آموزش Microsoft DP-700 Prep: همکار مهندس داده پارچه

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• به Udemy خوش آمدید Welcome to Udemy

• رابط Udemy The Udemy Interface

• آیا زیرنویس های ترجمه خودکار به زبان های بیشتر می خواهید؟ Do you want auto-translated subtitles in more languages?

• برنامه درسی Curriculum

• منابع Resources

نگاهی به پارچه A look around Fabric

• * ورود به پارچه مایکروسافت * Signing into Microsoft Fabric

• * چرا به آدرس ایمیل کاری نیاز دارم؟ و اگر من آن را ندارم چگونه می توانم یکی را بدست آورم؟ * Why do I need a Work email address? And how can I get one, if I don't have it?

• * ایجاد ظرفیت پارچه و پیکربندی تنظیمات فضای کاری با قابلیت پارچه * Creating a Fabric capacity and configure Fabric-enabled workspace settings

• * الزامات مربوط به راه حل پارچه را شناسایی کرده و ظرفیت پارچه را مدیریت کنید * Identify requirements for a Fabric solution and manage Fabric capacity

• * یک تور سریع پارچه * A quick tour of Fabric

• * نگاهی به پارچه * A look around Fabric

با استفاده از DataFlow Gen2 Using Dataflow Gen2

• * داده ها را با استفاده از جریان داده ها مصرف کنید * Ingest data by using a dataflow

• * 20. یک مقصد را به یک جریان داده اضافه کنید * 20. Add a destination to a dataflow

• * 15. صرفه جویی به عنوان یک الگوی و برنامه ریزی یک جریان داده * 15. Saving as a template and scheduling a dataflow

• * 45. هنگام استفاده از DataFlows ، کپی سریع را پیاده سازی کنید * 45. Implement Fast Copy when using dataflows

• 35 ، 39. نظارت بر تغییر داده ها ، شناسایی و حل خطاها با استفاده از جریان داده ها 35, 39. Monitor data transformation, identify and resolve errors using dataflows

• 35. یک جریان داده را بهینه کنید 35. Optimize a dataflow

• با استفاده از DataFlow Gen2 Using Dataflow Gen2

استفاده از خطوط لوله Using pipelines

• * 24. داده ها را با استفاده از خط لوله داده و اضافه کردن فعالیت های دیگر مصرف کنید * 24. Ingest data by using a data pipeline, and adding other activities

• * 24 ، 38. داده ها را با استفاده از خط لوله داده کپی کنید * 24, 38. Copy data by using a data pipeline

• * 15 ، 34. خطوط لوله داده را برنامه ریزی کرده و خط لوله داده را کنترل می کند * 15, 34. Schedule data pipelines and monitor data pipeline runs

• 38 ، 45. شناسایی و حل خطاهای خط لوله و بهینه سازی خط لوله 38, 45. Identifying and resolving pipeline errors, and optimizing a pipeline

• *کاوش در داده های نمونه (از جمله کپی دستیار داده) + الگوهای خط لوله داده *Exploring sample data (including copy data assistant) + data pipeline templates

• * فعالیت شماره 1 را تمرین کنید * Practice Activity Number 1

• * فعالیت شماره 1 - راه حل * Practice Activity Number 1 - The Solution

• * با استفاده از خطوط لوله داده و جریان داده ها * Using data pipelines and dataflows

17. بارگیری و ذخیره داده ها با استفاده از نوت بوک ها 17. Loading and saving data using notebooks

• با استفاده از آپلود محلی داده ها را به خانه دریاچه می رساند Ingesting data into a lakehouse using a local upload

• یک روش مناسب برای کپی کردن در خانه دریاچه یا انبار انتخاب کنید Choose an appropriate method for copying to a Lakehouse or Warehouse

• مصرف داده ها با استفاده از نوت بوک و کپی کردن در یک جدول Ingesting data using a notebook, and copying to a table

• ذخیره داده ها در یک پرونده یا میز دریاچه Saving data to a file or Lakehouse table

• بارگیری داده ها از یک جدول در Pyspark و SQL و دستکاری نتایج Loading data from a table in PySpark and SQL, and manipulating the results

• فعالیت شماره 2 را تمرین کنید Practice Activity Number 2

• فعالیت شماره 2 را تمرین کنید - راه حل Practice Activity Number 2 - The Solution

• بارگیری و ذخیره داده ها با استفاده از نوت بوک ها Loading and saving data using notebooks

25 ، 40. دستکاری DataFrames - انتخاب ستون ها و ردیف ها 25, 40. Manipulating dataframes - choosing columns and rows

