تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی آمادگی گواهینامه Microsoft Azure Data Engineer Associate (DP-203)

دوره آموزشی آمادگی گواهینامه Microsoft Azure Data Engineer Associate (DP-203)

9 ساعت 27 دقیقهمتوسط2024-09-17

مدرسین

Microsoft Press

Microsoft Press

Microsoft

Tim Warner

Tim Warner

Technical Trainer and Content Developer

جزئیات دوره

در این دوره، تیم وارنر که از برگزیدگان Microsoft MVP است، شما را با محتوای آزمون DP-203 «مهندسی داده در مایکروسافت آژور» آشنا می‌کند و تمامی اهداف آزمون را به شیوه‌ای دوستانه و منطقی پوشش می‌دهد. تیم به جزئیات پیچیده مهندسی داده در Microsoft Azure پرداخته و بر ایجاد راه‌حل‌های پردازش داده‌ای کارآمد، امن و پایدار تمرکز دارد. در این دوره یاد می‌گیرید چگونه استراتژی‌های متنوع ذخیره‌سازی داده را طراحی و پیاده‌سازی کنید و از Azure Synapse Analytics برای مدیریت مجموعه‌داده‌های بزرگ به شیوه‌ای بهینه بهره ببرید. با تکنیک‌های فشرده‌سازی داده، تقسیم‌بندی و قطعه‌بندی آشنا شوید تا سرعت دسترسی و ذخیره‌سازی را بهبود دهید. علاوه بر این، اصول طراحی جدول‌ها، افزونگی داده و روش‌های بایگانی برای دسترسی‌پذیری و حفاظت از داده‌ها را بررسی خواهید کرد. این دوره برای متخصصان IT، دانشمندان داده و علاقه‌مندان به قابلیت‌های مهندسی داده در Azure ایده‌آل بوده و به شما این امکان را می‌دهد که راه‌حل‌های داده‌ای مقیاس‌پذیر ایجاد کنید و اطمینان حاصل کنید که برنامه‌های مبتنی بر داده به صورت روان و بی‌دردسر عمل می‌کنند.

مهارت ها

Cloud StorageCloud AdministrationData EngineeringAzureCloud PlatformsCert PrepCloud ComputingData ScienceMicrosoft

سرفصل ها

0. مقدمه

  • 01 - مقدمه

1. طراحی و پیاده‌سازی ذخیره‌سازی داده ها

  • 02 - اهداف آموزشی
  • 03 - یک راه حل Azure Data Lake طراحی کنید
  • 04 - انواع فایل را برای ذخیره‌سازی توصیه کنید
  • 05 - انواع فایل را برای کوئری‌های تحلیلی توصیه کنید
  • 06 - طراحی برای کوئری‌ کارآمد

2. طراحی برای هرس داده ها

  • 07 - اهداف آموزشی
  • 08 - یک ساختار پوشه ای طراحی کنید که نشان دهنده سطوح تبدیل داده‌ها باشد
  • 09 - یک استراتژی توزیع طراحی کنید
  • 10 - طراحی راه حل آرشیو داده ها

3. یک استراتژی پارتیشن طراحی کنید

  • 11 - اهداف آموزشی
  • 12 - طراحی استراتژی پارتیشن برای فایل ها
  • 13 - طراحی استراتژی پارتیشن برای بارهای کاری تحلیلی
  • 14 - طراحی استراتژی پارتیشن برای کارایی و عملکرد
  • 15 - یک استراتژی پارتیشن برای Azure Synapse Analytics طراحی کنید
  • 16 - شناسایی زمانی که پارتیشن بندی در Azure Data Lake Storage Gen2 مورد نیاز است

4. لایه سرویس را طراحی کنید

  • 17 - اهداف آموزشی
  • 18 - طرحواره‌های ستاره ای طراحی کنید
  • 19 - طراحی به آرامی در حال تغییر ابعاد
  • 20 - یک سلسله مراتب بعدی طراحی کنید
  • 21 - راه حلی برای داده‌های زمانی طراحی کنید
  • 22 - طراحی برای بارگذاری افزایشی
  • 23 - طراحی فروشگاه‌های تحلیلی
  • 24 - متاستورها را در Azure Synapse Analytics و Azure Databricks طراحی کنید

5. ساختارهای ذخیره‌سازی داده‌های فیزیکی را پیاده‌سازی کنید

  • 25 - اهداف آموزشی
  • 26 - فشرده سازی را اجرا کنید
  • 27 - اجرای پارتیشن بندی
  • 28 - اجرای شاردینگ
  • 29 - هندسه‌های مختلف جدول را با استخرهای Azure Synapse Analytics پیاده‌سازی کنید
  • 30 - افزونگی داده‌ها را پیاده‌سازی کنید
  • 31 - توزیع‌ها را اجرا کنید
  • 32 - اجرای آرشیو داده ها

6. ساختارهای داده منطقی را پیاده‌سازی کنید

  • 33 - اهداف آموزشی
  • 34 - یک راه حل داده‌های زمانی بسازید
  • 35 - یک بعد به آرامی در حال تغییر بسازید
  • 36 - یک ساختار پوشه منطقی بسازید
  • 37 - جداول خارجی بسازید
  • 38 - برای کوئری‌ و هرس داده‌ها ساختارهای فایل و پوشه را پیاده‌سازی کنید

