آموزش کارخانه داده و ارکستراسیون (Data Factory & Orchestration) - آخرین آپدیت

ساخت جریان‌های داده (Dataflows) قابل استفاده مجدد با Power Query Building Reusable Dataflows with Power Query

• چرا تبدیل‌های بدون کد (No Code) بازی را تغییر می‌دهند Why No-Code Transforms Change the Game

• مبانی Dataflows Gen2 و Power Query Dataflows Gen2 and Power Query Fundamentals

تبدیل‌های چند مرحله‌ای با PySpark Multi-Step PySpark Transformations

• مبانی PySpark و الگوهای تبدیل داده PySpark Fundamentals and Transformation Patterns

ساخت خطوط لوله با اکتیویتی‌ها و پارامترها Building Pipelines with Activities and Parameters

• چرا فرآیندهای دستی شکست می‌خورند Why Manual Processes Fail

• اکتیویتی‌ها و پارامترهای خط لوله - بخش اول Pipeline Activities and Parameters - Part 1

• اکتیویتی‌ها و پارامترهای خط لوله - بخش دوم Pipeline Activities and Parameters - Part 2

تریگرها و مدیریت خطا Triggers and Error Handling

• تریگرها، تلاش مجدد و مدیریت شکست Triggers, Retries, and Failure Handling

پیکربندی Copy Jobs برای جذب افزایشی داده‌ها Configuring Copy Jobs for Incremental Ingestion

• جذب مداوم داده‌ها بدون پیچیدگی در خط لوله Continuous Ingestion Without Pipeline Complexity

• پیکربندی و حالت‌های Copy Job Copy Job Configuration and Modes

پیاده‌سازی گیت‌های کیفی در خطوط لوله Implementing Quality Gates in Pipelines

• زمانی که داده‌های بد همه چیز را مسموم می‌کنند When Bad Data Poisons Everything

• قوانین کیفی، قرنطینه و امتیازدهی Quality Rules, Quarantine, and Scoring

عیب‌یابی و رفع خطاهای جریان کاری Diagnosing and Fixing Workflow Failures

• هشدار ساعت ۳ صبح The 3 AM Alert

• خواندن لاگ‌های خط لوله، نوت‌بوک و Copy Job Reading Pipeline, Notebook, and Copy Job Logs

توسعه خط لوله با کمک هوش مصنوعی AI-Assisted Pipeline Development

پروژه عملی خط لوله داده خودکار Automated Data Pipeline Project