Szkolenia Microsoft Fabric w Piotrków Trybunalski

Microsoft Fabric to zintegrowana platforma analityczna, która łączy inżynierię danych, integrację danych, magazynowanie danych, naukę o danych, analitykę w czasie rzeczywistym i biznesową inteligencję pod jednym dachem.

To szkolenie prowadzone przez instruktora (online lub stacjonarne) jest skierowane do średnio zaawansowanych profesjonalistów ds. danych, którzy chcą wykorzystać Microsoft Fabric do budowy nowoczesnych rozwiązań danych z zintegrowanymi narzędziami analityki, zarządzania i wizualizacji.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Zrozumieć składniki Microsoft Fabric i jak one integrują się z ekosystemem Microsoft.
• Tworzyć i zarządzać przestrzeniami roboczymi Fabric z odpowiednim kontrolą dostępu.
• Budować i zarządzać Lakehouse, aby centralizować i analizować dane.
• Używać zeszytów do eksploracyjnej analizy i transformacji przy użyciu Python i SQL.
• Tworzyć i automatyzować przepływy danych za pomocą wizualnych linii przetwarzania.
• Modelować i zarządzać danymi za pomocą warstw Data Warehouse i Semantic Model.
• Projować i publikować interaktywne panele w Power BI w Fabric.

Format kursu

• Interaktywne wykłady i dyskusje.
• Wiele ćwiczeń i praktyki.
• Realizacja w środowisku live-lab.

Opcje dostosowywania kursu

• Aby poprosić o dostosowane szkolenie dla tego kursu, skontaktuj się z nami, aby ustalić.

Ta prowadzona przez instruktora, na żywo szkolenie w Piotrków Trybunalski (online lub stacjonarnie) jest skierowane do pośrednio zaawansowanych specjalistów od danych, którzy chcą zaimplementować rozwiązanie lakehouse przy użyciu Microsoft Fabric.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć architekturę i składniki Microsoft Fabric.
• Konfigurować i zarządzać Lakehouse za pomocą Microsoft Fabric.
• Przetwarzać dane przy użyciu Apache Spark.
• Wykorzystywać tabele Delta Lake do wersjonowania i zarządzania danymi.
• Implementować potoki przetwarzania danych za pomocą Dataflows Gen2.
• Orkiestrować potoki danych przy użyciu Data Factory.