• کاهش تعداد ستون های نشان داده شده Reducing the number of columns shown

• فیلتر کردن داده ها با: کجا ، محدود و دم Filtering data with: where, limit and tail

• غنی سازی داده ها با اضافه کردن ستون های جدید Enriching data by adding new columns

• استفاده از توابع Using Functions

• فیلتر پیشرفته تر More advanced filtering

25 ، 40. تبدیل انواع داده ها ، جمع آوری و مرتب سازی DataFrames 25, 40. Converting data types, aggregating and sorting dataframes

• تبدیل انواع داده Converting data types

• وارد کردن داده ها با استفاده از یک ساختار صریح داده Importing data using an explicit data structure

• تاریخ قالب بندی به عنوان رشته ها Formatting dates as strings

• 27. جمع آوری و دوباره فیلتر کردن داده ها 27. Aggregating and re-filtering data

• مرتب سازی نتایج Sorting the results

• با استفاده از همه 6 بندهای SQL Using all 6 SQL Clauses

• تبدیل انواع داده ها ، جمع آوری و مرتب سازی DataFrames Converting data types, aggregating and sorting dataframes

40. داده ها را در یک خانه دریاچه تبدیل کنید 40. Transform data in a lakehouse

• 25. ادغام داده ها 25. Merging data

• 28a. شناسایی و حل داده های تکراری 28a. Identifying and resolving duplicate data

• 25. پیوستن به داده ها با استفاده از یک عضو داخلی 25. Joining data using an Inner join

• 25. پیوستن به داده ها با استفاده از سایر پیوندها 25. Joining data using other joins

• 28B. شناسایی داده های گمشده یا مقادیر تهی 28b. Identifying missing data or null values

• فعالیت شماره 3 - اجرای میزهای پل برای یک خانه دریاچه Practice Activity Number 3 - Implementing bridge tables for a lakehouse

• فعالیت شماره 3 - راه حل Practice Activity Number 3 - Solution

• تبدیل داده ها در یک خانه دریاچه Transform data in a lakehouse

بهبود عملکرد نوت بوک و خودکار نوت بوک Improving notebook performance and automating notebooks

• 15. نوت بوک های برنامه 15. Schedule notebooks

• 31. داده ها را با استفاده از جریان ساختار یافته Spark در یک نوت بوک پردازش کنید 31. Process data by using Spark structured streaming in a notebook

• 31. آزمایش پردازش داده های جریان در یک نوت بوک 31. Testing the processing of streaming data in a notebook

• 31. داده ها را با استفاده از تعریف شغلی Spark پردازش کنید 31. Process data by using a Spark Job Definition

• 14. انتخاب بین خط لوله ، یک جریان داده و نوت بوک 14. Choosing between a pipeline, a dataflow and a notebook

• 16. پارامترها را با نوت بوک و خطوط لوله پیاده سازی کنید 16. Implement parameters with notebooks and pipelines

• 16. عبارات پویا را با نوت بوک و خطوط لوله اجرا کنید 16. Implement dynamic expressions with notebooks and pipelines

• بهبود عملکرد نوت بوک و خودکار نوت بوک Improving notebook performance and automating notebooks

ایجاد اشیا Creating objects

• 22. میانبرها را ایجاد و مدیریت کنید 22. Create and manage shortcuts

• 3. تنظیمات فضای کاری Onelake را پیکربندی کنید 3. Configure OneLake workspace settings

• ایجاد یک پایگاه داده Microsoft Azure SQL به عنوان منبع Creating a Microsoft Azure SQL Database as a source

• 44. با استفاده از خط لوله ، پارتیشن بندی پرونده را برای بار کاری تحلیلی پیاده سازی کنید 44. Implement file partitioning for analytics workloads using a pipeline

• 44. اجرای پارتیشن بندی پرونده برای بارهای کاری تجزیه و تحلیل - داده ها در یک خانه دریاچه است 44. Implement file partitioning for analytics workloads - data is in a lakehouse

• 23. آینه سازی بانکهای اطلاعاتی خارجی را پیاده سازی کنید 23. Implement mirroring of external databases

• ایجاد اشیا Creating objects

عملکرد را در نوت بوک ها بهینه کنید Optimize performance in notebooks

• 44. بارگیری و حل و فصل بطری های عملکرد بارگیری در نوت بوک ها 44. Identify and resolve data loading performance bottlenecks in notebooks