7. لایه سرویس را پیاده‌سازی کنید

  • 39 - اهداف آموزشی
  • 40 - داده‌ها را در یک طرحواره ستاره ای رابطه ای تحویل دهید
  • 41 - داده‌ها را در فایل‌های پارکت تحویل دهید
  • 42 - ابرداده را حفظ کنید
  • 43 - سلسله مراتب بعدی را اجرا کنید

8. داده‌ها را بلعیده و تبدیل کنید

  • 44 - اهداف آموزشی
  • 45 - با استفاده از آپاچی اسپارک داده‌ها را تبدیل کنید
  • 46 - تبدیل داده‌ها با استفاده از Transact-SQL
  • 47 - تبدیل داده‌ها با استفاده از Data Factory
  • 48 - تبدیل داده‌ها با استفاده از خطوط لوله Azure Synapse
  • 49 - با استفاده از Stream Analytics داده‌ها را تغییر دهید

9. با داده‌های تبدیل شده کار کنید

  • 50 - اهداف آموزشی
  • 51 - داده‌ها را پاک کنید
  • 52 - داده‌ها را تقسیم کنید
  • 53 - JSON را خرد کنید
  • 54 - داده‌ها را رمزگذاری و رمزگشایی کنید

10. عیب یابی تبدیل داده ها

  • 55 - اهداف آموزشی
  • 56 - مدیریت خطا را برای تبدیل پیکربندی کنید
  • 57 - مقادیر را عادی و غیرعادی کنید
  • 58 - تبدیل داده‌ها با استفاده از Scala
  • 59 - انجام تجزیه‌و‌تحلیل اکتشافی داده ها

11. یک راه حل پردازش دسته ای طراحی کنید

  • 60 - اهداف آموزشی
  • 61 - راه حل‌های پردازش دسته ای را با استفاده از Data Factory، Data Lake، Spark، Azure Synapse خطوط لوله، PolyBase و Azure Databricks ایجاد کنید.
  • 62 - خطوط لوله داده ایجاد کنید
  • 63 - طراحی و اجرای بارهای افزایشی داده
  • 64 - طراحی و توسعه ابعاد به آرامی در حال تغییر
  • 65 - رسیدگی به الزامات امنیتی و انطباق
  • 66 - منابع مقیاس

12. یک راه حل پردازش دسته ای ایجاد کنید

  • 67 - اهداف آموزشی
  • 68 - اندازه دسته را پیکربندی کنید
  • 69 - طراحی و ایجاد تست برای خطوط لوله داده
  • 70 - نوت بوک‌های Jupyter و Python را در خط لوله داده ادغام کنید
  • 71 - داده‌های تکراری را مدیریت کنید
  • 72 - داده‌های از دست رفته را مدیریت کنید
  • 73 - داده‌های دیر رسیدن را مدیریت کنید

13. یک راه حل پردازش دسته ای را پیکربندی کنید

  • 74 - اهداف آموزشی
  • 75 - داده‌ها را اضافه کنید
  • 76 - بازگشت به حالت قبلی
  • 77 - مدیریت استثنا را طراحی و پیکربندی کنید
  • 78 - حفظ دسته ای را پیکربندی کنید
  • 79 - بازنگری در طراحی راه حل پردازش دسته ای
  • 80 - کارهای Spark را با استفاده از Spark UI اشکال زدایی کنید

14. یک راه حل پردازش جریان طراحی کنید

  • 81 - هدف یادگیری
  • 82 - با استفاده از Stream Analytics، Azure Databricks و Azure Event Hubs یک راه حل پردازش جریان ایجاد کنید.
  • 83 - پردازش داده‌ها با استفاده از جریان ساختاری Spark
  • 84 - پایش عملکرد و رگرسیون‌های عملکردی
  • 85 - مصالح پنجره ای را طراحی و ایجاد کنید
  • 86 - دریفت طرحواره را کنترل کنید

15. پردازش داده‌ها در یک راه حل پردازش جریانی

  • 87 - اهداف آموزشی
  • 88 - پردازش داده‌های سری زمانی
  • 89 - پردازش در پارتیشن ها
  • 90 - پردازش در یک پارتیشن
  • 91 - پیکربندی نقاط بازرسی و واترمارکینگ در حین پردازش
  • 92 - منابع مقیاس
  • 93 - طراحی و ایجاد تست برای خطوط لوله داده
  • 94 - بهینه‌سازی خطوط لوله برای اهداف تحلیلی یا معاملاتی

16. عیب یابی راه حل پردازش جریان

  • 95 - اهداف آموزشی
  • 96 - وقفه‌ها را مدیریت کنید
  • 97 - مدیریت استثنا را طراحی و پیکربندی کنید
  • 98 - داده‌ها را اضافه کنید
  • 99 - داده‌های جریان بایگانی شده را دوباره پخش کنید
  • 100 - یک راه حل پردازش جریانی طراحی کنید

