آموزش کاوش در داده‌های سری زمانی با زبان پرس‌وجوی کوستو (KQL) - آخرین آپدیت

دانلود Explore Time-series Data with Kusto Query Language (KQL)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: آیا تا به حال فکر کرده‌اید که داده‌ها چگونه می‌توانند طوفان بزرگ بعدی را پیش‌بینی کنند؟ در رویدادهای واقعی آب و هوایی غرق شوید و قدرت KQL را برای شناسایی الگوها، تشخیص ناهنجاری‌ها و پیش‌بینی اثرات کشف کنید؛ تبدیل داده‌های خام طوفان به بینش‌های عملی. در این دوره، «کاوش در داده‌های سری زمانی با زبان پرس‌وجوی کوستو (KQL)»، خواهید آموخت که چگونه از داده‌های سری زمانی با KQL برای تحلیل روندها، کشف الگوها و شناسایی ناهنجاری‌ها استفاده کنید. ابتدا، نحوه استفاده از توابع دسته‌بندی (Binning) و تجمیع (Aggregating) را به همراه توابع سری زمانی و بصری‌سازی‌ها برای استخراج بینش از داده‌های خود بررسی می‌کنید. سپس، نحوه استفاده از توابع سری زمانی مانند make-series و mv-expand برای تحلیل‌های پیشرفته را خواهید یافت. در نهایت، یاد می‌گیرید چگونه از توابعی مانند series_decompose و series_outliers برای یافتن الگوها و ناهنجاری‌ها در داده‌های کاربردی استفاده کنید. پس از اتمام این دوره، مهارت‌ها و دانش لازم برای کاوش در داده‌های سری زمانی با KQL را کسب خواهید کرد تا بتوانید بینش‌های ارزشمند به دست آورده و اقدامات هوشمندانه‌ای بر اساس داده‌های خود انجام دهید.

سرفصل ها و درس ها

تحلیل روندها با استفاده از دسته‌بندی و تجمیع Analyze Trends Using Binning and Aggregation

  • اصول تحلیل‌های مبتنی بر زمان Time-based Analysis Basics

  • خلاصه‌سازی و دسته‌بندی (Binning) Summarize and Binning

  • فیلتر کردن رکوردها در یک پنجره زمانی متحرک Filter Records in a Rolling Time Window

  • بصری‌سازی داده‌های سری زمانی در KQL Visualize Time Series Data in KQL

  • جزئیات زمانی (Granularity) در KQL Time Granularity in KQL

توابع سری زمانی برای تحلیل‌های پیشرفته Time-series Functions for Advanced Analysis

  • استفاده از make series Using make-series

  • مجموعه داده‌های سری زمانی چندگانه Multiple Series Datasets

  • استفاده از mv expand Using mv-expand

  • مدیریت شکاف‌های موجود در داده‌ها Handling Gaps in Data

کاوش در الگوها و ناهنجاری‌ها در داده‌های سری زمانی Explore Patterns and Anomalies in Time-series Data

  • استفاده از Series Decompose Using Series Decompose

  • استفاده از Series Outliers Using Series Outliers

  • تفسیر تغییرات داده‌ها و ناهنجاری‌ها Interpreting Data Changes and Anomalies

نمایش نظرات

آموزش کاوش در داده‌های سری زمانی با زبان پرس‌وجوی کوستو (KQL)
جزییات دوره
57m
12
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Matt Stenzel
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Matt Stenzel Matt Stenzel

مت استنزل یک معمار راه حل ابر داده و هوش مصنوعی در مایکروسافت است. او دارای بیش از 15 سال تجربه در صنعت داده و تجزیه و تحلیل است که در نقش های مختلف از جمله توسعه دهنده نرم افزار، مهندس داده، توسعه دهنده DW، DBA و معمار ادغام کار می کند. او 8 سال گذشته را در مایکروسافت کار کرده است تا به شرکت‌های سراسر ایالات متحده کمک کند تا راه‌حل‌های Azure را با موفقیت پیاده‌سازی کنند که ارزش تجاری را ارائه می‌کنند.