کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

آموزش مهندسی داده مایکروسافت فبریک (DP-700): جذب و تبدیل داده‌ها - آخرین آپدیت

دانلود Microsoft Fabric Data Engineer (DP-700): Ingest and Transform Data

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: جذب داده‌ها (Data Ingestion) و تبدیل داده‌ها (Data Transformation) دو مفهوم حیاتی برای هر مهندس داده هستند. در این دوره آموزشی جامع با عنوان «مهندسی داده مایکروسافت فبریک (DP-700): جذب و تبدیل داده‌ها»، شما یاد می‌گیرید که چگونه بهینه‌ترین راهکارهای جذب و تبدیل داده‌ها را برای سناریوهای داده‌های دسته‌ای (Batch) و جریانی (Streaming) طراحی و پیاده‌سازی کنید. در ابتدا، الگوهای مختلف بارگذاری عمومی داده‌ها را بررسی کرده و اهمیت بارگذاری افزایشی (Incremental Loading) را درک خواهید کرد. سپس، نحوه بهره‌برداری از اجزا و ویژگی‌های مختلف Microsoft Fabric را برای مدیریت جذب و تبدیل داده‌های دسته‌ای می‌آموزید. در نهایت، روش‌های پیاده‌سازی راهکارهای مقاوم و مقیاس‌پذیر هنگام کار با داده‌های جریانی در محیط مایکروسافت فبریک را فرا خواهید گرفت. پس از اتمام این دوره، شما درک بنیادینی از مفاهیم و قابلیت‌های متعدد جذب و تبدیل داده در Microsoft Fabric خواهید داشت که شما را قادر می‌سازد راهکارهای مهندسی داده بهینه طراحی کرده و برای موفقیت در آزمون DP-700 آماده شوید.
سرفصل ها و درس ها

طراحی و پیاده‌سازی الگوهای بارگذاری Design and Implement Loading Patterns

  • درک گردش کار بارگذاری داده‌ها Understanding the Data Loading Workflow

  • دمو: پیاده‌سازی بارگذاری افزایشی داده‌ها با Fabric Pipelines Demo: Implementing Incremental Data Loading with Fabric Pipelines

  • دمو: پیاده‌سازی بارگذاری افزایشی داده‌ها با Notebooks Demo: Implementing Incremental Data Loading with Notebooks

  • دمو: پیاده‌سازی بارگذاری افزایشی داده‌ها با Dataflows Demo: Implementing Incremental Data Loading with Dataflows

  • درک مفاهیم اصلی مدل‌سازی ابعادی Understanding Core Concepts of Dimensional Modeling

  • درک شمای ستاره‌ای و دانه برفی (Star and Snowflake Schemas) Understanding Star and Snowflake Schemas

  • دمو: آماده‌سازی داده‌ها برای بارگذاری در مدل‌های ابعادی Demo: Preparing Data for Loading into Dimensional Models

  • پیاده‌سازی الگوهای بارگذاری داده برای داده‌های جریانی Implementing Data Loading Patterns for Streaming Data

جذب و تبدیل داده‌های دسته‌ای (Batch) Ingest and Transform Batch Data

  • انتخاب گزینه ذخیره‌سازی مناسب Choosing the Appropriate Storage Option

  • انتخاب ابزار مناسب برای تبدیل داده‌ها Choosing the Appropriate Data Transformation Tool

  • درک مفهوم OneLake Shortcuts Understanding the Concept of OneLake Shortcuts

  • دمو: ایجاد OneLake Shortcut Demo: Creating the OneLake Shortcut

  • درک ویژگی Mirroring Understanding the Mirroring Feature

  • جذب داده‌ها با استفاده از Pipelines Ingesting Data with Pipelines

  • دمو: تبدیل داده‌ها با PySpark Demo: Data Transformation with PySpark

  • دمو: تبدیل داده‌ها با SQL Demo: Data Transformation with SQL

  • دمو: تبدیل داده‌ها با KQL Demo: Data Transformation with KQL

  • درک مفهوم غیرنرمال‌سازی (Denormalization) Understanding Denormalization

  • دمو: پیاده‌سازی غیرنرمال‌سازی Demo: Implementing Denormalization

  • درک مفاهیم تجمیع و گروه‌بندی داده‌ها Understanding Aggregation and Data Grouping

