R/RStudio | 2 مفهوم + 2 جولة | لماذا الكود أصلاً؟ التكرارية والشفافية، المشروع، الـ Console مقابل Script | التكرارية والشفافية؛ المشروع؛ Console مقابل Script؛ لماذا الكود |
| 2 | أساسيات R | 1 مفهوم + 3 تطبيق | الأنواع، المتجهات، القوائم — كتلة بناء البيانات، لا غاية بذاتها | الأنواع؛ المتجهات؛ القوائم؛ كتلة البناء |
| 3 | إطار البيانات والاستيراد | 1.5 مفهوم + 2.5 تطبيق | data frame، قراءة CSV، أول نظرة على بيانات جنوب السودان | data frame؛ قراءة CSV؛ بيانات جنوب السودان |
| 4 | dplyr: تنظيف وتحويل | 1.5 مفهوم + 2.5 تطبيق | فلسفة الـ tidy data، filter/select/mutate — «طبقة التحضير» بالكود | tidy data؛ filter/select/mutate؛ طبقة التحضير بالكود |
| 5 | tidyr والدمج | 1 مفهوم + 3 تطبيق | إعادة التشكيل (pivot)، join — جمع جداول المسح | pivot؛ join؛ جمع جداول المسح |
| 6 | الإحصاء الوصفي في R | 1.5 مفهوم + 2.5 تطبيق | التلخيص بـ group_by/summarise — هنا نبني FCS وrCSI بأيدينا | group_by/summarise؛ بناء FCS؛ بناء rCSI |
| 7 | التصوّر: ggplot2 | 2 مفهوم + 2 تطبيق | قواعد الرسوم (grammar of graphics)، اختيار الرسم للسؤال | grammar of graphics؛ ggplot2؛ اختيار الرسم للسؤال |
| 8 | العلاقات والإحصاء الأساسي | 2 مفهوم + 2 تطبيق | الارتباط (FCS مقابل rCSI)، الفرق بين الفئات — الارتباط ≠ السببية | الارتباط FCS/rCSI؛ مقارنة الفئات؛ الارتباط ≠ السببية |
| 9 | التقارير القابلة للتكرار | 1 مفهوم + 3 تطبيق | Quarto/R Markdown — من التحليل إلى تقرير قابل للقرار | Quarto؛ R Markdown؛ تقرير قابل للقرار |
| 10 | مشروع ختامي | 0.5 توجيه + 3.5 بناء وعرض | «هل يؤثر النزوح على الأمن الغذائي؟» — سلسلة كاملة بالكود | سؤال البحث؛ سلسلة كاملة بالكود؛ قابل للقرار |
5. مقدمة تحليل البيانات بـ Python — 40 ساعة
| # | الموضوع | تقسيم الـ 4 ساعات | التركيز المفاهيمي | تفاصيل |
|---|
| 1 | عقلية التحليل + بيئة Python/Jupyter | 2 مفهوم + 2 جولة | لماذا الكود؟ التكرارية، الـ Notebook كدفتر تفكير، البيئة الافتراضية | التكرارية؛ Notebook كدفتر تفكير؛ البيئة الافتراضية؛ لماذا الكود |
| 2 | أساسيات Python | 1 مفهوم + 3 تطبيق | الأنواع، القوائم، القواميس — كتلة البناء، لا غاية | الأنواع؛ القوائم؛ القواميس؛ كتلة البناء |
| 3 | pandas: DataFrame والاستيراد | 1.5 مفهوم + 2.5 تطبيق | (مع لمحة NumPy)، قراءة CSV، أول نظرة على بيانات جنوب السودان | DataFrame؛ لمحة NumPy؛ قراءة CSV؛ بيانات جنوب السودان |
| 4 | pandas: تنظيف وتحويل | 1.5 مفهوم + 2.5 تطبيق | الفهرسة، التصفية، الأعمدة المشتقة — «طبقة التحضير» بالكود | الفهرسة؛ التصفية؛ الأعمدة المشتقة؛ طبقة التحضير بالكود |
| 5 | pandas: الدمج وإعادة التشكيل | 1 مفهوم + 3 تطبيق | merge، pivot، concat — جمع جداول المسح | merge؛ pivot؛ concat؛ جمع جداول المسح |
| 6 | الإحصاء الوصفي في Python | 1.5 مفهوم + 2.5 تطبيق | groupby/agg — هنا نبني FCS وrCSI بأيدينا | groupby/agg؛ بناء FCS؛ بناء rCSI |
| 7 | التصوّر: matplotlib وseaborn | 2 مفهوم + 2 تطبيق | منطق الطبقات، اختيار الرسم للسؤال | matplotlib؛ seaborn؛ منطق الطبقات؛ اختيار الرسم للسؤال |
| 8 | العلاقات والإحصاء الأساسي | 2 مفهوم + 2 تطبيق | الارتباط (FCS مقابل rCSI) بـ scipy، المقارنة بين الفئات — الارتباط ≠ السببية | الارتباط بـ scipy؛ مقارنة الفئات؛ الارتباط ≠ السببية |
| 9 | المشاركة والتقارير | 1 مفهوم + 3 تطبيق | تنظيم الـ Notebook، التصدير، من التحليل إلى مخرج قابل للقرار | تنظيم الـ Notebook؛ التصدير؛ مخرج قابل للقرار |
| 10 | مشروع ختامي | 0.5 توجيه + 3.5 بناء وعرض | «هل يؤثر النزوح على الأمن الغذائي؟» — سلسلة كاملة بالكود | سؤال البحث؛ سلسلة كاملة بالكود؛ قابل للقرار |
Training
Data Analysis Training Programs
Concept Before Click — A unified-philosophy set of progressive tracks
1. Data Analysis: From Thinking to Decision — 40 Training Hours
| # | Topic | Details |
|---|
| 1 | What Is Data? — From designing the collection tool to the first look | Data types; collection-tool design; variables; unit of analysis; first exploration |
| 2 | Defining the Problem — The right question before the data | The four question types; framing the research question; problem vs. symptom; analysis scope |
| 3 | Data Quality — How do you trust what's in front of you? | Completeness; consistency; accuracy; timeliness; sources of error |
| 4 | Descriptive Statistics — What do the numbers say? | Mean/median/mode; dispersion; distributions; ratios and rates |
| 5 | Outliers and Issues — What the numbers don't say | Missing values; outliers; bias; handling gaps |
| 6 | Correlation and Causation — Relationship vs. cause | Correlation; causation; confounding variables; FCS vs. rCSI |
| 7 | Segmentation and Comparison — What is it and where is it? | Grouping into categories; comparing groups; cross-tabulation; displacement as a variable |
| 8 | Data Visualization — A picture worth a thousand words | Choosing the chart for the question; visual honesty; the key message; avoiding distortion |
| 9 | Building Recommendations — From finding to decision | From observation to recommendation; linking evidence to decision; confidence level; limitations |
| 10 | The Full Presentation — From question to decision | Data storytelling; building the presentation; audience awareness; the complete analytical chain |
2. Data Analysis with Power BI
Beginner Course — 40 hours (10 sessions × 4 hours)
| # | Topic | Hours Split (of 4) | Conceptual Focus | Details |
|---|
| 1 | The BI Mindset and the Data Journey | 2 concept + 2 environment tour | Why BI? Source → Prep → Modeling → Visualization → Decision. Desktop vs. Service | Data journey; Desktop vs. Service; full workflow; why BI |
| 2 | Getting Data + Power Query (1) | 1.5 concept + 2.5 practice | The “preparation layer” idea, connecting to sources, basic cleaning | Get Data; connecting to sources; preparation layer; basic cleaning |
| 3 | Power Query (2) | 1 concept + 3 practice | Shaping tables, merge/append, repeatable steps | Shaping tables; Merge; Append; repeatable steps |
| 4 | Data Modeling Basics | 2 concept + 2 practice | Fact vs. dimension table, one-to-many, intro to the star schema | Fact vs. dimension table; one-to-many; intro to star schema; relationships |
| 5 | Introduction to DAX | 1.5 concept + 2.5 practice | Calculated column vs. measure — the essential difference | Calculated column; measure; the essential difference; simple syntax |
| 6 | Applied DAX | 1 concept + 3 practice | Aggregations, common measures, ratios and rates | Aggregations; ratios; rates; common measures |
| 7 | Visualization (1) | 2 concept + 2 practice | Choosing the right chart for the analytical question (link to the four question types) | Choosing the chart for the question; visual types; link to question types |
| 8 | Visualization (2) + Interactivity | 1 concept + 3 practice | Slicers, Filters, Drill, coherent dashboard layout | Slicers; Filters; Drill; dashboard layout |
| 9 | Publishing to the Service | 1.5 concept + 2.5 practice | Publishing, sharing, refresh, governance basics | Publishing; sharing; refresh; governance basics |
