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 بعدی را پیش‌بینی کنند؟ در این دوره، با بررسی رویدادهای واقعی آب و هوایی، قدرت KQL را برای شناسایی الگوها، تشخیص ناهنجاری‌ها و پیش‌بینی اثرات کشف خواهید کرد و داده‌های خام طوفان را به بینش‌های کاربردی تبدیل می‌کنید. در دوره «کاوش در داده‌های سری زمانی با Kusto Query Language (KQL)»، یاد می‌گیرید که چگونه از داده‌های سری زمانی با KQL برای تحلیل روندها، کشف الگوها و شناسایی ناهنجاری‌ها استفاده کنید. ابتدا، نحوه استفاده از توابع Binning و Aggregating را در کنار توابع سری زمانی و بصری‌سازی‌ها برای استخراج بینش از داده‌ها بررسی می‌کنید. سپس، با توابع پیشرفته سری زمانی مانند make-series و mv-expand برای تحلیل‌های عمیق‌تر آشنا می‌شوید. در نهایت، یاد می‌گیرید که چگونه از توابعی مانند series_decompose و series_outliers برای یافتن الگوها و ناهنجاری‌ها در داده‌های عملیاتی استفاده کنید. در پایان این دوره، مهارت‌ها و دانش لازم برای تحلیل داده‌های سری زمانی با KQL را کسب خواهید کرد تا بتوانید بینش‌های ارزشمند به دست آورده و تصمیماتی هوشمندانه بر اساس داده‌های خود اتخاذ کنید.

سرفصل ها و درس ها

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

  • مبانی تحلیل‌های مبتنی بر زمان Time-based Analysis Basics

  • خلاصه‌سازی و دسته‌بندی (Binning) Summarize and Binning

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

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

  • دقت 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 ناهنجاری‌های 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.