آمادگی برای آزمون گواهینامه Microsoft Azure Data Engineer Associate (DP-203) توسط Microsoft Press

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

در این دوره مفاهیم اصلی و مهارت های فنی مورد نیاز برای مقابله با آزمون گواهینامه Microsoft Azure Data Engineer Associate (DP-203) certification را بررسی می کنید.

در این دوره، تیم وارنر، MVP مایکروسافت شما را راهنمایی می کند که در آزمون DP-203 Data Engineering on Microsoft Azure چه انتظاری داشته باشید و تمام اهداف آزمون DP-203 را به روشی دوستانه و منطقی پوشش می دهد. او به پیچیدگی های مهندسی داده در مایکروسافت آژور می پردازد و بر استقرار راه حل های پردازش داده کارآمد، ایمن و قوی تمرکز می کند. شما با نحوه طراحی و پیاده‌ سازی استراتژی‌ های ذخیره‌ سازی داده‌ متنوع، از جمله استفاده از Azure Synapse Analytics برای مدیریت کارآمد مجموعه داده‌ های عظیم آشنا می شوید.

شما تکنیک های فشرده سازی، پارتیشن بندی و اشتراک گذاری داده را برای بهینه سازی ذخیره سازی و سرعت دسترسی کشف می کنید و با هندسه های جدول، ریداندنسی داده‌ و روش‌ های بایگانی آشنا می شوید تا اطمینان حاصل کنید که داده‌ هم در دسترس است و هم محافظت می‌ شود. این دوره برای متخصصان IT، دانشمندان داده و کسی که به قابلیت‌ های مهندسی داده آژور علاقه دارد ایده‌ آل است که به شما امکان می‌ دهد تا راه‌ حل‌ های داده مقیاس‌ پذیر بسازید و اطمینان حاصل کنید که اپلیکیشن های داده محور شما یکپارچه عمل می‌ کنند.

آمادگی برای آزمون گواهینامه Microsoft Azure Data Engineer Associate (DP-203) توسط Microsoft Press

فصل 1: مقدمه

مقدمه 0:05:20

فصل 2: طراحی و پیاده سازی ذخیره سازی داده

اهداف یادگیری 0:00:24
طراحی راه حل دریاچه داده آژور 0:03:59
توصیه انواع فایل برای ذخیره سازی 0:01:56
توصیه انواع فایل برای کوئری‌ های تحلیلی 0:01:01
طراحی برای کوئری کارآمد 0:15:47

فصل 3: طراحی برای هرس کردن داده

اهداف یادگیری 0:00:24
طراحی ساختار پوشه با قابلیت نمایش سطوح تبدیل داده 0:02:32
طراحی استراتژی توزیع 0:02:56
طراحی راه حل بایگانی داده 0:20:41

فصل 4: طراحی استراتژی پارتیشن بندی

اهداف یادگیری 0:00:36
طراحی استراتژی پارتیشن برای فایل ها 0:03:58
طراحی استراتژی پارتیشن برای حجم کارهای تحلیلی 0:01:57
طراحی استراتژی پارتیشن برای کارآمدی و عملکرد 0:02:56
طراحی استراتژی پارتیشن برای Azure Synapse Analytics 0:02:02
شناسایی زمان نیاز به پارتیشن بندی در Azure Data Lake Storage Gen2 0:23:46

فصل 5: طراحی لایه ارائه

اهداف یادگیری 0:00:40
طراحی اسکیمای ستاره ای 0:03:13
طراحی تغییر آهسته ابعاد 0:02:23
طراحی یک سلسله مراتب ابعادی 0:00:28
طراحی یک راه حل برای داده زمانی 0:01:16
طراحی برای بارگذاری افزایشی 0:00:51
طراحی استورهای تحلیلی 0:02:18
طراحی متاورس ها در Azure Synapse Analytics و Azure Databricks 0:24:10

فصل 6: پیاده سازی ساختارهای فیزیکی ذخیره سازی داده

اهداف یادگیری 0:00:29
پیاده سازی فشرده سازی 0:01:42
پیاده سازی پارتیشن بندی 0:00:42
پیاده سازی شاردینگ 0:00:18
پیاده سازی هندسه‌ های مختلف جدول با استخرهای Azure Synapse Analytics 0:02:03
پیاده سازی ریداندنسی داده 0:03:55
پیاده سازی توزیع ها 0:00:27
پیاده سازی بایگانی داده 0:13:19

