|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/ms-dp-700/
课程评论：没有评论
**DP-700: Microsoft Fabric 数据工程师关联认证课程 (2025年5月)** 本课程旨在帮助您掌握在 Microsoft Fabric 中实施和管理分析解决方案所需的关键技能，涵盖数据工程的各个核心环节。 **课程主要内容：** * **实施和管理分析解决方案 (30-35%)** * 配置 Microsoft Fabric 工作区设置（Spark、域、OneLake、数据工作流）。 * 管理 Fabric 中的生命周期管理，包括版本控制、数据库项目和部署管道。 * 实施全面的安全与治理策略，包括工作区和项目级别的访问控制、行/列/对象/文件夹/文件级访问控制、动态数据掩码、敏感度标签和项目背书。 * 利用工作区日志进行监控和审计。 * **编排进程** * 选择合适的编排工具（管道或 Notebook）。 * 设计和实现调度及事件驱动触发器。 * 利用 Notebook 和管道实现编排模式，包括参数化和动态表达式。 * **摄取和转换数据 (30-35%)** * 设计和实施数据加载模式，包括全量加载、增量加载以及为维度模型准备数据。 * 摄取和转换流式数据，包括选择流式处理引擎和处理模式。 * 摄取和转换批处理数据，包括选择合适的数据存储、数据转换方式（Dataflows, Notebooks, KQL, T-SQL），以及使用快捷方式、镜像（mirroring）进行数据优化。 * 使用 PySpark, SQL, KQL 进行数据摄取和转换，包括数据反规范化、分组聚合、处理重复/缺失/滞后数据。 * 使用流处理引擎（Eventstreams, Spark Structured Streaming, KQL）处理流式数据，包括窗口函数。 * **监控和优化分析解决方案 (30-35%)** * 监控 Fabric 项目、数据摄取、数据转换和语义模型刷新。 * 配置警报机制，并识别和解决管道、Dataflows、Notebook、Eventhouse、Eventstreams 和 T-SQL 中的错误。 * 优化 Lakehouse 表、管道、数据仓库、Eventstreams/Eventhouses、Spark 和查询性能。 本课程将为您在 Microsoft Fabric 数据工程领域打下坚实的基础。
Skills at a glanceImplement and manage an analytics solution (30-35%)Ingest and transform data (30-35%)Monitor and optimize an analytics solution (30-35%)Implement and manage an analytics solution (30-35%)Configure Microsoft Fabric workspace settingsConfigure Spark workspace settingsConfigure domain workspace settingsConfigure OneLake workspace settingsConfigure data workflow workspace settingsImplement lifecycle management in FabricConfigure version controlImplement database projectsCreate and configure deployment pipelinesConfigure security and governanceImplement workspace-level access controlsImplement item-level access controlsImplement row-level, column-level, object-level, and folder/file-level access controlsImplement dynamic data maskingApply sensitivity labels to itemsEndorse itemsImplement and use workspace loggingOrchestrate processesChoose between a pipeline and a notebookDesign and implement schedules and event-based triggersImplement orchestration patterns with notebooks and pipelines, including parameters and dynamic expressionsIngest and transform data (30-35%)Design and implement loading patternsDesign and implement full and incremental data loadsPrepare data for loading into a dimensional modelDesign and implement a loading pattern for streaming dataIngest and transform batch dataChoose an appropriate data storeChoose between dataflows, notebooks, KQL, and T-SQL for data transformationCreate and manage shortcuts to dataImplement mirroringIngest data by using pipelinesTransform data by using PySpark, SQL, and KQLDenormalize dataGroup and aggregate dataHandle duplicate, missing, and late-arriving dataIngest and transform streaming dataChoose an appropriate streaming engineChoose between native storage, followed storage, or shortcuts in Real-Time IntelligenceProcess data by using eventstreamsProcess data by using Spark structured streamingProcess data by using KQLCreate windowing functionsMonitor and optimize an analytics solution (30-35%)Monitor Fabric itemsMonitor data ingestionMonitor data transformationMonitor semantic model refreshConfigure alertsIdentify and resolve errorsIdentify and resolve pipeline errorsIdentify and resolve dataflow errorsIdentify and resolve notebook errorsIdentify and resolve eventhouse errorsIdentify and resolve eventstream errorsIdentify and resolve T-SQL errorsOptimize performanceOptimize a lakehouse tableOptimize a pipelineOptimize a data warehouseOptimize eventstreams and eventhousesOptimize Spark performanceOptimize query performance