  • مدیریت داده‌های تکراری و مفقود Handling Duplicates and Missing Data

  • دمو: مدیریت مقادیر تکراری و مفقود Demo: Handling Duplicates and Missing Values

جذب و تبدیل داده‌های جریانی (Streaming) Ingest and Transform Streaming Data

  • انتخاب موتور جریانی (Streaming Engine) مناسب Choosing the Appropriate Streaming Engine

  • انتخاب گزینه ذخیره‌سازی مناسب برای داده‌های جریانی Choosing the Appropriate Storage Option for Streaming Data

  • دمو: ایجاد دیتابیس‌های KQL و Shortcutهای دیتابیس در Real Time Intelligence Demo: Creating KQL Databases and Database Shortcuts in Real-Time Intelligence

  • دمو: پردازش داده‌ها با Eventstreams Demo: Processing Data with Eventstreams

  • پردازش داده‌ها با KQL Processing Data with KQL

  • دمو: پردازش داده‌ها با KQL Demo: Processing Data with KQL

  • پیاده‌سازی توابع پنجره‌ای (Window Functions) در KQL Implementing KQL Window Functions

  • دمو: پیاده‌سازی توابع پنجره‌ای KQL Demo: Implementing KQL Window Functions

آموزش معرفی مایکروسافت فابریک توسط مایکروسافت پرس

آموزش معرفی مایکروسافت فابریک توسط مایکروسافت پرس

Introduction to Microsoft Fabric by Microsoft Press

آموزش مهندس مایکروسافت Fabric Analytics: داده ها را کاوش و تجزیه و تحلیل کنید

آموزش مهندس مایکروسافت Fabric Analytics: داده ها را کاوش و تجزیه و تحلیل کنید

دانلود Microsoft Fabric Analytics Engineer: Explore and Analyze Data

آموزش مهندس مایکروسافت Fabric Analytics: داده ها را آماده و ارائه می کند

آموزش مهندس مایکروسافت Fabric Analytics: داده ها را آماده و ارائه می کند

Microsoft Fabric Analytics Engineer: Prepare and Serve Data

نمایش نظرات

آموزش مهندسی داده مایکروسافت فبریک (DP-700): جذب و تبدیل داده‌ها
جزییات دوره
2h 22m
30
(آخرین آپدیت)
11
4.2 از 5
دارد
دارد
دارد
Nikola Ilic

https://donyad.com/d/2dead9

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Nikola Ilic Nikola Ilic

نیکولا ایلیچ به طور رسمی یک توسعه‌دهنده هوش تجاری است که بر فناوری‌های پلتفرم داده مایکروسافت، به‌ویژه Power BI تمرکز دارد - اما او فردی متعصب به داده است و به هر چیزی که مربوط به استخراج اطلاعات معنی‌دار از داده‌های خام است علاقه دارد. نیکولا خود را "داده موتزارت" معرفی می کند. از آنجایی که او در شهر شگفت انگیز سالزبورگ، اتریش، که به زادگاه W.A.Mozart معروف است، زندگی می کند، به اندازه کافی شجاع بود که از نام خانوادگی آهنگساز به عنوان بخشی از نام مستعار خود استفاده کند. به همین دلیل است که شعار حرفه ای نیکولا این است: "از داده های خود موسیقی بسازید!" نیکولا که از محیط کسب و کار آمده است، دارای مدرک لیسانس در علوم ارتباطات و علوم کامپیوتر است. او مرتباً در data-mozart.com وبلاگ می نویسد و در کنفرانس های داده جهانی سخنرانی می کند. نیکولا همچنین MVP پلتفرم داده مایکروسافت، مربی گواهی شده مایکروسافت و تحلیلگر داده تایید شده است.

Microsoft Fabric مایکروسافت فبریک