Objectifs
- Ingérer des données avec Microsoft Fabric
- Implémenter un Lakehouse avec Microsoft Fabric
- Implémenter l'intelligence en temps-réel avec Microsoft Fabric
- Implémenter un entrepôt de données avec Microsoft Fabric
- Gérer un environnement Microsoft Fabric
Ce que vous allez apprendre dans cette formation
Cette formation vous permet d’avoir une expertise avancée en matière d’ingestion des données, d’architectures de données et de processus d’orchestration. Les 3 domaines clés de compétence à maîtriser sont les suivantes :
- Implémenter et gérer une solution d’analytique (30 à 35 %)
- Ingérer et transformer des données (30 à 35 %)
- Surveiller et optimiser une solution d’analytique (30 à 35 %)
Programme de formation
1- Implémenter et gérer une solution d’analytique (30 à 35 %)
Configurer les paramètres d’un espace de travail Microsoft Fabric
Configurer les paramètres d’un espace de travail Spark
Configurer les paramètres d’un espace de travail de domaine
Configurer les paramètres d’un espace de travail OneLake
Configurer les paramètres d’un espace de travail de workflow de données
Implémenter la gestion de cycle de vie dans Fabric
Configurer la gestion de version
Implémenter des projets de base de données
Créer et configurer des pipelines de déploiement
Configurer la sécurité et la gouvernance
Implémenter des contrôles d’accès au niveau de l’espace de travail
Implémenter des contrôles d’accès au niveau de l’élément
Implémenter des contrôles d’accès au niveau des lignes, au niveau des colonnes, au niveau de l’objet et des contrôles d’accès au niveau du dossier/fichier
Mettez en œuvre le masquage des données dynamiques
Appliquer des étiquettes de confidentialité à des éléments
Approuver des éléments
Implémenter et utiliser la journalisation de l’espace de travail
Orchestrer des processus
Choisir entre un pipeline et un notebook
Concevoir et implémenter des planifications et des déclencheurs basés sur un événement
Implémenter des modèles d’orchestration avec des notebooks et des pipelines, notamment les paramètres et les expressions dynamiques
2- Ingérer et transformer des données (30 à 35 %)
Concevoir et implémenter des modèles de chargement
Concevoir et implémenter des chargements de données incrémentiels et complets
Préparer des données à charger dans un modèle dimensionnel
Concevoir et implémenter un modèle de chargement pour les données de diffusion en continu
Ingérer et transformer des données par lots
Choisissez un magasin de données approprié
Choisir entre les flux de données, les notebooks, KQL et T-SQL pour la transformation de données
Créer et gérer des raccourcis vers les données
Implémenter la mise en miroir
Ingérer des données en utilisant des pipelines
Transformer des données en utilisant PySpark, SQL et KQL
Dénormaliser les données
Grouper et agréger des données
Gérer des données en double, manquantes ou tardives
Ingérer et transformer les données de diffusion en continu
Choisir un moteur de diffusion en continu approprié
Choisir entre le stockage natif, le stockage mis en miroir ou les raccourcis dans Real-Time Intelligence
Traiter des données en utilisant des flux d’événements
Traiter des données en utilisant le streaming structuré Spark
Traiter des données en utilisant KQL
Créer des fonctions de fenêtrage
3- Surveiller et optimiser une solution d’analytique (30 à 35 %)
Monitorer des événements Fabric
Monitorer l’ingestion des données
Monitorer la transformation des données
Monitorer l’actualisation du modèle sémantique
Configurer des alertes
Identifier et résoudre les erreurs
Identifier et résoudre les erreurs de pipeline
Identifier et résoudre les erreurs de flux de données
Identifier et résoudre les erreurs de notebook
Identifier et résoudre les erreurs d’eventhouse
Identifier et résoudre les erreurs de flux d’événements
Identifier et résoudre les erreurs T-SQL
Optimiser les performances
Optimiser une table lakehouse
Optimiser un pipeline
Optimiser un entrepôt de données
Optimiser des flux d’événements et des eventhouses
Optimiser les performances de Spark
Optimiser les performances des requêtes
