نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این دوره ، شما موضوعات پیشرفته را در زبان Query Kusto از Azure Data Explorer خواهید آموخت. در این دوره ، Microsoft Azure Data Explorer - Advanced KQL ، توابع زبان Kusto Query Language (KQL) را با هدف تجزیه و تحلیل پیشرفته و تجزیه و تحلیل سری زمانی ، و استفاده از پایتون درون خطی برای گسترش توانایی های KQL را کاوش کنید. در ابتدا ، با استفاده از الگوریتم های خوشه بندی مختلف ، تجزیه و تحلیل داده ها را کشف خواهید کرد. در مرحله بعدی ، شما تجزیه و تحلیل سری های زمانی و تجزیه و تحلیل مکانی را یاد خواهید گرفت در آخر ، شما نحوه تماس با کد پایتون یا R را از KQL کشف خواهید کرد. پس از اتمام این دوره ، بسیاری از تکنیک های پیشرفته کار با داده ها با استفاده از زبان کوستو کوئری را از Azure Data Explorer می دانید.
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
نمایش نظرات