مایکروسافت Fabric Masterclass - آینده داده ها با Fabric

Microsoft Fabric Masterclass - Future of Data with Fabric

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: راهنمای کامل پارچه | Data Factory, Warehouse, Data Science, Power BI all in Fabric | آموزش فابریک مایکروسافت درک مایکروسافت فابریک، چیستی، نحوه کار و اجزای مختلف آن یاد بگیرید چگونه فضاهای کاری را کاوش کنید، ایجاد کنید، اختصاص دهید و پیکربندی کنید اصول مهندسی داده در مایکروسافت فابریک، از جمله Lakehouse و Delta Lake را کاوش کنید. Fabric درباره گزینه‌های بارگذاری و جذب داده در محیط Fabric بیاموزید اتصال Power BI و Fabric در تجسم داده‌ها را بیاموزید نحوه استفاده از کارخانه داده برای ایجاد و اجرای خطوط لوله داده در Fabric را بیابید کاربردهای Fabric در حوزه‌های علم داده و مهندسی داده درک جامعی از مدیریت عملکرد، SQL و KQL به دست آورید و یاد بگیرید که چگونه از KSQL Queryset، پایگاه داده KSQL و KSQLMagic برای تجزیه و تحلیل داده ها استفاده کنید. بررسی نحوه مدیریت کنترل دسترسی، حاکمیت و نظارت در محیط Fabric پیش نیازها: درک و دانش اولیه مفاهیم و اصطلاحات داده ها. تجربه برنامه نویسی و آشنایی با مهندسی داده و زبان های علوم داده مانند SQL، Spark و Python لازم نیست، اما درک ساده مفاهیم و خدمات رایانش ابری، به ویژه برای Microsoft Azure را توصیه می کند.

آیا آماده هستید تا در دنیای پیشرفته مایکروسافت فابریک غوطه ور شوید و مهارت های حرفه ای داده و مهندسی داده خود را متحول کنید؟ این دوره آموزشی عمیق شما را با قدرت مایکروسافت فابریک، ابزارهای پیشرفته داده و پلت فرم تجزیه و تحلیل مایکروسافت آشنا می کند. با بیش از 9 ساعت محتوای جذاب، درک کاملی از قابلیت‌های مایکروسافت فابریک و اینکه چگونه می‌تواند به شما در سفر داده‌تان کمک کند، به دست خواهید آورد.


در این دوره جامع مایکروسافت فابریک، با موضوعات مهمی مانند Lakehouse در مقابل انبار و مفهوم فضاهای کاری آشنا خواهید شد. نحوه راه‌اندازی و پیکربندی دسترسی به فضای کاری، نحوه استفاده از OneLake و Delta Lake و نحوه اعمال تکنیک‌های احراز هویت و مجوز برای محافظت از داده‌ها را بیاموزید. دانش خود را در مورد میانبرها، هاب های نظارت و هاب های داده بهبود دهید. درباره یکپارچه‌سازی Spark، استراتژی‌های مختلف جذب برای بارگیری کارآمد داده، و موضوعات کلیدی مانند SQL در مقابل KQL و مدیریت عملکرد بیاموزید.


چه یک متخصص باتجربه داده باشید و چه تازه شروع به کار کرده اید، این دوره شما را برای پیشرفت در دنیای داده آماده می کند.


این دوره در مورد چیست؟

هدف اصلی این دوره ارائه یک راهنمای جامع برای فابریک مایکروسافت و نمایش کاربردهای متنوع آن در چندین دامنه در زمینه داده است. با کاوش در مهندسی داده، علم داده و تجزیه و تحلیل داده ها، درک کاملی از نحوه استفاده موثر مایکروسافت فابریک در دنیای داده ها ایجاد خواهید کرد.


مایکروسافت فابریک چیست؟

Microsoft Fabric یک پلتفرم تحلیلی مبتنی بر ابر همه‌جانبه است که شامل انتقال داده، دریاچه‌های داده، مهندسی داده، ادغام داده، علم داده، تجزیه و تحلیل بلادرنگ و هوش تجاری است. این یک رابط کاربر پسند و ابری SaaS ارائه می دهد که حتی برای افرادی که دانش تجزیه و تحلیل داده محدودی دارند به آن دسترسی پیدا می کند. همه اجزای تجزیه و تحلیل بر روی یک پلت فرم واحد در دسترس هستند و مدیریت خط لوله داده ها، استقرار مدل و اشتراک بینش را تسهیل می کند.