• 44. اجرای بهبود عملکرد در نوت بوک ها ، Inc. ترتیب 44. Implement performance improvements in notebooks, inc. V-Order

• 44. مسائل را با پرونده جدول Delta شناسایی و حل کنید: بهینه شده می نویسد 44. Identify and resolve issues with Delta table file: optimized writes

• 48. عملکرد جرقه را بهینه کنید 48. Optimize Spark performance

• بهینه سازی عملکرد Optimize performance

داده ها را در یک انبار داده تبدیل کنید Transform data in a data warehouse

• * ایجاد جداول در یک انبار داده * Creating tables in a data warehouse

• 25 ، 27. قرار دادن داده ها در جداول و تبدیل داده ها در یک انبار داده 25, 27. Inserting data into tables and transforming data in a Data Warehouse

• 20 ، 21. برای تبدیل داده ها بین Dataflows ، Notebooks و T-SQL انتخاب کنید 20, 21. Choose between dataflows, notebooks, and T-SQL for data transformation

• 18. به آرامی ابعاد را تغییر می دهد - تئوری 18. Slowly changing dimensions - Theory

• 18. نوع 0 را به آرامی تغییر دهید - مثال تمرین کنید 18. Implement Type 0 slowly changing dimensions - Practice Example

• 18. نوع 1 و نوع 2 را به آرامی تغییر دهید ابعاد - مثال عملی 18. Implement Type 1 and Type 2 slowly changing dimensions - Practical Example

• داده ها را در یک انبار داده تبدیل کنید Transform data in a data warehouse

ایجاد بارهای افزایشی Creating incremental data loads

• 17. با استفاده از خط لوله ، یک بار داده افزایشی را از یک انبار داده طراحی کنید 17. Design an incremental data load from a Data Warehouse using a pipeline

• 17. با استفاده از خط لوله ، یک بار داده افزایشی را از یک انبار داده پیاده سازی کنید 17. Implement an incremental data load from a Data Warehouse using a pipeline

• 17. یک بار داده افزایشی را از یک انبار داده با استفاده از خط لوله آزمایش کنید 17. Test an incremental data load from a Data Warehouse using a pipeline

• 17. اجرای یک بار داده های افزایشی با استفاده از DataFlow Gen2 17. Implementing an incremental data loads using a Dataflow Gen2

انبارهای داده را مدیریت و بهینه کنید Manage and Optimize Data Warehouses

• * 5. ایجاد حق بیمه برای هر کاربر (PPU) فضای کاری و repos devops لاجورد * 5. Creating a Premium Per User (PPU) workspace and Azure DevOps repos

• * 5. کنترل نسخه را برای فضای کاری پیاده سازی کنید * 5. Implement version control for a workspace

• 6. اجرای پروژه های پایگاه داده ، از جمله در کنترل منبع 6. Implement database projects, including in source control

• 11. ماسک داده های پویا را در یک انبار داده پیاده سازی کنید - فیلم 1 11. Implement dynamic data masking in a Data Warehouse - Video 1

• 11. ماسک داده های پویا را در یک انبار داده پیاده سازی کنید - فیلم 2 11. Implement dynamic data masking in a Data Warehouse - Video 2

• 46. ​​یک انبار داده را بهینه کنید 46. Optimize a data warehouse

* ایجاد یک خانه رویداد * Creating an eventhouse

• * ایجاد یک خانه رویداد ، کاوش در محیط و گرفتن داده * Creating an eventhouse, exploring the environment, and getting data

• * ایجاد نمونه های KQL و SQL نمونه و کاوش در محیط پرس و جو * Creating sample KQL and SQL queries, and exploring the query environment

* 25. انتخاب ، فیلتر و جمع آوری داده ها با استفاده از KQL * 25. Selecting, filtering and aggregating data using KQL

• * انتخاب داده ها با استفاده از KQL * Selecting data using KQL

• * انتخاب بیشتر ستون ها و سفارش داده ها با استفاده از KQL * Further selecting columns and ordering data using KQL

• * محدود کردن تعداد ردیف ها * Limiting the number of rows

• * انتخاب ستون ها ، سفارش و محدود کردن ردیف ها * Selecting columns, ordering and limiting rows

• * ایجاد یک رشته رشته ای * Creating a string literal

• * فیلتر برای کلیت یک رشته * Filtering for the entirety of a string

• * فیلتر برای بخشی از یک رشته * Filtering for part of a string

• * 27. جمع آوری داده ها * 27. Aggregating data

* 25. توابع KQL * 25. KQL Functions

• * رشته های خالی ، رشته های همیشگی و پیرایش * Empty strings, concatenating and trimming strings

