|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/dp-600-fabric/
课程评论：没有评论
**DP-600: Fabric Analytics Engineer Associate (2025年5月版) 课程总结** 本 Coursera 课程 **DP-600: Fabric Analytics Engineer Associate** 旨在培养学员成为一名合格的 Fabric 数据分析工程师。课程内容涵盖了构建和维护高性能数据分析解决方案的关键技能，重点关注 Microsoft Fabric 平台。 **课程核心技能领域：** * **维护数据分析解决方案 (25-30%)：** * **安全性与治理：** 实施工作区级别和项目级别的访问控制，包括行级别、列级别、对象级别和文件级别访问控制。应用敏感度标签，并对项目进行认证。 * **开发生命周期管理：** 配置工作区的版本控制，创建和管理 Power BI Desktop 项目 (.pbip)。使用部署管道进行部署和管理，并对湖泊仓库、数据仓库、数据流和语义模型下游依赖项进行影响分析。使用 XMLA 端点部署和管理语义模型。创建和更新可重用资产，如 Power BI 模板 (.pbit)、数据源文件 (.pbids) 和共享语义模型。 * **准备数据 (45-50%)：** * **数据接入：** 创建数据连接，通过 OneLake Data Hub 和实时 Hub 发现数据。根据需求摄取或访问数据，并选择合适的存储解决方案（湖泊仓库、数据仓库或事件仓库）。实现 OneLake 集成。 * **数据转换：** 创建视图、函数和存储过程。通过添加新列或表来丰富数据。为湖泊仓库或数据仓库实现星型模型。进行数据反规范化、聚合、合并或联接。识别和解决重复数据、缺失数据或 NULL 值。进行列数据类型转换和数据过滤。 * **查询与分析：** 使用 Visual Query Editor、SQL 或 KQL 进行数据选择、过滤和聚合。 * **实现和管理语义模型 (25-30%)：** * **模型设计与构建：** 选择合适的存储模式，为语义模型实现星型模型。实现关系，包括桥接表和多对多关系。使用 DAX 变量和函数（如迭代器、表过滤、窗口和信息函数）编写计算。实现计算组、动态格式字符串和字段参数。识别使用场景并配置大型语义模型存储格式。 * **复合模型与性能优化：** 设计和构建复合模型。对企业级语义模型进行优化，改进查询和报表视觉对象的性能。优化 DAX 性能。配置 Direct Lake（包括默认回退和刷新行为）。实现语义模型的增量刷新。 本课程内容全面，能够帮助学员掌握在 Microsoft Fabric 环境中设计、实现和维护高效、安全的数据分析解决方案所需的核心技能。
Skills at a glanceMaintain a data analytics solution (25-30%)Prepare data (45-50%)Implement and manage semantic models (25-30%)Maintain a data analytics solution (25-30%)Implement security and governanceImplement workspace-level access controlsImplement item-level access controlsImplement row-level, column-level, object-level, and file-level access controlApply sensitivity labels to itemsEndorse itemsMaintain the analytics development lifecycleConfigure version control for a workspaceCreate and manage a Power BI Desktop project (.pbip)Create and configure deployment pipelinesPerform impact analysis of downstream dependencies from lakehouses, data warehouses, dataflows, and semantic modelsDeploy and manage semantic models by using the XMLA endpointCreate and update reusable assets, including Power BI template (.pbit) files, Power BI data source (.pbids) files, and shared semantic modelsPrepare data (45-50%)Get dataCreate a data connectionDiscover data by using OneLake data hub and real-time hubIngest or access data as neededChoose between a lakehouse, warehouse, or eventhouseImplement OneLake integration for eventhouse and semantic modelsTransform dataCreate views, functions, and stored proceduresEnrich data by adding new columns or tablesImplement a star schema for a lakehouse or warehouseDenormalize dataAggregate dataMerge or join dataIdentify and resolve duplicate data, missing data, or null valuesConvert column data typesFilter dataQuery and analyze dataSelect, filter, and aggregate data by using the Visual Query EditorSelect, filter, and aggregate data by using SQLSelect, filter, and aggregate data by using KQLImplement and manage semantic models (25-30%)Design and build semantic modelsChoose a storage modeImplement a star schema for a semantic modelImplement relationships, such as bridge tables and many-to-many relationshipsWrite calculations that use DAX variables and functions, such as iterators, table filtering, windowing, and information functionsImplement calculation groups, dynamic format strings, and field parametersIdentify use cases for and configure large semantic model storage formatDesign and build composite modelsOptimize enterprise-scale semantic modelsImplement performance improvements in queries and report visualsImprove DAX performanceConfigure Direct Lake, including default fallback and refresh behaviorImplement incremental refresh for semantic models
