Azure Data Engineer Bundle: Implementing and Designing an Azure Data Solution
Seminar
In Nürnberg
Beschreibung
-
Kursart
Seminar
-
Ort
Nürnberg
-
Dauer
5 Tage
-
Beginn
Juli
Über das Seminar
In diesem Seminar implementieren und entwerfen die Teilnehmer verschiedene Datenplattformtechnologien in Lösungen, die in Übereinstimmung mit geschäftlichen und technischen Anforderungen sind, einschließlich On-premises-, Cloud- und hybrider Datenszenarien, die sowohl relationale als auch No-SQL-Daten umfassen. Außerdem lernen sie, Daten mithilfe einer breiten Palette von Technologien und Sprachen für Streaming und Batchdaten zu verarbeiten.
Weitere Themen sind die Implementierung von Datensicherheit einschließlich Authentifizierung, Autorisierung, Datenrichtlinien und Standards sowie die Überwachung von Datenlösungen für Datenspeicher- und Datenverarbeitungsaktivitäten. Es geht um Verwaltung und Troubleshooting von Azure-Datenlösungen, was Optimierung und Disaster Recovery von Big Data, Batchverarbeitung und Streamingdatenlösungen einschließt.
Das Seminar schließt mit einem Überblick über das Design von Datensicherheit einschließlich Datenzugriff, Datenrichtlinien und Standards sowie von Azure-Datenlösungen, die Optimierung, Verfügbarkeit und Disaster Recovery von Big Data, Batchverarbeitung und Streaming umfassen.
Das Bundle fasst die Inhalte der folgenden Seminare zusammen:
DP-200T01: Implementing an Azure Data Solution
DP-201T01: Designing an Azure Data Solution
Der Intensivkurs bereitet Sie optimal auf die Zertifizierung als Azure Data Engineer vor.
Haben Sie Interesse an einzelnen Modulen dieses Seminars? Kontaktieren Sie uns – wir beraten Sie gerne!
Standorte und Zeitplan
Lage
Beginn
Beginn
Hinweise zu diesem Kurs
Zielgruppe
Datenprofis, -architekten und Business-Intelligence-Professionals, die die Datenplattformtechnologien auf Microsoft Azure kennenlernen wollen
Personen, die Anwendungen entwickeln, die Inhalt von den Datenplattformtechnologien auf Microsoft Azure ausliefern
Zertifizierungen
Dieses Seminar bereitet auf folgende Zertifizierung vor:
Azure Data Engineer Associate
Meinungen
Themen
- Engineering
- Entwicklung
- Absicherung
- Effizienz
- Perspektive
- Datensicherheit
- DB
- Datenbanken
- Visual Studio
- .net
- SQL
- Datenbank
- Sicherheit
- Design
Inhalte
Inhalt
Inhalt
Inhalt
- Implementierung einer Azure-Datenlösung
- Azure für den Dateningenieur
- Entwicklung der Datenwelt
- Dienste in der Azure-Datenplattform
- Aufgaben eines Dateningenieurs
- Anwendungsfälle für die Cloud
- Arbeiten mit Datenspeicher
- Auswahl eines Datenspeichers in Azure
- Erstellen eines Azure-Speicherkontos
- Azure-Data-Lake-Speicher
- Hochladen von Daten in Azure Data Lake
- Teambasierte Datenwissenschaft mit Azure Databricks
- Azure Databricks und Plattformen für das Maschinenlernen
- Prozess der Teamdatenwissenschaft
- Bereitstellung von Azure Databricks und Arbeitsräumen
- Aufgaben zur Datenvorbereitung
- Erstellen global verteilter Datenbanken mit Cosmos DB
- Erstellen einer skalierbaren Azure-Cosmos-DB-Datenbank
- Einfügen und Abfragen von Daten in einer Azure-Cosmos-DB-Datenbank
- Bereitstellen einer .NET-Core-App für Cosmos DB in Visual-Studio-Code
- Globale Verteilung von Daten mit Azure Cosmos DB