مدرسان این دوره چه کسانی هستند؟

  • Sawyer Nyquist

    یک متخصص داده از میشیگان غربی، ایالات متحده، دارای سمت مشاور مهندسی داده Sr. در Microsoft. او در هوش تجاری، مهندسی داده، انبار داده و معماری پلت فرم داده تخصص دارد. او با داشتن گواهینامه‌های داده‌های ابری در مهندسی داده، Apache Spark و هوش تجاری، با شرکت‌های متعددی برای استراتژی‌دهی و استقرار پلتفرم‌های داده، تجزیه و تحلیل و فناوری و تقویت رشد همکاری کرده است.

  • هیتش گویند

    Hitesh یک معمار راه حل های ابری از کالیفرنیای جنوبی، ایالات متحده آمریکا است که تخصص گسترده ای در مدیریت پایگاه داده و معماری سازمانی دارد. او همچنین یک نویسنده منتشر شده است که علاقه زیادی به راهنمایی نوجوانان دارد و کارآفرینی است که به قدرت فناوری برای مقابله با چالش‌های تجاری در دنیای واقعی اعتقاد دارد. Hitesh همچنین دارای گواهینامه در سطح متخصص در معماری Azure Solutions و همچنین گواهینامه مهندسی داده و Power Platform است.


چرا مایکروسافت فابریک را یاد بگیریم؟

  • ابزارهای متناسب با نقش: مایکروسافت فابریک ابزارهای تخصصی را برای نقش‌های مختلف درگیر در فرآیند تجزیه و تحلیل داده‌ها فراهم می‌کند و نیازهای متخصصان، تحلیلگران و مهندسان داده را برآورده می‌کند.

  • پلتفرم یکپارچه: مایکروسافت فابریک اجزای مختلف یک راه حل تحلیلی را در یک پلت فرم واحد یکی می کند.

  • دسترسی مبتنی بر ابر: به عنوان یک پلتفرم مبتنی بر ابر، Fabric به کاربران اجازه می‌دهد از هر کجا به آن دسترسی داشته باشند، و برای سازمان‌هایی با تیم‌های توزیع‌شده یا سازمان‌هایی که به مقیاس‌پذیری سریع برای قابلیت‌های تحلیلی خود نیاز دارند، ایده‌آل است.

  • قابلیت‌های مبتنی بر هوش مصنوعی: مایکروسافت فابریک دارای ویژگی‌هایی مانند Copilot است که به کدنویسی کارآمد کمک می‌کند و Data Activator که نظارت بر داده‌ها را در زمان واقعی ارائه می‌کند، تجزیه و تحلیل داده‌ها و تصمیم‌گیری را بهبود می‌بخشد.

  • انطباق با روندهای فعلی و ارتقاء مهارت: استقبال از مایکروسافت فابریک به افراد و سازمان‌ها این امکان را می‌دهد تا با روندهای نوظهور در تجزیه و تحلیل داده‌ها به روز بمانند، و فرصت‌هایی را برای یادگیری مداوم و افزایش مهارت‌ها فراهم می‌کند تا در عرصه داده رقابتی باقی بمانند.


چرا این دوره را انتخاب کنید؟

  • از کارشناسان بیاموزید: این دوره توسط کارشناسان صنعت که دانش و تجربه گسترده ای در زمینه های علم داده، تجزیه و تحلیل داده ها، و مهندسی داده دارند، تدریس می شود.

  • پوشش جامع: این دوره راهنمای کاملی را ارائه می دهد که حوزه های مهندسی داده، تجزیه و تحلیل داده ها، و علم داده را پوشش می دهد و آن را به منبعی مفید و جامع برای متخصصان داده تبدیل می کند.

  • رویکرد عملی: فراتر از توضیحات نظری، مثال‌های عملی ارائه می‌کنیم که به دانش‌آموزان اجازه می‌دهد در کنار مربی تمرین کنند، که به زبان‌آموز اجازه می‌دهد تا مفاهیم را در سناریوهای دنیای واقعی به کار گیرد و تجربه یادگیری خود را افزایش دهد.

  • پشتیبانی مربی: چه در موضوع خاصی گیر کرده باشید، چه به دنبال شفاف سازی باشید یا به دنبال بینش های متخصص باشید، مربیان ما متعهد هستند که در هر مرحله به شما کمک کنند.


نمای کلی دوره:

  • بخش 1: درباره اهداف دوره، مدرسان و نحوه همسو کردن راه حل های تحلیلی با نیازهای مشتریان بیاموزید.

  • بخش 2: مقدمه ای بر مایکروسافت فابریک به همراه راه اندازی و پیکربندی فضای کاری.