| 10 | Capstone Project | 0.5 guidance + 3.5 build & present | Full chain from raw data to a decision-ready report | Full chain; raw data to report; decision-ready; presentation |
Advanced Course — 40 hours (10 sessions × 4 hours)
| # | Topic | Hours Split (of 4) | Conceptual Focus | Details |
|---|
| 1 | Advanced Modeling | 2 concept + 2 practice | Star schema in depth, dimensions, normalize vs. flatten | Star schema in depth; dimensions; normalize vs. flatten |
| 2 | Complex Relationships | 1.5 concept + 2.5 practice | Role-playing dimensions, many-to-many, bridge tables | Role-playing dimensions; many-to-many; bridge tables |
| 3 | Power Query / M Language | 1.5 concept + 2.5 practice | Parameters, custom functions, error handling, query folding | Parameters; custom functions; error handling; Query Folding |
| 4 | DAX Context — The Big Hurdle | 2.5 concept + 1.5 practice | Row context vs. filter context — the single most important concept in the course | Row context; filter context; the most important concept |
| 5 | CALCULATE | 2 concept + 2 practice | Modifying context, filters, interaction between measures | Modifying context; filters; measure interaction |
| 6 | Time Intelligence | 1 concept + 3 practice | Calendar table, YTD/MTD, time comparisons | Calendar table; YTD/MTD; time comparisons |
| 7 | Iterators, Variables, and Patterns | 1.5 concept + 2.5 practice | SUMX and its siblings, VAR, common DAX patterns | SUMX and siblings; VAR; DAX patterns |
| 8 | Performance + Row-Level Security (RLS) | 2 concept + 2 practice | VertiPaq engine, model reduction, per-user security | VertiPaq engine; model reduction; per-user security |
| 9 | The Service In Depth | 1.5 concept + 2.5 practice | Dataflows, Gateways, scheduled refresh, deployment pipelines | Dataflows; Gateways; scheduled refresh; Deployment Pipelines |
| 10 | Advanced Capstone Project | 0.5 guidance + 3.5 build & present | Optimized model + advanced DAX + secured, decision-ready report | Optimized model; advanced DAX; secured report; decision-ready |
3. Geographic Information Systems with ArcGIS Pro
Beginner Course — 40 hours (10 sessions × 4 hours)
| # | Topic | Hours Split (of 4) | Conceptual Focus | Details |
|---|
| 1 | The GIS Mindset and the ArcGIS Pro Environment | 2 concept + 2 environment tour | Spatial thinking, the spatial data journey, project/maps/layers, the Ribbon | Spatial thinking; project/maps/layers; Ribbon |
| 2 | Coordinate Systems and Projections | 2.5 concept + 1.5 practice | Datum, why do maps distort? — the major conceptual hurdle, the GIS analogue of “filter context” | Datum; projection; map distortion; CRS |
| 3 | Vector Data Model | 1.5 concept + 2.5 practice | Point/line/polygon, the attribute table, feature classes | Point/line/polygon; attribute table; Feature Classes |
| 4 | Raster Data Model | 1.5 concept + 2.5 practice | The cell, continuous data, the essential difference from vector and when to use each | The cell; continuous data; vector vs. raster |
| 5 | Acquiring and Managing Data | 1.5 concept + 2.5 practice | The geodatabase, data sources, importing and organizing | Geodatabase; data sources; import and organize |
| 6 | Attribute and Spatial Queries | 1.5 concept + 2.5 practice | Select by Attribute vs. Select by Location — link to the analytical question types | Select by Attribute; Select by Location; link to question types |