- Arbeiten mit relationalen Datenspeichern in der Cloud
- SQL Database und SQL Data Warehouse
- Bereitstellen einer Azure-SQL-Datenbank, um Daten zu speichern
- Laden von Daten in Azure SQL Data Warehouse
- Echtzeitanalysen mit Stream Analytics
- Datenströme und Ereignisverarbeitung
- Abfrage von Streamingdaten mithilfe von Stream Analytics
- Datenverarbeitung mit Azure Blob und Stream Analytics
- Datenverarbeitung mit Event Hubs und Stream Analytics
- Orchestrierung von Datenbewegungen mit Azure Data Factory
- Arbeitsweise von Azure Data Factory
- Erstellen von Linked Services und Datensets
- Erstellen von Pipelines und Aktivitäten
- Ausführen von Azure-Data-Factory-Pipelines und -Triggern
- Absicherung von Azure-Datenplattformen
- Konfiguration der Netzwerksicherheit
- Konfiguration von Authentifizierung
- Konfiguration von Autorisierung
- Auditieren der Sicherheit
- Überwachung und Troubleshooting von Datenspeicher und -verarbeitung
- Troubleshootingansatz für das Data Engineering
- Azure-Überwachungsmöglichkeiten
- Troubleshooting gängiger Datenprobleme
- Troubleshooting gängiger Datenverarbeitungsprobleme
- Integration und Optimierung von Datenplattformen
- Integration von Datenplattformen
- Optimierung von Datenspeichern
- Optimierung von Streamingdaten
- Disaster Recovery
- Azure für den Dateningenieur
- Design einer Azure-Datenlösung
- Überlegungen zur Datenplattformarchitektur
- Kernprinzipien der Erstellung von Architekturen
- Design mit Sicherheit im Hinterkopf
- Performance und Skalierbarkeit
- Design für Verfügbarkeit und Wiederherstellbarkeit
- Design für Effizienz und Betriebsabläufe
- Fallstudie
- Azure-Batchverarbeitungsreferenzarchitekturen
- Lambda-Architekturen aus einer Batch-Modus-Perspektive
- Design einer Enterprise-BI-Lösung in Azure
- Automatisierung von Enterprise-BI-Lösungen in Azure
- Erstellen eines Unterhaltungsbots in Azure
- Azure-Echtzeitreferenzarchitekturen
- Lambda-Architekturen für eine Echtzeitperspektive
- Erstellen einer Streamverarbeitungspipeline mit Azure Stream Analytics
- Design einer Streamverarbeitungspipeline mit Azure Databricks
- Erstellen einer Azure-IoT-Referenzarchitektur
- Designüberlegungen zur Sicherheit der Datenplattform
- Defense-in-Depth-Sicherheitsansatz
- Schutz auf Netzwerkebene
- Identitätsschutz
- Verschlüsselung
- Erweiterter Schutz vor Bedrohungen
- Design für Resilienz und Skalierbarkeit
- Design von Backup- und Wiederherstellungsstrategien
- Optimierung der Netzwerkperformance
- Design für optimierte Speicher- und Datenbankperformance
- Design einer hochverfügbaren Lösung
- Integrieren von Disaster Recovery in Architekturen
- Design von Backup- und Wiederherstellungsstrategien
- Design für Effizienz und Betriebsabläufe
- Maximieren der Effizienz einer Cloudumgebung
- Nutzen von Überwachung und Analysen, um Einsicht in Betriebsabläufe zu erhalten
- Nutzen von Automatisierung, um Aufwand und Fehler zu reduzieren
- Überlegungen zur Datenplattformarchitektur
- Azure für den Dateningenieur
- Entwicklung der Datenwelt
- Dienste in der Azure-Datenplattform
- Aufgaben eines Dateningenieurs
- Anwendungsfälle für die Cloud
- Arbeiten mit Datenspeicher
- Auswahl eines Datenspeichers in Azure
- Erstellen eines Azure-Speicherkontos
