آموزش Microsoft Azure Data Explorer - KQL پیشرفته
Microsoft Azure Data Explorer - Advanced KQL
Video Player is loading.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
سرفصل ها و درس ها
بررسی اجمالی دوره Course Overview
-
بررسی اجمالی دوره Course Overview
مقدمه Introduction
-
مقدمه Introduction
-
پروژه آزمایشی در کد ویژوال استودیو The Demo Project in Visual Studio Code
-
صفحه وب Azure Data Explorer Azure Data Explorer Web Page
-
برنامه دسکتاپ Kusto Kusto Desktop Application
کاوش در تجزیه و تحلیل کاربر Exploring User Analytics
-
مقدمه Introduction
-
تعداد پنجره های کشویی Sliding Window Counts
-
تعداد فعال کاربران Active User Counts
-
فعالیت ها معیارها را می شمارد Activity Counts Metrics
-
معیارهای فعالیت Activity Metrics
-
تعامل فعالیت Activity Engagement
اجرای تحلیل جغرافیایی Executing Geographic Analysis
-
رویدادهای نزدیک: حلقه Nearby Events: Circle
-
رویدادهای نزدیک: خط Nearby Events: Line
-
شمشیربازی Geofencing
-
خوشه بندی Clustering
-
Geospatial می پیوندد Geospatial Joins
انجام تجزیه و تحلیل علت تشخیصی و ریشه ای Performing Diagnostic and Root Cause Analysis
-
مقدمه ای بر آنالیز علت تشخیصی و ریشه ای Introduction to Diagnostic and Root Cause Analysis
-
با استفاده از Autocluster Using Autocluster
-
استفاده از سبد Using Basket
-
با استفاده از Diffpatterns Using Diffpatterns
-
انجام راستی آزمایی Performing Verification
تحلیل سری زمانی 1 - ایجاد و توابع هسته ای Time Series Analysis 1 – Creation and Core Functions
-
ساخت سریال Make Series
-
سری FOR Series FIR
-
سری Fit Line و Fit 2 Lines Series Fit Line and Fit 2 Lines
-
تشخیص فصلی Seasonality Detection
-
تفریق سری Series Subtract
-
سری زمانی در مقیاس Time Series at Scale
تجزیه و تحلیل سری زمانی 2 - تشخیص و پیش بینی ناهنجاری Time Series Analysis 2 – Anomaly Detection and Forecasting
-
تجزیه Decomposition
-
تشخیص ناهنجاری Anomaly Detection
-
پیش بینی Forecasting
-
مقیاس پذیری Scalability
قابلیت توسعه با استفاده از Inline Python/R Extensibility Using Inline Python / R
-
مقدمه ای بر Calling Python و R از KQL Introduction to Calling Python and R from KQL
-
مکانیک تماس پایتون The Mechanics of Calling Python
-
تحلیل سری زمانی با استفاده از Python's Numpy Time Series Analysis Using Python's Numpy
-
استفاده از K پایتون به معنی خوشه بندی از KQL است Using Python's K Means Clustering from KQL
-
تماس با R از KQL Calling R from KQL
خلاصه Summary
-
خلاصه Summary
https://donyad.com/d/8e1c
Robert Cain
Robert C. Cain (http://arcanecode.com) یک MVP مایکروسافت ، MCTS دارای گواهینامه BI و مالک Arcane Training and Consulting ، LLC است. او یک نویسنده دوره برای Pluralsight ، عضو تیم در Linchpin People ، و نویسنده مشترک 4 کتاب است. رابرت که یک سخنران محبوب است ، در رویدادهایی مانند اجلاس SQL PASS ، TechEd ، CodeStock و شنبه های متعدد SQL سخنرانی کرده است. رابرت بیش از 25 سال تجربه در صنعت IT دارد و در زمینه های مختلفی از جمله تولید ، بیمه ، ارتباطات از راه دور و انرژی هسته ای کار می کند.
نمایش نظرات