| 7 | Editing and Creating Data | 1 concept + 3 practice | Digitizing, topology basics, input accuracy | Digitizing; topology; input accuracy |
| 8 | Symbology and Classification | 2 concept + 2 practice | Representing data honestly — choosing the right classification method for the question (link to visualization principles) | Classification methods; visual honesty; link to visualization principles |
| 9 | Map Output (Cartography) | 1.5 concept + 2.5 practice | Laying out the map to communicate, core elements, publish-ready export | Layout; map elements; export for publishing |
| 10 | Capstone Project | 0.5 guidance + 3.5 build & present | From raw data to a map that answers a spatial question and supports a decision | Spatial question; raw data to map; supports a decision |
Intermediate Course — 40 hours (10 sessions × 4 hours)
| # | Topic | Hours Split (of 4) | Conceptual Focus | Details |
|---|
| 1 | Geodatabase Design | 2 concept + 2 practice | Domains, subtypes, relationships — structure before entry | Domains; subtypes; relationships; structure before entry |
| 2 | Geoprocessing Basics | 1.5 concept + 2.5 practice | Tool logic, inputs/outputs, environments, intro to workflows | Tool logic; inputs/outputs; environments |
| 3 | Vector Analysis | 1.5 concept + 2.5 practice | Buffer, overlay, dissolve, proximity analysis — why before how | Buffer; Overlay; Dissolve; proximity analysis |
| 4 | Raster Analysis and Spatial Analyst | 2 concept + 2 practice | Reclassify, map algebra, distance analysis | Reclassify; Map Algebra; distance analysis |
| 5 | Surface and Terrain Analysis | 1.5 concept + 2.5 practice | Digital elevation models (DEM), slope, hillshade, contour lines | DEM; slope; hillshade; contour |
| 6 | Introduction to Spatial Statistics | 2 concept + 2 practice | Hot spots, density, distribution patterns — correlation ≠ causation, spatially | Hot Spot; density; distribution patterns; correlation ≠ causation |
| 7 | Geocoding and Network Analysis | 1.5 concept + 2.5 practice | Geocoding, routes and service areas, network basics | Geocoding; routes; Service Areas; network basics |
| 8 | Automation: ModelBuilder and ArcPy | 2 concept + 2 practice | Turning a repetitive workflow into a model, intro to Python/ArcPy | ModelBuilder; workflow automation; intro to ArcPy |
| 9 | 3D and Cloud Sharing | 1.5 concept + 2.5 practice | 3D display, publishing to ArcGIS Online, interactive maps | 3D display; ArcGIS Online; interactive maps |
| 10 | Intermediate Capstone Project | 0.5 guidance + 3.5 build & present | A complete spatial analytical chain: question → analysis → result → decision-ready map | Complete spatial chain; analysis → result; decision-ready map |
4. Introduction to Data Analysis with R — 40 Hours
| # | Topic | Hours Split (of 4) | Conceptual Focus | Details |
|---|
| 1 | The Analysis Mindset + the R/RStudio Environment | 2 concept + 2 tour | Why code at all? Reproducibility and transparency, the project, Console vs. Script | Reproducibility and transparency; project; Console vs. Script; why code |
| 2 | R Basics | 1 concept + 3 practice | Types, vectors, lists — building blocks of data, not an end in themselves | Types; vectors; lists; building blocks |
| 3 | Data Frames and Import | 1.5 concept + 2.5 practice | data frame, reading CSV, first look at the South Sudan data | data frame; reading CSV; South Sudan data |
