หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
ด้วย สมุดบันทึก Fabric และ ลิงก์เชิงความหมาย คุณสามารถใช้โค้ดเพื่อวิเคราะห์โมเดลความหมาย พร้อมกับคุณสมบัติวิทยาศาสตร์ข้อมูลและวิศวกรรมข้อมูลอื่นๆ ทําให้คุณสามารถทําการวิเคราะห์ทางสถิติเชิงลึกและการสร้างแบบจําลองเชิงคาดการณ์ด้วยวิธีที่ปรับแต่งได้และยืดหยุ่น
สมุดบันทึก Microsoft Fabric มีวิธีการโต้ตอบสําหรับวิศวกรข้อมูลและนักวิทยาศาสตร์ข้อมูลในการสร้างงาน Apache Spark จัดการเวิร์กโฟลว์ข้อมูล และพัฒนาโมเดลแมชชีนเลิร์นนิ่ง โน้ตบุ๊ก Fabric มีอินเทอร์เฟซแบบ low-code ที่ใช้งานง่ายพร้อมการรักษาความปลอดภัยระดับองค์กร การผสานรวมกับ Lakehouse และเครื่องมือการแสดงภาพในตัว โน้ตบุ๊กยังสนับสนุนการทํางานร่วมกันผ่านการแสดงความคิดเห็น การติดแท็ก และการควบคุมเวอร์ชัน ทําให้การจัดการการเรียกใช้โค้ด การสํารวจข้อมูล และการปรับใช้โมเดลง่ายขึ้น
ฟังก์ชันการเชื่อมโยงความหมายช่วยให้คุณสร้างการเชื่อมต่อระหว่างแบบจําลองความหมายและความสามารถทางวิทยาศาสตร์ข้อมูลใน Microsoft Fabric เพื่อให้คุณสามารถปรับรายการ Fabric ให้เหมาะสมสําหรับประสิทธิภาพ หน่วยความจํา และต้นทุน
เปิดสมุดบันทึกตัวอย่างจากแบบจําลองความหมายของคุณ
สมุดบันทึกนําเสนอคอลเลกชันของประสบการณ์สําเร็จรูปสําหรับโมเดลความหมายเพื่อช่วยคุณในการเริ่มต้นใช้งาน ซึ่งคุณสามารถเข้าถึงได้หลายวิธี:
จากแท็บ หน้าแรก ของ Ribbon การแก้ไขแบบจําลองความหมาย ในบริการของ Power BI ที่แสดงในรูปต่อไปนี้
จากหน้ารายละเอียดแบบจําลองความหมายภายใต้ดรอปดาวน์ ความสมบูรณ์ของแบบจําลอง ที่แสดงในรูปต่อไปนี้
จาก ตัวเลือกเพิ่มเติม (...) ในแค็ตตาล็อก OneLake เมื่อเลือกแบบจําลองความหมาย ที่แสดงในรูปต่อไปนี้
ฟังก์ชันที่ใช้ในสมุดบันทึกตัวอย่างเหล่านี้เป็นตัวอย่างของฟังก์ชันที่มีประโยชน์ที่ลิงก์ความหมายเปิดใช้งาน คุณสามารถค้นหาฟังก์ชันและสมุดบันทึกตัวช่วยเพิ่มเติมได้ใน Semantic Link Labs ซึ่งเป็นไลบรารี Python ที่ขยายความสามารถของลิงก์เชิงความหมายเพื่อทํางานทางเทคนิคโดยอัตโนมัติ คุณไม่จําเป็นต้องเป็นผู้เชี่ยวชาญด้าน Python เพื่อใช้ Semantic Link หรือ Semantic Link Labs ฟังก์ชันมากมายสามารถใช้ได้ง่ายๆ โดยการป้อนพารามิเตอร์ของคุณและเรียกใช้โน้ตบุ๊ก
ตัววิเคราะห์แนวทางปฏิบัติที่ดีที่สุด
เมื่อคุณเรียกใช้สมุดบันทึกตัวอย่าง Best Practice Analyzer (BPA) จะให้เคล็ดลับในการปรับปรุงการออกแบบและประสิทธิภาพของแบบจําลองความหมายของคุณ ตามค่าเริ่มต้น BPA จะตรวจสอบชุดกฎมากกว่า 60 ข้อเทียบกับแบบจําลองความหมายของคุณและสรุปผลลัพธ์ กฎที่ใช้ใน BPA มาจากผู้เชี่ยวชาญภายใน Microsoft และ Fabric Community ข้อเสนอแนะสําหรับการปรับปรุงถูกจัดเป็นห้าประเภท: ประสิทธิภาพ นิพจน์ DAX การป้องกันข้อผิดพลาด การบํารุงรักษา และการจัดรูปแบบ
ภาพต่อไปนี้แสดง BPA ที่ใช้งานอยู่
เครื่องวิเคราะห์หน่วยความจําแบบจําลอง
เมื่อคุณเรียกใช้สมุดบันทึกตัวอย่างสมุดบันทึก ตัววิเคราะห์หน่วยความจํา จะแสดงสถิติหน่วยความจําและที่เก็บข้อมูลเกี่ยวกับวัตถุในแบบจําลองความหมายของคุณ เช่น ตาราง คอลัมน์ ลําดับชั้น พาร์ติชัน และความสัมพันธ์ สถิติที่ตัววิเคราะห์หน่วยความจําส่งคืนสามารถใช้เพื่อระบุพื้นที่ของการเพิ่มประสิทธิภาพและการลดหน่วยความจําสําหรับโมเดลความหมายของคุณ ภาพต่อไปนี้แสดง Memory Analyzer ที่ใช้งานอยู่
ข้อกําหนดและสิทธิ์
ข้อกําหนดและการตั้งค่าสิทธิ์ต่อไปนี้จะนําไปใช้กับสมุดบันทึก:
- ผู้ใช้ต้องมีสิทธิ์ ในการสร้าง แบบจําลองความหมายเพื่อสร้างสมุดบันทึกตัวอย่างจากจุดเข้าใช้งานแบบจําลองความหมายที่อธิบายไว้ในบทความนี้ สําหรับข้อมูลเพิ่มเติม โปรดดูบทความสิทธิ์ของแบบจําลองความหมาย
- เมื่อต้องการสร้างสมุดบันทึก พื้นที่ทํางานต้องมีความจุ Fabric และผู้ใช้ต้องมีสิทธิ์เข้าถึงผู้สนับสนุนไปยังพื้นที่ทํางานที่สร้างสมุดบันทึก สําหรับข้อมูลเพิ่มเติม โปรดดูบทความบทบาทพื้นที่ทํางาน
ข้อควรพิจารณาและข้อจำกัด
ควรคํานึงถึงข้อควรพิจารณาและข้อจํากัดต่อไปนี้เมื่อทํางานกับโน้ตบุ๊ก:
- สมุดบันทึกล้มเหลวในการเรียกใช้หากชื่อแบบจําลองความหมายลงท้ายด้วยช่องว่าง
เนื้อหาที่เกี่ยวข้อง
บทความนี้ให้ข้อมูลเกี่ยวกับประสบการณ์การใช้งานในคลิกเดียวเพื่อเริ่มใช้สมุดบันทึก Fabric และลิงก์เชิงความหมายเพื่อวิเคราะห์แบบจําลองความหมายของคุณในเว็บ สําหรับข้อมูลเพิ่มเติมเกี่ยวกับลิงก์ความหมายและสมุดบันทึก Fabric โปรดดูแหล่งข้อมูลต่อไปนี้: