Esercitazioni end-to-end in Microsoft Fabric
In questo articolo è disponibile un elenco completo di esercitazioni end-to-end disponibili in Microsoft Fabric. Queste esercitazioni illustrano uno scenario che illustra l'intero processo, dall'acquisizione dei dati all'utilizzo dei dati. Sono progettati per aiutare a sviluppare una conoscenza di base dell'interfaccia utente di Fabric, le varie esperienze supportate da Fabric e i relativi punti di integrazione e le esperienze per sviluppatori professionisti e cittadini disponibili.
Esercitazioni su più esperienze
Nella tabella seguente sono elencate le esercitazioni che si estendono su più esperienze di infrastruttura.
Nome dell'esercitazione | Scenario |
---|---|
Lakehouse | In questa esercitazione si inseriscono, trasformano e caricano i dati di una società fittizia di vendita al dettaglio, Wide World Importers, nel lakehouse e si analizzano i dati di vendita in varie dimensioni. |
Data Science | In questa esercitazione si esaminerà, si pulisce e si trasforma un modello semantico di corse taxicab e si creerà un modello di Machine Learning per stimare la durata delle corse su larga scala in un modello semantico di grandi dimensioni. |
Analisi in tempo reale | In questa esercitazione si usano le funzionalità di streaming e query di Analisi in tempo reale per analizzare il modello semantico delle corse di New York Yellow Taxi. Sono disponibili informazioni dettagliate essenziali sulle statistiche sulle corse, sulla domanda di taxi nei quartieri di New York e su altre informazioni dettagliate correlate. |
Data warehouse | In questa esercitazione si creerà un data warehouse end-to-end per l'azienda fittizia Wide World Importers. È possibile inserire i dati nel data warehouse, trasformarli usando T-SQL e pipeline, eseguire query e compilare report. |
Esercitazioni specifiche dell'esperienza
Le esercitazioni seguenti illustrano gli scenari all'interno di esperienze di infrastruttura specifiche.
Nome dell'esercitazione | Scenario |
---|---|
Power BI | In questa esercitazione viene creato un flusso di dati e una pipeline per inserire i dati in un lakehouse, creare un modello dimensionale e generare un report accattivante. |
Data Factory | In questa esercitazione si inseriscono dati con pipeline di dati e si trasformano i dati con flussi di dati, quindi si usa l'automazione e la notifica per creare uno scenario di integrazione dei dati completo. |
Esempi di intelligenza artificiale end-to-end di data science | In questo set di esercitazioni vengono fornite informazioni sulle diverse funzionalità dell'esperienza di data science ed esempi di come i modelli di Machine Learning possono risolvere i problemi aziendali comuni. |
Data Science - Stima dei prezzi con R | In questa esercitazione viene creato un modello di Machine Learning per analizzare e visualizzare i prezzi degli avocado negli Stati Uniti e prevedere i prezzi futuri. |
Gestione del ciclo di vita delle applicazioni | In questa esercitazione si apprenderà come usare le pipeline di distribuzione insieme all'integrazione git per collaborare con altri utenti nello sviluppo, nel test e nella pubblicazione dei dati e dei report. |
Contenuto correlato
- Creare un'area di lavoro
- Individuare gli elementi di dati nell'hub dati di OneLake
Commenti e suggerimenti
https://aka.ms/ContentUserFeedback.
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedereInvia e visualizza il feedback per