| 4 | dplyr: Cleaning and Transforming | 1.5 concept + 2.5 practice | The tidy-data philosophy, filter/select/mutate — the “preparation layer” in code | tidy data; filter/select/mutate; preparation layer in code |
| 5 | tidyr and Joining | 1 concept + 3 practice | Reshaping (pivot), join — combining the survey tables | pivot; join; combining survey tables |
| 6 | Descriptive Statistics in R | 1.5 concept + 2.5 practice | Summarizing with group_by/summarise — here we build FCS and rCSI by hand | group_by/summarise; building FCS; building rCSI |
| 7 | Visualization: ggplot2 | 2 concept + 2 practice | The grammar of graphics, choosing the chart for the question | grammar of graphics; ggplot2; choosing the chart for the question |
| 8 | Relationships and Basic Statistics | 2 concept + 2 practice | Correlation (FCS vs. rCSI), differences between categories — correlation ≠ causation | Correlation FCS/rCSI; comparing categories; correlation ≠ causation |
| 9 | Reproducible Reports | 1 concept + 3 practice | Quarto/R Markdown — from analysis to a decision-ready report | Quarto; R Markdown; decision-ready report |
| 10 | Capstone Project | 0.5 guidance + 3.5 build & present | “Does displacement affect food security?” — a full chain in code | Research question; full chain in code; decision-ready |
5. Introduction to Data Analysis with Python — 40 Hours
| # | Topic | Hours Split (of 4) | Conceptual Focus | Details |
|---|
| 1 | The Analysis Mindset + the Python/Jupyter Environment | 2 concept + 2 tour | Why code? Reproducibility, the Notebook as a thinking journal, the virtual environment | Reproducibility; Notebook as a thinking journal; virtual environment; why code |
| 2 | Python Basics | 1 concept + 3 practice | Types, lists, dictionaries — building blocks, not an end | Types; lists; dictionaries; building blocks |
| 3 | pandas: DataFrame and Import | 1.5 concept + 2.5 practice | (with a glimpse of NumPy), reading CSV, first look at the South Sudan data | DataFrame; NumPy glimpse; reading CSV; South Sudan data |
| 4 | pandas: Cleaning and Transforming | 1.5 concept + 2.5 practice | Indexing, filtering, derived columns — the “preparation layer” in code | Indexing; filtering; derived columns; preparation layer in code |
| 5 | pandas: Merging and Reshaping | 1 concept + 3 practice | merge, pivot, concat — combining the survey tables | merge; pivot; concat; combining survey tables |
| 6 | Descriptive Statistics in Python | 1.5 concept + 2.5 practice | groupby/agg — here we build FCS and rCSI by hand | groupby/agg; building FCS; building rCSI |
| 7 | Visualization: matplotlib and seaborn | 2 concept + 2 practice | The logic of layers, choosing the chart for the question | matplotlib; seaborn; logic of layers; choosing the chart for the question |
| 8 | Relationships and Basic Statistics | 2 concept + 2 practice | Correlation (FCS vs. rCSI) with scipy, comparing categories — correlation ≠ causation | Correlation with scipy; comparing categories; correlation ≠ causation |
| 9 | Sharing and Reports | 1 concept + 3 practice | Organizing the Notebook, exporting, from analysis to a decision-ready output | Organizing the Notebook; exporting; decision-ready output |
| 10 | Capstone Project | 0.5 guidance + 3.5 build & present | “Does displacement affect food security?” — a full chain in code | Research question; full chain in code; decision-ready |