17. دسته‌ها و خطوط لوله را مدیریت کنید

  • 101 - اهداف آموزشی
  • 102 - دسته‌های ماشه ای
  • 103 - بارهای دسته ای ناموفق را مدیریت کنید
  • 104 - بارهای دسته ای را تأیید کنید
  • 105 - خطوط لوله داده را در خطوط لوله داده Factory و Synapse مدیریت کنید
  • 106 - خطوط لوله داده را در خطوط لوله داده Factory و Synapse برنامه ریزی کنید
  • 107 - اجرای کنترل نسخه برای مصنوعات خط لوله
  • 108 - مشاغل Spark را در خط لوله مدیریت کنید

18. طراحی امنیت برای سیاست‌های داده

  • 109 - اهداف آموزشی
  • 110 - طراحی رمزگذاری داده‌ها برای داده‌ها در حالت استراحت و در حال انتقال
  • 111 - طراحی استراتژی حسابرسی داده ها
  • 112 - یک استراتژی پوشش داده طراحی کنید
  • 113 - طراحی برای حفظ حریم خصوصی داده ها

19. طراحی امنیت برای استانداردهای داده

  • 114 - اهداف آموزشی
  • 115 - سیاست حفظ داده‌ها را طراحی کنید
  • 116 - طراحی برای پاکسازی داده‌ها بر اساس نیازهای تجاری
  • 117 - طراحی Azure RBAC و ACL مانند POSIX برای Data Lake Storage Gen2
  • 118 - طراحی امنیت در سطح ردیف و سطح ستون

20. حفاظت از امنیت داده‌ها را اجرا کنید

  • 119 - اهداف آموزشی
  • 120 - پوشش داده‌ها را اجرا کنید
  • 121 - رمزگذاری داده‌ها در حالت استراحت و در حال حرکت
  • 122 - اجرای امنیت در سطح ردیف و سطح ستون
  • 123 - Azure RBAC را پیاده‌سازی کنید
  • 124 - ACL‌های مشابه POSIX را برای Data Lake Storage Gen2 پیاده‌سازی کنید
  • 125 - سیاست حفظ داده‌ها را اجرا کنید
  • 126 - اجرای استراتژی حسابرسی داده ها

21. دسترسی به امنیت داده‌ها را پیاده‌سازی کنید

  • 127 - اهداف آموزشی
  • 128 - هویت ‌ها , کلیدها و اسرار را در بسترهای داده مختلف مدیریت کنید
  • 129 - اجرای نقاط پایانی امن - خصوصی و عمومی
  • 130 - توکن‌های منبع را در Azure Databricks پیاده‌سازی کنید
  • 131 - یک DataFrame را با اطلاعات حساس بارگذاری کنید
  • 132 - داده‌های رمزگذاری شده را روی جداول یا فایل‌های پارکت بنویسید
  • 133 - اطلاعات حساس را مدیریت کنید

22. نظارت بر ذخیره‌سازی داده ها

  • 134 - اهداف آموزشی
  • 135 - اجرای logging مورد استفاده توسط Azure Monitor
  • 136 - خدمات مانیتورینگ را پیکربندی کنید
  • 137 - اندازه‌گیری عملکرد حرکت داده ها
  • 138 - نظارت و به روز رسانی آمار در مورد داده‌ها در سراسر یک سیستم
  • 139 - نظارت بر عملکرد خط لوله داده ها
  • 140 - عملکرد کوئری‌ را اندازه‌گیری کنید

23. نظارت بر پردازش داده ها

  • 141 - اهداف آموزشی
  • 142 - نظارت بر عملکرد خوشه
  • 143 - گزینه‌های ثبت سفارشی را بدانید
  • 144 - برنامه ریزی و نظارت بر آزمایشات خط لوله
  • 145 - متریک‌ها و گزارش‌های مانیتور Azure را تفسیر کنید
  • 146 - تفسیر یک نمودار غیر چرخشی به کارگردانی جرقه (DAG)

24. ذخیره‌سازی داده‌ها را تنظیم کنید

  • 147 - اهداف آموزشی
  • 148 - فایل‌های کوچک فشرده
  • 149 - بازنویسی توابع تعریف شده توسط کاربر (UDF)
  • 150 - چولگی در داده‌ها را کنترل کنید
  • 151 - نشت داده‌ها را مدیریت کنید
  • 152 - پارتیشن‌ها را تنظیم کنید
  • 153 - بر هم زدن را در خط لوله بیابید
  • 154 - مدیریت منابع را بهینه کنید

25. بهینه‌سازی و عیب یابی پردازش داده ها

  • 155 - اهداف آموزشی
  • 156 - را با استفاده از پروفایل سازها تنظیم کنید
  • 157 - را با استفاده از حافظه پنهان تنظیم کنید
  • 158 - خطوط لوله را برای اهداف تحلیلی یا معاملاتی بهینه کنید
  • 159 - بهینه‌سازی خط لوله برای بارهای کاری توصیفی در مقابل تحلیلی
  • 160 - عیب یابی کارهای ناموفق Spark
  • 161 - عیب یابی اجرای ناموفق خط لوله

نتیجه گیری

  • 162 - خلاصه

دوره های مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal