|
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
**课程摘要：Microsoft Fabric 数据工程师 (DP-700) 考试准备 (2025年5月版)** 本课程旨在帮助您为 Microsoft Fabric 数据工程师 (DP-700) 认证考试做准备，重点涵盖了 Fabric 数据解决方案的实施、管理、数据摄取与转换以及监控与优化等核心领域。 **主要学习内容包括：** * **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）。 * 实施生命周期管理，包括版本控制、数据库项目和部署管道。 * 配置安全与治理，涉及工作区和项目级访问控制、细粒度数据安全（行、列、对象、文件夹/文件）、动态数据屏蔽、敏感度标签、项目认可以及工作区日志记录。 * **数据摄取与转换 (30-35%)** * 设计和实施数据加载模式，包括全量和增量加载，以及针对维度模型的加载准备。 * 处理流式数据的加载模式。 * 摄取和转换批处理数据，选择合适的数据存储，并在数据流、Notebook、KQL和T-SQL之间进行权衡。 * 创建和管理数据快捷方式，实现数据镜像。 * 使用管道摄取数据，并通过 PySpark、SQL 和 KQL 进行数据转换，包括数据去规范化、分组聚合、处理重复/缺失/延迟数据。 * 摄取和转换流式数据，选择合适的流式引擎，并使用事件流、Spark 结构化流或 KQL 进行数据处理，包括窗口函数。 * **监控和优化分析解决方案 (30-35%)** * 监控 Fabric 项、数据摄取、数据转换和语义模型刷新。 * 配置警报，并识别和解决管道、数据流、Notebook、Eventhouse、Eventstream 和 T-SQL 中的错误。 * 优化 Lakehouse 表、管道、数据仓库、Eventstream/Eventhouse 以及 Spark 和查询性能。 通过本课程的学习，您将掌握在 Microsoft Fabric 中构建、管理和优化高效、安全、可扩展的数据分析解决方案所需的关键技能，为通过 DP-700 认证打下坚实基础。
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
