DP-203: Data Engineering on Microsoft Azure (DP-203T00-A) (eingestellt)

Untersuchen von Rechen- und Speicheroptionen für Daten-Engineering-Workloads:

Dieses Modul bietet einen Überblick über die Optionen der Azure-Computer- und Speichertechnologie, die Dateningenieuren zur Verfügung stehen, die analytische Workloads erstellen. In diesem Modul erfahren Sie, wie man das Datenmeer strukturiert und die Dateien für Explorations-, Streaming- und Batch-Workloads optimieren kann. Die Teilnehmer lernen, wie man das Datenmeer in Ebenen der Datenverfeinerung organisiert, während Dateien durch Stapel- und Stream-Verarbeitung transformiert werden. Anschließend lernen sie, wie man Indizes für ihre Datensets wie CSV-, JSON- und Paket-Dateien erstellen und diese für eine mögliche Beschleunigung von Abfragen und Workloads verwenden kann.

• Einführung in Azure Synapse Analytics
• Beschreiben von Azure Databricks
• Einführung in den Azure Datenmeer-Speicher
• Die Architektur des Datenmeeres beschreiben
• Arbeiten mit Datenströmen, mit Hilfe von Azure Stream Analytics

Entwerfen und Implementieren der Ausgabeebenen:

In diesem Modul erfahren Sie, wie man Datenspeicher in einem modernen Daten-Warehouse entwerfen und implementieren kann, um analytische Workloads zu optimieren. Die Teilnehmer lernen, wie man ein mehrdimensionales Schema zum Speichern von Fakten- und Dimensionsdaten entwirft. Anschließend lernen die Teilnehmer, wie sich langsam ändernde Dimensionen durch inkrementelles Laden von Daten aus Azure Data Factory gefüllt werden.

• Entwerfen eines mehrdimensionales Schemas, um analytische Workloads zu optimieren
• Codefreie Transformation im Maßstab mit Azure Data Factory
• Sich langsam ändernde Dimensionen in Azure Synapse Analytics-Pipelines füllen

Überlegungen zum Daten-Engineering für Quelldateien:

In diesem Modul werden Überlegungen zum Daten- Engineering erläutert, die beim Laden von Daten in ein modernes Daten-Warehouse häufig vorkommen, das analytisch aus in einem Azure Datenmeer gespeicherten Dateien geladen wird, und Grundlagen zu Sicherheitsaspekten beim Speichern von im Datenmeer gespeicherten Dateien vermittelt.

• Entwerfen Sie ein modernes Daten-Warehouse mit Azure Synapse Analytics
• Sichern Sie ein Daten-Warehouse in Azure Synapse Analytics

Führen Sie interaktive Abfragen mit serverlosen SQL-Pools von Azure Synapse Analytics aus:

In diesem Modul lernen die Teilnehmer anhand von T-SQL-Anweisungen, die von einem serverlosen SQL-Pool in Azure Synapse Analytics ausgeführt werden, wie man mit Dateien arbeitet, die im Datenmeer und in externen Dateiquellen gespeichert sind. Die Teilnehmer fragen Pakete ab, die in einem Datenmeer gespeichert sind, sowie CSV-Dateien, die in einem externen Datenspeicher gespeichert sind. Als Nächstes erstellen sie Azure Active Directory-Sicherheitsgruppen und erzwingen den Zugriff auf Dateien im Datenmeer über die rollenbasierte Zugriffssteuerung (RBAC) und Zugriffssteuerungslisten (ACLs).

• Erkunden Sie die Funktionen der serverlosen SQL-Pools von Azure Synapse
• Abfragen von Daten im Meer mit Hilfe von serverlosen SQL-Pools von Azure Synapse
• Erstellen Sie Metadatenobjekte in serverlosen SQL-Pools von Azure Synapse
• Sichern Sie Daten und verwalten Sie Benutzer in serverlosen SQL-Pools von Azure Synapse

Durchsuchen, Transformieren und Laden von Daten in das Daten-Warehouse mit Apache Spark:

In diesem Modul erfahren Sie, wie man in einem Datenmeer gespeicherte Daten untersucht, die Daten transformiert und Daten in einen relationalen Datenspeicher lädt. Die Teilnehmer werden Parkett- und JSON-Dateien untersuchen und Techniken verwenden, um JSON-Dateien mit hierarchischen Strukturen abzufragen und zu transformieren. Anschließend verwenden die Teilnehmer Apache Spark, um Daten in das Daten-Warehouse zu laden und Parkettdaten im Datenmeer mit Daten im dedizierten SQL-Pool zu verknüpfen.