• * دستکاری رشته ها * Manipulating strings

• * سایر توابع رشته * Other string functions

• * تعداد داده های شماره * Number Data Types

• * سایر عملکردهای ریاضی * Other Math Functions

• * انواع داده های DateTime و Timespan * datetime and timespan Data Types

• * توابع DateTime و Timespan * datetime and timespan Functions

* 25. تبدیل داده ها با استفاده از KQL * 25. Transforming data using KQL

• * ادغام داده ها * Merging data

• * پیوستن به داده ها * Joining data

• * داده های تکراری ، داده های از دست رفته یا مقادیر تهی را شناسایی و حل کنید * Identify and resolve duplicate data, missing data, or null values

• * توابع IIF/IFF و مورد مشروط * The iif/iff and case conditional functions

• * داده های onelake و مراکز در زمان واقعی + اجرای ادغام onelake * The OneLake data and real-time hubs + implementing OneLake integration

داده های جریان را وارد کرده و تبدیل کنید Ingest and transform streaming data

• 19 ، 29. یک موتور پخش مناسب را انتخاب کنید 19, 29. Choose an appropriate streaming engine

• 30 ، 42. پردازش داده ها با استفاده از یک رویداد EventStream 30, 42. Processing data by using an eventstream

• 30 ، 42. رویداد Manage Fields Transform را در یک رویدادها تبدیل می کند 30, 42. The Manage fields transform event in an eventstream

• 30 ، 33 ، 42. گروه توسط Transform Event ، از جمله ایجاد توابع پنجره 30, 33, 42. The Group by transform event, including Creating windowing functions

• 30 ، 42. تکمیل رویدادهای ما 30, 42. Completing our eventstream

• 25 ، 27. تجدید نظر در نحو KQL 25, 27. Revising KQL Syntax

• 15b ، 28 ، 37. ایجاد یک فعال کننده پارچه برای اجرای بر اساس یک ماشه مبتنی بر رویداد 15b, 28, 37. Creating a Fabric activator to run based on an event-based trigger

• 15b طراحی و پیاده سازی یک ماشه مبتنی بر رویداد بر اساس ذخیره سازی لاجورد 15b. Designing and implement an event-based trigger based on Azure Blob storage

• 47. بهینه سازی EventsTreams و اتفاقات 47. Optimizing eventstreams and eventhouses

تنظیمات فضای کاری و نظارت Workspace settings and Monitoring

• 1. تنظیمات فضای کاری جرقه: استخرهای استارت و سفارشی و محیط 1. Spark workspace settings: starter and custom pools, and environments

• 1. سایر تنظیمات فضای کاری جرقه 1. Other Spark workspace settings

• 2. تنظیمات فضای کاری دامنه را پیکربندی کنید 2. Configure domain workspace settings

• 4. تنظیمات فضای کاری گردش داده را پیکربندی کنید 4. Configure data workflow workspace settings

• تنظیمات را در پورتال مدیر پارچه توصیه کنید Recommend settings in the Fabric admin portal

• 8 ، 9. کنترل های دسترسی به فضای کاری و سطح مورد را برای موارد پارچه پیاده سازی کنید 8, 9. Implement workspace and item-level access controls for Fabric items

• 34-35. نصب برنامه ظرفیت پارچه مایکروسافت 34-35. Installing the Microsoft Fabric Capacity Metrics app

• 34-35. با استفاده از برنامه ظرفیت پارچه مایکروسافت - ظرفیت پارچه را مدیریت کنید 34-35. Using the Microsoft Fabric Capacity Metrics app - Manage Fabric capacity

• 36. نظارت بر مدل معنایی را کنترل کنید 36. Monitor semantic model refresh

• تنظیمات فضای کاری و نظارت Workspace settings and Monitoring

پیکربندی امنیت و حاکمیت و خطوط لوله استقرار Configuring security and governance, and deployment pipelines

• 12. برچسب های حساسیت را برای موارد اعمال کنید 12. Apply sensitivity labels to items

• 13. موارد را تأیید کنید 13. Endorse items

• 8a امنیت سطح ردیف در یک انبار داده 8a. Row-level security in a Data Warehouse

• 8b امنیت سطح ستون در یک انبار داده 8b. Column-level security in a Data Warehouse

تبریک برای گذراندن دوره Congratulations for completing the course

• تست تمرین پارچه Fabric Practice Test

• چه چیزی بعدی؟ What's Next?

• تبریک برای گذراندن دوره Congratulations for completing the course