آموزش پردازش داده‌ها با مایکروسافت Azure - آخرین آپدیت

مقدمه Introduction

• معرفی دوره Course Introduction

بخش اول: پردازش دسته‌ای با Databricks و Data Factory در Azure Section 1 - Batch Processing with Databricks and Data Factory on Azure

• پردازش دسته‌ای با Databricks و Data Factory در Azure 1.1 Batch Processing with Databricks and Data Factory in Azure

• پردازش ELT با استفاده از Azure 1.2 - ELT Processing using Azure

• معرفی Databricks و Azure Spark 1.3 - Databricks and Azure Spark

• تبدیل داده‌ها با استفاده از Databricks در ADF 1.4 Transform Data using Databricks in ADF

• مورد کاربردی: ADF و Spark 1.5 Use Case: ADF and Spark

بخش دوم: ایجاد خط لوله‌ها و فعالیت‌ها Section 2 - Creating Pipelines and Activities

• مقدمه‌ای بر خط لوله‌ها و فعالیت‌ها Pipelines and Activities - Introduction

• پردازش با استفاده از خط لوله (Pipeline) Processing using a Pipeline

• تحلیل لاگ‌ها برای کلاستر HDInsight Analyzing Logs for an HDInsight Cluster

• استفاده از Azure Blob Storage در HDInsight Using Azure Blob Storage within HDInsight

بخش سوم: سرویس‌های متصل و مجموعه‌داده‌ها Section 3 - Link Services and Datasets

• مقدمه‌ای بر سرویس‌های متصل و مجموعه‌داده‌ها Link Services and Datasets - Introduction

• شناسایی خط لوله‌ها برای Data Factory Identifying Pipelines for a Data Factory

• ذخیره‌سازهای داده و Azure Blob Storage Data Stores and Azure Blob Storage

• سرویس متصل و اتصال Data Factory به منابع خارجی Linked Service and Connecting Data Factory to External Resources

• پردازش Blobهای ورودی با Azure Data Factory Processing Input Blobs with Azure Data Factory

بخش چهارم: زمان‌بندی‌ها و تریگرها Section 4 - Schedules and Triggers

• مقدمه‌ای بر زمان‌بندی‌ها و تریگرها Schedules and Triggers - Introduction

• ایجاد تریگری برای اجرای خط لوله طبق زمان‌بندی Creating a Trigger that Runs a Pipeline on a Schedule

• زمان‌بندی یک تریگر در Azure Data Factory Scheduling a Trigger in Azure Data Factory

• اجرای خط لوله و تریگرها در ADF Pipeline Execution and Triggers in ADF

• مورد کاربردی: زمان‌بندی، تریگر و رویدادهای Azure Use Case: Azure Schedule, Trigger, and Events

بخش پنجم: انتخاب توابع پنجره‌ای (Windowing Functions) Section 5 - Selecting Windowing Functions

• مقدمه‌ای بر انتخاب توابع پنجره‌ای Selecting Windowing Functions - Introduction

• نحوه پشتیبانی Stream Analytics از توابع پنجره‌ای بومی How Stream Analytics Support Native Windowing Functions

• پنجره‌های زمانی (Temporal Windows) Temporal Windows

• استفاده از توابع پنجره‌ای در عبارت GROUP BY Using Window Functions in the GROUP BY Clause

• تجمیع رویدادها در چندین پنجره با استفاده از WindowsQ Aggregating Events over Multiple Windows using WindowsQ

بخش ششم: پیکربندی ورودی و خروجی برای راهکارهای داده‌های جریانی Section 6 - Configuring Input and Output for Streaming Data Solutions

• رابطه Stream Analytics با راهکارهای داده How Stream Analytics Relate to Data Solutions

• تولید داده‌های نمونه تماس و ارسال به Event Hubs Generate Sample Call Data and Send it to Event Hubs

• ایجاد یک Job در Stream Analytics Creating a Stream Analytics Job

• پیکربندی ورودی و خروجی Job Configuring Job Input and Output

• تعریف کوئری برای فیلتر کردن تماس‌های جعلی Define a Query to Filter Fraudulent Calls

• تست و شروع اجرای Job Test and Start the Job

• تجسم نتایج در Power BI Visualize Results in Power BI

بخش هفتم: مقایسه ELT در مقابل ETL در Polybase Section 7 - ELT versus ETL in Polybase

• مقدمه‌ای بر ELT در مقابل ETL در PolyBase ELT vs ETL in PolyBase - Introduction

• نحوه ارائه راهکارهای ELT در SQL Data Warehouse مایکروسافت How SQL Data Warehouse in Microsoft Offers ELT Solutions

• روش‌های بارگذاری با استفاده از گزینه‌های غیر PolyBase Loading Methods using Non-PolyBase Options

• مورد کاربردی: بررسی عمیق‌تر پردازش ETL Use Case: A Deeper Dive into ETL Processing