- Azure-Data-Lake-Speicher
- Hochladen von Daten in Azure Data Lake
- Teambasierte Datenwissenschaft mit Azure Databricks
- Azure Databricks und Plattformen für das Maschinenlernen
- Prozess der Teamdatenwissenschaft
- Bereitstellung von Azure Databricks und Arbeitsräumen
- Aufgaben zur Datenvorbereitung
- Erstellen global verteilter Datenbanken mit Cosmos DB
- Erstellen einer skalierbaren Azure-Cosmos-DB-Datenbank
- Einfügen und Abfragen von Daten in einer Azure-Cosmos-DB-Datenbank
- Bereitstellen einer .NET-Core-App für Cosmos DB in Visual-Studio-Code
- Globale Verteilung von Daten mit Azure Cosmos DB
- Arbeiten mit relationalen Datenspeichern in der Cloud
- SQL Database und SQL Data Warehouse
- Bereitstellen einer Azure-SQL-Datenbank, um Daten zu speichern
- Laden von Daten in Azure SQL Data Warehouse
- Echtzeitanalysen mit Stream Analytics
- Datenströme und Ereignisverarbeitung
- Abfrage von Streamingdaten mithilfe von Stream Analytics
- Datenverarbeitung mit Azure Blob und Stream Analytics
- Datenverarbeitung mit Event Hubs und Stream Analytics
- Orchestrierung von Datenbewegungen mit Azure Data Factory
- Arbeitsweise von Azure Data Factory
- Erstellen von Linked Services und Datensets
- Erstellen von Pipelines und Aktivitäten
- Ausführen von Azure-Data-Factory-Pipelines und -Triggern
- Absicherung von Azure-Datenplattformen
- Konfiguration der Netzwerksicherheit
- Konfiguration von Authentifizierung
- Konfiguration von Autorisierung
- Auditieren der Sicherheit
- Überwachung und Troubleshooting von Datenspeicher und -verarbeitung
- Troubleshootingansatz für das Data Engineering
- Azure-Überwachungsmöglichkeiten
- Troubleshooting gängiger Datenprobleme
- Troubleshooting gängiger Datenverarbeitungsprobleme
- Integration und Optimierung von Datenplattformen
- Integration von Datenplattformen
- Optimierung von Datenspeichern
- Optimierung von Streamingdaten
- Disaster Recovery
- Azure für den Dateningenieur
- Entwicklung der Datenwelt
- Dienste in der Azure-Datenplattform
- Aufgaben eines Dateningenieurs
- Anwendungsfälle für die Cloud
- Arbeiten mit Datenspeicher
- Auswahl eines Datenspeichers in Azure
- Erstellen eines Azure-Speicherkontos
- Azure-Data-Lake-Speicher
- Hochladen von Daten in Azure Data Lake
- Teambasierte Datenwissenschaft mit Azure Databricks
- Azure Databricks und Plattformen für das Maschinenlernen
- Prozess der Teamdatenwissenschaft
- Bereitstellung von Azure Databricks und Arbeitsräumen
- Aufgaben zur Datenvorbereitung
- Erstellen global verteilter Datenbanken mit Cosmos DB
- Erstellen einer skalierbaren Azure-Cosmos-DB-Datenbank
- Einfügen und Abfragen von Daten in einer Azure-Cosmos-DB-Datenbank
- Bereitstellen einer .NET-Core-App für Cosmos DB in Visual-Studio-Code
- Globale Verteilung von Daten mit Azure Cosmos DB
- Arbeiten mit relationalen Datenspeichern in der Cloud
- SQL Database und SQL Data Warehouse
- Bereitstellen einer Azure-SQL-Datenbank, um Daten zu speichern
- Laden von Daten in Azure SQL Data Warehouse
- Echtzeitanalysen mit Stream Analytics
- Datenströme und Ereignisverarbeitung
- Abfrage von Streamingdaten mithilfe von Stream Analytics
- Datenverarbeitung mit Azure Blob und Stream Analytics
- Datenverarbeitung mit Event Hubs und Stream Analytics
- Orchestrierung von Datenbewegungen mit Azure Data Factory
- Arbeitsweise von Azure Data Factory
- Erstellen von Linked Services und Datensets
- Erstellen von Pipelines und Aktivitäten
- Ausführen von Azure-Data-Factory-Pipelines und -Triggern
- Absicherung von Azure-Datenplattformen
- Konfiguration der Netzwerksicherheit
- Konfiguration von Authentifizierung
- Konfiguration von Autorisierung
- Auditieren der Sicherheit
- Überwachung und Troubleshooting von Datenspeicher und -verarbeitung
- Troubleshootingansatz für das Data Engineering
- Azure-Überwachungsmöglichkeiten
- Troubleshooting gängiger Datenprobleme
- Troubleshooting gängiger Datenverarbeitungsprobleme
- Integration und Optimierung von Datenplattformen
- Integration von Datenplattformen
- Optimierung von Datenspeichern
- Optimierung von Streamingdaten
- Disaster Recovery
- Entwicklung der Datenwelt
- Dienste in der Azure-Datenplattform
- Aufgaben eines Dateningenieurs
- Anwendungsfälle für die Cloud
- Entwicklung der Datenwelt
- Dienste in der Azure-Datenplattform
- Aufgaben eines Dateningenieurs
- Anwendungsfälle für die Cloud
- Auswahl eines Datenspeichers in Azure
- Erstellen eines Azure-Speicherkontos
- Azure-Data-Lake-Speicher
- Hochladen von Daten in Azure Data Lake
- Auswahl eines Datenspeichers in Azure
- Erstellen eines Azure-Speicherkontos
- Azure-Data-Lake-Speicher
- Hochladen von Daten in Azure Data Lake
- Azure Databricks und Plattformen für das Maschinenlernen
- Prozess der Teamdatenwissenschaft
- Bereitstellung von Azure Databricks und Arbeitsräumen
- Aufgaben zur Datenvorbereitung
- Azure Databricks und Plattformen für das Maschinenlernen
- Prozess der Teamdatenwissenschaft
- Bereitstellung von Azure Databricks und Arbeitsräumen
- Aufgaben zur Datenvorbereitung
- Erstellen einer skalierbaren Azure-Cosmos-DB-Datenbank
- Einfügen und Abfragen von Daten in einer Azure-Cosmos-DB-Datenbank
- Bereitstellen einer .NET-Core-App für Cosmos DB in Visual-Studio-Code
- Globale Verteilung von Daten mit Azure Cosmos DB
- Erstellen einer skalierbaren Azure-Cosmos-DB-Datenbank
- Einfügen und Abfragen von Daten in einer Azure-Cosmos-DB-Datenbank
- Bereitstellen einer .NET-Core-App für Cosmos DB in Visual-Studio-Code
- Globale Verteilung von Daten mit Azure Cosmos DB
- SQL Database und SQL Data Warehouse
- Bereitstellen einer Azure-SQL-Datenbank, um Daten zu speichern
- Laden von Daten in Azure SQL Data Warehouse
- SQL Database und SQL Data Warehouse
- Bereitstellen einer Azure-SQL-Datenbank, um Daten zu speichern
- Laden von Daten in Azure SQL Data Warehouse
- Datenströme und Ereignisverarbeitung
- Abfrage von Streamingdaten mithilfe von Stream Analytics
- Datenverarbeitung mit Azure Blob und Stream Analytics
- Datenverarbeitung mit Event Hubs und Stream Analytics
- Datenströme und Ereignisverarbeitung
- Abfrage von Streamingdaten mithilfe von Stream Analytics
- Datenverarbeitung mit Azure Blob und Stream Analytics
- Datenverarbeitung mit Event Hubs und Stream Analytics
- Arbeitsweise von Azure Data Factory
- Erstellen von Linked Services und Datensets
- Erstellen von Pipelines und Aktivitäten
- Ausführen von Azure-Data-Factory-Pipelines und -Triggern
- Arbeitsweise von Azure Data Factory