  • بخش‌های 3 تا 5: مروری بر مهندسی داده در Fabric، که OneLake، Delta Lake، میانبرها، فرآیند احراز هویت و نظارت بر کارهای Spark را پوشش می‌دهد.

  • بخش 6: مقدمه ای بر انبار داده در Fabric که شامل جذب داده، بارگذاری داده، مدیریت عملکرد و غیره می شود.

  • بخش 7: تجزیه و تحلیل بلادرنگ شامل SQL و KQL، نظارت بر پرس و جوها و داده ها، KSQLmagic به همراه ادغام Spark را بیاموزید.

  • بخش‌های 8 و 9: درک کارخانه داده، جریان‌های داده، خطوط لوله و تنظیم فضای کاری.

  • بخش 10: بررسی ادغام Power BI با Fabric.

  • بخش 11: مقدمه ای بر فرآیند علم داده، مدیریت مدل و تمرین های عملی.

  • بخش 12: اصول مدیریت داده‌ها از جمله کنترل دسترسی، حاکمیت و امنیت، و نظارت را پوشش می‌دهد.


سرفصل ها و درس ها

مقدمه Introduction

  • معرفی مربیان Instructors Introduction

  • نکات دوره Course Tips

  • اهداف آموزشی Learning objectives

  • درک اهداف Understanding the Objectives

  • معیارهای موفقیت Success Criteria

  • مقدمه Introduction

  • نقشه راه دوره Course Roadmap

بنیاد فابریک مایکروسافت Microsoft Fabric Foundation

  • مروری بر فابریک مایکروسافت Overview of Microsoft Fabric

  • لیک هاوس در مقابل انبار Lakehouse vs Warehouse

  • انواع مجوز پارچه Fabric License Types

  • شروع به کار: صفحه ثبت نام Getting-Started: Sign-up Screen

  • مفهوم فضاهای کاری Concept of Workspaces

  • ایجاد و پیکربندی دسترسی به فضای کاری Create and Configure Workspace Access

  • تنظیمات فضای کاری Workspace Settings

مهندسی داده - OneLake Data Engineering - OneLake

  • مقدمه ای بر مهندسی داده در پارچه Introduction to Data Engineering in Fabric

  • معرفی OneLake Introduction to OneLake

  • لیک هاوس Lakehouse

  • دریاچه دلتا Delta Lake

  • OneLake Explorer OneLake Explorer

  • احراز هویت و مجوز Authentication and Authorization

  • مقدمه ای بر میانبرها Introduction to Shortcuts

  • ایجاد میانبر Creating Shortcuts

  • مرکز نظارت و هاب داده Monitoring Hub and Data Hub

مهندسی داده - Lakehouse Data Engineering - Lakehouse

  • مقدمه Introduction

  • معماری Architecture

  • تمایز بین Lakehouse و Warehouse Distinctions between Lakehouse & Warehouse

مهندسی داده - ETL با Lakehouse Data Engineering - ETL with Lakehouse

  • اسپارک چیست؟ What is Spark?

  • نمای کلی نوت بوک Notebook Overview

  • نوت بوک های مبتنی بر وب و VS Code Web based and VS Code Notebooks

  • Spark + Monitoring Spark Jobs Spark + Monitoring Spark Jobs

انبار داده - موتور بدون سرور Data Warehouse - Serverless Engine

  • اسکریپت های Warehouse-SQL Warehouse-SQL Scripts

  • مقدمه Introduction

  • مجموعه داده و مدل سازی پیش فرض Default Dataset and Modelling

  • روش های مصرف Ingest Methods

  • Load Data Introduction Load Data Introduction

  • بارگذاری داده ها در Lakehouse Load Data into Lakehouse

  • بارگذاری داده ها با استفاده از خط لوله داده قسمت 1 Load Data Using Data Pipeline Part 1

  • بارگذاری داده ها با استفاده از Dataflows Load Data Using Dataflows

  • بارگذاری داده ها با استفاده از خط لوله داده قسمت 2 Load Data Using Data Pipeline Part 2

  • مدل‌ها و گزارش‌های Power BI Models and Power BI reports

  • پرس و جو از طریق پایگاه داده Cross-database Query

  • نقش ها + مجوزها (RLS، CLS) Roles + Permissions (RLS, CLS)

  • مدیریت عملکرد Manage Performance

  • اسکریپت های Warehouse-SQL Warehouse-SQL Scripts

تجزیه و تحلیل زمان واقعی Real-Time Analytics

  • تجزیه و تحلیل زمان واقعی - اسکریپت های KQL Real-Time Analytics - KQL Scripts

  • SQL در مقابل KQL مقدمه SQL vs KQL Introduction

  • ایجاد، پردازش و نظارت Create, Process and Monitor

  • مجموعه پرس و جو KSQL KSQL Queryset

  • پایگاه داده KSQL KSQL Database

  • KSQLmagic KSQLmagic

  • جرقه Spark

  • تجزیه و تحلیل زمان واقعی - اسکریپت های KQL Real-Time Analytics - KQL Scripts

معرفی کارخانه داده Data Factory Introduction

  • Data Factory چیست؟ What is Data Factory?

