Príprava systému na kurzy dátovej vedy

Skôr než začnete s komplexnou sériou kurzov pre dátovú vedu, získajte informácie o požiadavkách, o tom, ako pridať poznámkové bloky (.ipynb) do pracovného priestoru a ako k týmto poznámkovým blokom pripojiť jazerný dom.

Predpoklady

• Získajte predplatné služby Microsoft Fabric . Alebo si zaregistrujte bezplatnú skúšobnú služby Microsoft Fabric.

• Prihláste sa do služby Microsoft Fabric.

• Prepnite na Fabric pomocou prepínača skúseností v ľavom dolnom rohu domovskej stránky.

  

• Ak nemáte domovské jazero služby Microsoft Fabric, vytvorte ho pomocou krokov uvedených v téme Vytvorenie úzla v službe Microsoft Fabric.

Vytvorenie poznámkového bloku

Každý kurz v komplexnej sérii Začíname je k dispozícii ako súbor poznámkového bloku Jupyter v GitHube. Mnoho ďalších kurzov je k dispozícii aj ako ukážky vo vyťažení Data Science. Na prístup k kurzom použite jednu z nasledujúcich metód:

• Vytvoriť nový poznámkový blok, potom skopírujte a prilepte kód z kurzu.

• Nahrajte poznámkový blok (.ipynb) z GitHubu do svojho pracovného priestoru:

  1. Stiahnite si poznámkové bloky. Súbory si určite stiahnete pomocou prepojenia Nespracovaný súbor v službe GitHub.

     • Ak chcete Začať poznámkové bloky, stiahnite súbory notebook(.ipynb) z nadradeného priečinka: kurz pre vedu o údajoch. Séria kurzov Začíname používa nasledujúce poznámkové bloky:

       • Príjem údajov do jazera Fabric pomocou Apache Sparku
       • Preskúmanie a čistenie údajov
       • Trénovanie a registrácia modelu strojového učenia
       • Hodnotenie natrénovaného modelu

     • V prípade poznámkových blokov Návody stiahnite súbory poznámkových blokov (.ipynb) z nadradeného priečinka ai-samples.

  2. Vo webovej aplikácii Fabric prejdite do svojho pracovného priestoru.

  3. Na paneli príkazov pracovného priestoru vyberte položku Nahrať a potom vyberte stiahnutý súbor poznámkového bloku (.ipynb).

  4. Po dokončení nahrávania budú poznámkové bloky k dispozícii vo vašom pracovnom priestore na použitie.

  5. Ak nahraný poznámkový blok obsahuje výstup, vyberte ponuku Upraviť a potom vyberte položku Vymazať všetky výstupy.

     

  Prepitné

  Nevidíte možnosť nahrať poznámkový blok (.ipynb) vo svojom pracovnom priestore?

  1. Použite Vytvoriť nový poznámkový blok a potom skopírujte a prilepte kód z kurzu.
  2. Alebo použite možnosť Otvoriť ukážkový poznámkový blok vo vyťažení Data Science (ak je k dispozícii).
  3. Ak má vaša organizácia povolenú integráciu služby Git, poznámkové bloky môžete preniesť aj z pripojeného odkladacieho priestoru.

• Vyťaženie dátovej vedy otvorte vzorový poznámkový blok (ak je k dispozícii):

  1. Na ľavej table vyberte položky Vyťaženia.

  2. Vyberte data science.

  3. Na karte Preskúmať ukážku vyberte položky Vybrať.

  4. Vyberte príslušnú vzorku:

     • Ak je ukážka kurzu jazyka Python, v predvolenom na karte Pracovné postupy jazyka Python (End-to-end).
     • Ak je ukážka kurzu R, na karte Koncové pracovné postupy (R).
     • Ak sa ukážka používa na karte Rýchle kurzy, na tejto karte slúži rýchly kurz.

Pripojte k notebooku lakehouse

Ak chcete preukázať funkcie Fabric lakehouse, mnohé z kurzov vyžadujú pripojenie predvoleného lakehouse na notebooky. Nasledujúce kroky ukazujú, ako pridať domov lakehouse do poznámkového bloku v pracovnom priestore, ktorý umožňuje štruktúru Fabric.

Nota

Pred spustením každého poznámkového bloku je potrebné vykonať tieto kroky v tomto poznámkovom bloku.

1. Otvorte poznámkový blok v pracovnom priestore.

2. Na ľavej table vyberte položku Pridať lakehouse.

   

3. Vytvorte nový lakehouse alebo použite existujúci lakehouse.

   1. Ak chcete vytvoriť nový domov jazier, vyberte Nový. Pomenujte lakehouse a vyberte Vytvoriť.
   2. Ak chcete použiť existujúci domov lakehouse, vyberte položku Existujúce lakehouse a otvorte dialógové okno centra data hub. Vyberte jazero, ktoré chcete použiť, a potom vyberte položku Pridať.

4. Po pridaní lakehouse je viditeľný na table lakehouse a môžete zobraziť tabuľky a súbory uložené v lakehouse.

Ďalší krok

1. časť: Ingest data into Fabric lakehouse using Apache Spark