- Erstellen von Linked Services und Datensets
- Erstellen von Pipelines und Aktivitäten
- Ausführen von Azure-Data-Factory-Pipelines und -Triggern
- Konfiguration der Netzwerksicherheit
- Konfiguration von Authentifizierung
- Konfiguration von Autorisierung
- Auditieren der Sicherheit
- Konfiguration der Netzwerksicherheit
- Konfiguration von Authentifizierung
- Konfiguration von Autorisierung
- Auditieren der Sicherheit
- Troubleshootingansatz für das Data Engineering
- Azure-Überwachungsmöglichkeiten
- Troubleshooting gängiger Datenprobleme
- Troubleshooting gängiger Datenverarbeitungsprobleme
- Troubleshootingansatz für das Data Engineering
- Azure-Überwachungsmöglichkeiten
- Troubleshooting gängiger Datenprobleme
- Troubleshooting gängiger Datenverarbeitungsprobleme
- Integration von Datenplattformen
- Optimierung von Datenspeichern
- Optimierung von Streamingdaten
- Disaster Recovery
- Integration von Datenplattformen
- Optimierung von Datenspeichern
- Optimierung von Streamingdaten
- Disaster Recovery
- Überlegungen zur Datenplattformarchitektur
- Kernprinzipien der Erstellung von Architekturen
- Design mit Sicherheit im Hinterkopf
- Performance und Skalierbarkeit
- Design für Verfügbarkeit und Wiederherstellbarkeit
- Design für Effizienz und Betriebsabläufe
- Fallstudie
- Azure-Batchverarbeitungsreferenzarchitekturen
- Lambda-Architekturen aus einer Batch-Modus-Perspektive
- Design einer Enterprise-BI-Lösung in Azure
- Automatisierung von Enterprise-BI-Lösungen in Azure
- Erstellen eines Unterhaltungsbots in Azure
- Azure-Echtzeitreferenzarchitekturen
- Lambda-Architekturen für eine Echtzeitperspektive
- Erstellen einer Streamverarbeitungspipeline mit Azure Stream Analytics
- Design einer Streamverarbeitungspipeline mit Azure Databricks
- Erstellen einer Azure-IoT-Referenzarchitektur
- Designüberlegungen zur Sicherheit der Datenplattform
- Defense-in-Depth-Sicherheitsansatz
- Schutz auf Netzwerkebene
- Identitätsschutz
- Verschlüsselung
- Erweiterter Schutz vor Bedrohungen
- Design für Resilienz und Skalierbarkeit
- Design von Backup- und Wiederherstellungsstrategien
- Optimierung der Netzwerkperformance
- Design für optimierte Speicher- und Datenbankperformance
- Design einer hochverfügbaren Lösung
- Integrieren von Disaster Recovery in Architekturen
- Design von Backup- und Wiederherstellungsstrategien
- Design für Effizienz und Betriebsabläufe
- Maximieren der Effizienz einer Cloudumgebung
- Nutzen von Überwachung und Analysen, um Einsicht in Betriebsabläufe zu erhalten
- Nutzen von Automatisierung, um Aufwand und Fehler zu reduzieren
- Überlegungen zur Datenplattformarchitektur
- Kernprinzipien der Erstellung von Architekturen
- Design mit Sicherheit im Hinterkopf
- Performance und Skalierbarkeit
- Design für Verfügbarkeit und Wiederherstellbarkeit
- Design für Effizienz und Betriebsabläufe
- Fallstudie
- Azure-Batchverarbeitungsreferenzarchitekturen
- Lambda-Architekturen aus einer Batch-Modus-Perspektive
- Design einer Enterprise-BI-Lösung in Azure
- Automatisierung von Enterprise-BI-Lösungen in Azure
- Erstellen eines Unterhaltungsbots in Azure
- Azure-Echtzeitreferenzarchitekturen
- Lambda-Architekturen...
Azure Data Engineer Bundle: Implementing and Designing an Azure Data Solution