  • جریان داده ها و خطوط لوله Data Flows and Pipelines

  • معماری Architecture

  • راه اندازی فضای کاری Workspace Setup

Data Factory End-to-End Build Data Factory End-to-End Build

  • کنترل جدول و کپی داده ها Control Table and Copy Data

  • الگوی کپی فراداده Metadata Copy Pattern

  • فعالیت اسکریپت Script Activity

  • جریان داده Gen2 مقدمه Data Flows Gen2 Introduction

  • جریان داده Gen2 ادامه Data Flows Gen2 Continuation

  • خط لوله را اجرا کنید Execute Pipeline

  • میانبر به سایر فضاهای کاری Shortcut to Other Workspaces

  • نوت بوک Notebooks

  • تبدیل های جریان داده Gen2 Data Flow Gen2 Transformations

  • خطوط لوله، نوت بوک ها و پارامترها Pipelines, Notebooks and Parameters

  • نظارت بر نوت بوک ها در خطوط لوله Monitoring Notebooks in Pipelines

تجسم داده ها با Power BI Data Visualization with Power BI

  • Power BI و Fabric Power BI and Fabric

  • کنترل نسخه Version Control

  • دریاچه مستقیم Direct Lake

علم داده Data Science

  • علم داده - منابع Data Science - Resources

  • علم داده چیست؟ What is Data Science?

  • فرآیند علم داده The Data Science Process

  • اقلام و مدل ها Items and Models

  • ورزش Excercise

  • ذخیره مدل ها Saving Models

  • مدیریت مدل Model Management

  • علم داده - منابع Data Science - Resources

مدیریت داده ها Data Management

  • مقدمه Introduction

  • کنترل دسترسی Access Control

  • حکومت داری Governance

  • نظارت Monitoring

پاداش Bonus

  • پاداش Bonus

نمایش نظرات

مایکروسافت Fabric Masterclass - آینده داده ها با Fabric
جزییات دوره
9 hours
83
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
691
3.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Henry Habib Henry Habib

پلتفرم قدرت و علاقه مندان به هوش مصنوعی

سلام! من هنری هستم، مشاور داده در شرکت‌های Fortune 500، متخصص بدون کد، و علاقه‌مند به هوش مصنوعی مستقر در کانادا.

من از طرفداران پرشور توسعه برنامه‌های بدون کد در تجارت هستم، زیرا انجام آنها بسیار آسان‌تر است. را درک کرده و به سرعت مستقر کنید. من همچنین معتقدم که هوش مصنوعی و اتوماسیون می‌تواند زندگی همه را آسان‌تر کند، و در تلاش هستم تا این مهارت‌ها را به هر تعداد که می‌توانم آموزش دهم. من کاملاً معتقدم که راه‌حل‌های بدون کد و هوش مصنوعی آینده کار هستند و این راه‌حل‌ها در زندگی روزمره ما یکپارچه خواهند بود.

من همچنین عاشق آموزش و راهنمایی دانش‌آموزان در موضوعات مختلف از جمله هوش مصنوعی هستم. -کد، اتوماسیون، تجزیه و تحلیل داده ها، و تجسم، و بیشتر. من متعهد به ایجاد دوره‌های جذاب و مفیدی هستم که دانش و مهارت‌های مورد نیاز دانش‌آموزان را با تبدیل شدن به نسل بعدی رهبران کسب‌وکار فراهم می‌کند.

من همچنین رهبر هوش مصنوعی برای DNA سازمانی هستم، داده‌های برتر و انجمن Power Platform.

برای برخی از ویدیوهای آموزشی من به زیر مراجعه کنید.

The Intelligent Worker The Intelligent Worker

برای بهره وری بیشتر از هوش مصنوعی، اتوماسیون و بدون کد استفاده کنید

Sawyer Nyquist Sawyer Nyquist

معمار و مشاور داده

Hitesh Govind Hitesh Govind

مدرس و نویسنده