فصل 7: پیاده سازی ساختارهای داده منطقی

اهداف یادگیری 0:00:30
ساخت راه حل داده زمانی 0:00:49
ساخت تغییر آهسته ابعاد 0:00:53
ساخت ساختار پوشه منطقی 0:01:03
ساخت جداول خارجی 0:02:31
پیاده سازی ساختارهای فایل و پوشه برای کوئری و هرس کردن داده به صورت کارآمد 0:10:00

فصل 8: پیاده سازی لایه ارائه

اهداف یادگیری 0:00:30
تحویل داده در یک اسکیمای ستاره ای رابطه ای 0:01:34
تحویل داده در فایل های Parquet 0:00:46
نگهداری متادیتا 0:00:33
پیاده سازی یک سلسله مراتب ابعادی 0:12:43

فصل 9: دریافت و تبدیل داده

اهداف یادگیری 0:00:31
تبدیل داده با استفاده از آپاچی اسپارک 0:02:29
تبدیل داده با استفاده از Transact-SQL 0:01:05
تبدیل داده با استفاده از فکتوری داده 0:01:35
تبدیل داده با استفاده از پایپ لاین های Azure Synapse 0:01:24
تبدیل داده با استفاده از Stream Analytics 0:19:50

فصل 10: کار با داده تبدیل شده

اهداف یادگیری 0:00:32
پاکسازی داده 0:02:39
تقسیم داده 0:01:40
Shred کردن جی سان 0:02:03
رمزگذاری و رمزگشایی داده 0:09:35

فصل 11: عیب یابی تبدیلات داده

اهداف یادگیری 0:00:33
پیکربندی مدیریت خطا برای تبدیل 0:01:38
نرمال سازی و غیرنرمال سازی مقادیر 0:02:19
تبدیل داده با استفاده از اسکالا 0:01:22
انجام تحلیل اکتشافی داده 0:13:15

فصل 12: طراحی راه حل پردازش دسته ای

اهداف یادگیری 0:00:46
توسعه راه حل های پردازش دسته ای با استفاده از فکتوری داده، دریاچه داده، اسپارک، پایپ لاین های Azure Synapse و PolyBase و Azure Databricks 0:01:14
ایجاد پایپ لاین های داده 0:02:00
طراحی و پیاده سازی بارگذاری های افزایشی داده 0:01:20
طراحی و توسعه ابعاد به آرامی در حال تغییر 0:00:36
مدیریت الزامات امنیت و انطباق 0:02:35
مقیاس بندی منابع 0:21:11

فصل 13: توسعه راه حل پردازش دسته ای

اهداف یادگیری 0:00:37
پیکربندی اندازه دسته ای 0:02:26
طراحی و ایجاد تست ها برای پایپ لاین های داده 0:03:31
یکپارچه سازی Jupyter Notebooks و پایتون در پایپ لاین داده 0:01:15
مدیریت داده داپلیکیت 0:00:23
مدیریت داده گمشده 0:00:36
مدیریت داده با تاخیر آمده 0:07:39

فصل 14: پیکربندی راه حل پردازش دسته ای

اهداف یادگیری 0:00:39
Upsert داده 0:01:52
بازگشت به state قبلی 0:02:14
طراحی و پیکربندی مدیریت استثنا 0:01:44
پیکربندی حفظ دسته ای 0:01:02
بازبینی طراحی راه حل پردازش دسته ای 0:01:16
اشکال زدایی jobs اسپارک با استفاده از رابط کاربری اسپارک 0:24:55

فصل 15: طراحی راه حل پردازش استریم

اهداف یادگیری 0:00:46
توسعه راه حل پردازش استریم با استفاده از Stream Analytics و Azure Databricks و هاب های رویداد آژور 0:01:53
پردازش داده با استفاده از استریمینگ ساختاریافته اسپارک 0:01:52
نظارت بر عملکرد و رگرسیون های تابعی 0:01:34
طراحی و ایجاد تجمیع های پنجره ای 0:01:50
مدیریت رانش اسکیما 0:21:50