 

• Grundlegendes zum Engineering großer Datenmengen mit Apache Spark in Azure Synapse Analytics
• Daten mit Apache Spark-Notebooks in Azure Synapse Analytics aufnehmen
• Daten mit Data Frames in Apache Spark-Pools in Azure Synapse Analytics transformieren
• SQL- und Apache Spark-Pools in Azure Synapse Analytics integrieren

Daten-Exploration und -Transformation in Azure Databricks:

In diesem Modul erfahren Sie, wie man mit verschiedenen Apache Spark Data Frame-Methoden Daten in Azure Databricks untersuchen und transformieren kann. Die Teilnehmer lernen, wie man Standard-Data Frame-Methoden zum Erkunden und Transformieren von Daten ausführen kann. Sie lernen auch, wie man erweiterte Aufgaben ausführen, z. B. doppelte Daten entfernen, Datums- / Zeitwerte bearbeiten, Spalten umbenennen und Daten aggregieren kann.

• Beschreiben von Azure Databricks
• Lesen und Schreiben von Daten in Azure Databricks
• Arbeiten mit Data Frames in Azure Databricks
• Arbeiten mit erweiterten Data Frames-Methoden in Azure Databricks

Daten aufnehmen und in das Daten-Warehouse laden:

In diesem Modul lernen die Teilnehmer, wie man Daten über T-SQL-Skripte und Synapse Analytics-Integrationspipelines in das Daten-Warehouse aufnimmt. Die Teilnehmer lernen, wie Daten mit PolyBase und COPY mit Hilfe von T-SQL in dedizierte Synapse-SQL-Pools geladen werden. Die Teilnehmer werden außerdem lernen, wie das Workload-Management, zusammen mit einer Kopieraktivität in einer Azure Synapse-Pipeline für die Datenaufnahme im Petabyte-Bereich verwendet wird.

• Verwenden Sie bewährte Praktiken zum Laden von Daten in Azure Synapse Analytics
• Aufnahme im Petabyte-Bereich mit Azure Data Factory

Transformieren von Daten mit Azure Data Factory- oder Azure Synapse-Pipelines

In diesem Modul lernen die Teilnehmer, wie man Datenintegrations-Pipelines erstellt, um sie aus mehreren Datenquellen aufzunehmen, Daten mit Hilfe von Mapping-Datenflüssen zu transformieren und Daten in eine oder mehrere Datensenken zu verschieben.
 

• Datenintegration mit Azure Data Factory- oder Azure Synapse-Pipelines
• Codefreie Transformation im Maßstab mit Azure Data Factory- oder Azure Synapse-Pipelines

Verschieben von Daten in Azure Synapse-Pipelines orchestrieren:

In diesem Modul erfahren Sie, wie man verknüpfte Services erstellt und die Datenverschiebung und -transformation mit Hilfe von Notebooks in Azure Synapse-Pipelines koordiniert. Orchestrieren der Datenverschiebung und -transformation in Azure Data Factory

Optimieren Sie die Abfrageleistung mit dedizierten SQL-Pools in Azure Synapse:

In diesem Modul lernen die Teilnehmer Strategien zur Optimierung der Datenspeicherung und -verarbeitung bei Verwendung dedizierter SQL-Pools in Azure Synapse Analytics. Die Teilnehmer lernen zu verstehen, wie Entwicklerfunktionen wie Fenster- und HyperLogLog-Funktionen, bewährte Methoden zum Laden von Daten verwendet werden und die Abfrageleistung optimiert und verbessert wird.

• Optimierung der Leistung der Abfragen des Daten-Warehouses in Azure Synapse Analytics
• Kenntnis der Data Warehouse Entwickler-Features von Azure Synapse Analytics

Analyse und Optimierung der Daten Warehouse Speicherung:

In diesem Modul lernen die Teilnehmer, wie man die Datenspeicherung von Azure Synapse dezidiertem SQL analysiert und optimiert. Die Teilnehmer werden Techniken erlernen, um die Verwendung des Tabellenbereichs und die Speicherdetails des Spaltenspeichers zu verstehen. Als Nächstes werden die Teilnehmer die Speicheranforderungen zwischen identischen Tabellen vergleichen, die unterschiedliche Datentypen verwenden. Schließlich werden die Teilnehmer beobachten, welche Auswirkungen materialisierte Ansichten haben, wenn sie anstelle komplexer Abfragen ausgeführt werden, und lernen, wie durch Optimierung der Löschvorgänge eine umfangreiche Protokollierung vermieden werden kann.

Analysieren und optimieren Sie den Daten-Warehouse-Speicher in Azure Synapse Analytics

Unterstützung von HTAP (Hybrid Transactional Analytical Processing ) mit Azure Synapse Links:

In diesem Modul erfahren die Teilnehmer, wie Azure Synapse Link die nahtlose Verbindung eines Azure Cosmos DB-Kontos mit einem Synapse-Arbeitsbereich ermöglicht. Die Teilnehmer lernen zu verstehen, wie man die Synapse-Verknüpfung aktiviert und konfiguriert und wie der Azure Cosmos DB-Analysespeicher mit Apache Spark und serverlosem SQL abgefragt wird.
 

• Entwerfen Sie hybride Transaktions- und Analyseverarbeitung mit Azure Synapse Analytics
• Konfigurieren Sie Azure Synapse Link mit Azure Cosmos DB
• Fragen Sie Azure Cosmos DB mit Apache Spark-Pools ab
• Fragen Sie Azure Cosmos DB mit serverlosen SQL-Pools ab

End-to-End-Sicherheit mit Azure Synapse Analytics:

In diesem Modul lernen die Teilnehmer, wie man einen Synapse Analytics-Arbeitsbereich und seine unterstützende Infrastruktur sichert. Der Schüler beobachtet den SQL Active Directory-Administrator, verwaltet IP-Firewall-Regeln, verwaltet Geheimnisse mit Azure Key Vault und greift über einen mit Key Vault verknüpften Service und Pipeline-Aktivitäten auf diese Geheimnisse zu. Die Teilnehmer werden verstehen, wie Sicherheit auf Spaltenebene, Sicherheit auf Zeilenebene und dynamische Datenmaskierung implementiert wird, wenn dedizierte SQL-Pools verwendet werden.

• Sichern Sie ein Daten-Warehouse in Azure Synapse Analytics
• Konfigurieren und Verwalten von Geheimnissen in Azure Key Vault
• Implementieren Sie Compliance-Kontrollen für sensible Daten

Echtzeit-Stream-Verarbeitung mit Stream Analytics:

In diesem Modul lernen die Teilnehmer, wie man Streaming-Daten mit Azure Stream Analytics verarbeitet. Die Teilnehmer nehmen Fahrzeug Telemetriedaten in Event Hubs auf und verarbeiten diese Daten dann in Echtzeit mit Hilfe verschiedener Fensterfunktionen in Azure Stream Analytics. Sie geben die Daten an Azure Synapse Analytics aus. Schließlich lernen die Teilnehmer, wie man den Stream Analytics-Job skaliert, um den Durchsatz zu erhöhen.

• Aktivieren Sie zuverlässiges Messaging für Big Data-Anwendungen mit Hilfe von Azure Event Hubs
• Arbeiten Sie mit Datenströmen mit Hilfe von Azure Stream Analytics
• Datenströme mit Azure Stream Analytics aufnehmen

Erstellen einer Stream-Verarbeitungslösung mit Event Hubs und Azure Databricks:

In diesem Modul lernen die Teilnehmer, wie man Streaming-Daten mit Event Hubs und Spark Structured Streaming in Azure Databricks maßstabsgetreu erfassen und verarbeiten kann. Der Teilnehmer lernen die wichtigsten Funktionen und Verwendungszwecke von Structured Streaming kennen. Die Teilnehmer implementieren Schiebefenster, um Datenblöcke zu aggregieren und wenden Wasserzeichen an, um veraltete Daten zu entfernen. Schließlich stellen die Teilnehmer eine Verbindung zu Event Hubs her, um Streams zu lesen und zu schreiben.

Verarbeiten von Streaming-Daten mit strukturiertem Azure Databricks-Streaming

Erstellen von Berichten mit Hilfe der Power BI-Integration mit Azure Synapse Analytics:

In diesem Modul lernen die Teilnehmer, wie man Power BI in ihren Synapse-Arbeitsbereich integriert, um Berichte in Power BI zu erstellen. Die Teilnehmer erstellen eine neue Datenquelle und einen neuen Power BI-Bericht in Synapse Studio. Anschließend lernen die Teilnehmer, wie man die Abfrageleistung durch materialisierte Ansichten und Zwischenspeichern von Ergebnismengen verbessern kann. Schließlich werden die Teilnehmer das Datenmeer mit serverlosen SQL-Pools erkunden und Visualisierungen für diese Daten in Power BI erstellen.

Erstellen Sie Berichte mit Power BI mit Hilfe der Integration in Azure Synapse Analytics 

Integrierte maschinelle Lernprozesse in Azure Synapse Analytics ausführen:

In diesem Modul wird die integrierte, durchgängige Erfahrung mit Azure maschinellen Lernen und Azure kognitiven Services in Azure Synapse Analytics erläutert. Sie erfahren, wie Sie einen Azure Synapse Analytics-Arbeitsbereich mithilfe eines verknüpften Services mit einem Azure Machine Learning-Arbeitsbereich verbinden und anschließend ein automatisiertes ML-Experiment auslösen, das Daten aus einer Spark-Tabelle verwendet. Außerdem erfahren Sie, wie man trainierte Modelle aus Azure-maschiniertem Lernen oder Azure kognitiven Services verwenden, um Daten in einer SQL-Pooltabelle anzureichern und anschließend mit Hilfe von Power BI Prognoseergebnisse bereitzustellen.

Verwenden Sie den integrierten maschinellen Lernprozess in Azure Synapse Analytics