[cq_vc_tabs tabsstyle=”style2″ contentcolor2=”#000000″ contentbg2=”#ffffff” titlecolor=”#ffffff” titlebg=”#f5c12f” titlehovercolor=”#ffffff” titlehoverbg=”#000000″ rotatetabs=”0″][cq_vc_tab_item tabtitle=”Descripción”]Aprende a implementar y administrar cargas de trabajo de ingeniería de datos en Microsoft Azure, mediante servicios de Azure como Azure Synapse Analytics, Azure Data Lake Storage Gen2, Azure Stream Analytics, Azure Databricks y otros. El curso se centra en tareas comunes de ingeniería de datos, como la orquestación de canalizaciones de transferencia y transformación de datos, el trabajo con archivos de datos en un lago de datos, la creación y carga de almacenes de datos relacionales, la captura y la agregación de flujos de datos en tiempo real y el seguimiento de recursos y linaje de datos.

 

Objetivos

• Exploración de las opciones de proceso y almacenamiento de las cargas de trabajo de ingeniería de datos en Azure.
• Ejecución de consultas interactivas con grupos de SQL sin servidor.
• Realización de exploraciones y transformaciones de datos en Azure Databricks.
• Exploración, transformación y carga de datos en almacenamientos de datos con Apache Spark.
• Ingesta y carga de datos en almacenamientos de datos.
• Transformación de datos con canalizaciones de Azure Data Factory o Azure Synapse.
• Integrar datos de Notebooks con canalizaciones de Azure Data Factory o Azure Synapse.
• Soporte de procesamientos analíticos transaccionales híbridos con Azure Synapse Link.
• Poner en marcha una seguridad integral con Azure Synapse Analytics.
• Realizar procesamientos de secuencias en tiempo real con Stream Analytics.
• Crear una solución de procesamiento de secuencias con Event Hubs y Azure Databricks.

[/cq_vc_tab_item][cq_vc_tab_item tabtitle=”Audiencia”]La audiencia principal de este curso son profesionales de datos, arquitectos de datos y profesionales de business intelligence que quieren obtener información sobre la ingeniería de datos y la creación de soluciones analíticas mediante las tecnologías de plataforma de datos que hay en Microsoft Azure. La audiencia secundaria de este curso son analistas de datos y científicos de datos que trabajan con soluciones analíticas basadas en Microsoft Azure.[/cq_vc_tab_item][cq_vc_tab_item tabtitle=”Contenido”]

Módulo 1: Introducción a la ingeniería de datos en Azure

• Identificar tareas comunes de ingeniería de datos.
• Describir conceptos comunes de ingeniería de datos.
• Identificar los servicios de Azure para la ingeniería de datos.

 

Módulo 2: Introducción a Azure Data Lake Storage Gen2

• Describir las principales características y ventajas de Azure Data Lake Storage Gen2.
• Habilitar Azure Data Lake Storage Gen2 en una cuenta de Azure Storage.
• Comparar Azure Data Lake Storage Gen2 con Azure Blob Storage
• Describir dónde encaja Azure Data Lake Storage Gen2 en las fases del procesamiento analítico.
• Describir cómo se usa Azure Data Lake Storage Gen2 en cargas de trabajo analíticas comunes.

 

Módulo 3: Introducción a Azure Synapse Analytics

• Identifique los problemas empresariales que aborda Azure Synapse Analytics.
• Describir las capacidades principales de Azure Synapse Analytics.
• Determine cuándo usar Azure Synapse Analytics.

 

Módulo 4: Uso del grupo SQL sin servidor de Azure Synapse para consultar archivos en un lago de datos

• Identificar capacidades y casos de uso para grupos de SQL sin servidor en Azure Synapse Analytics
• Consultar archivos CSV, JSON y Parquet mediante un grupo de SQL sin servidor
• Cree objetos de base de datos externos en un grupo de SQL sin servidor

 

Módulo 5: Uso de grupos de SQL sin servidor de Azure Synapse para transformar datos en un lago de datos

• Utilice una instrucción CREATE EXTERNAL TABLE AS SELECT (CETAS) para transformar datos.
• Encapsule una declaración CETAS en un procedimiento almacenado.
• Incluir un procedimiento almacenado de transformación de datos en una canalización.

 

Módulo 6: Crear una base de datos de lago en Azure Synapse Analytics

• Comprender los conceptos y componentes de la base de datos de Lake
• Describir las plantillas de bases de datos en Azure Synapse Analytics
• Crear una base de datos del lago

 

Módulo 7: Analizar datos con Apache Spark en Azure Synapse Analytics

• Identifique las características y capacidades principales de Apache Spark.
• Configure un grupo de Spark en Azure Synapse Analytics.
• Ejecute código para cargar, analizar y visualizar datos en un cuaderno Spark.

 

Módulo 8: Transformar datos con Spark en Azure Synapse Analytics

• Utilice Apache Spark para modificar y guardar marcos de datos
• Particione archivos de datos para mejorar el rendimiento y la escalabilidad.
• Transformar datos con SQL

 

Módulo 9: Uso de Delta Lake en Azure Synapse Analytics

• Describir las características y capacidades principales de Delta Lake.
• Cree y use tablas de Delta Lake en un grupo de Synapse Analytics Spark.
• Cree tablas de catálogo de Spark para datos de Delta Lake.
• Utilice tablas de Delta Lake para transmitir datos.
• Consulta tablas de Delta Lake desde un grupo SQL de Synapse Analytics.

 

Módulo 10: Analizar datos en un almacén de datos relacional.

• Diseñar un esquema para un almacén de datos relacional.
• Cree tablas de hechos, dimensiones y preparación.
• Utilice SQL para cargar datos en tablas del almacén de datos.
• Utilice SQL para consultar tablas de almacén de datos relacionales.

 

Módulo 11: Cargar datos en un almacén de datos relacional

• Cargar tablas provisionales en un almacén de datos
• Cargar tablas de dimensiones en un almacén de datos.
• Dimensiones de tiempo de carga en un almacén de datos.
• Cargar dimensiones que cambian lentamente en un almacén de datos
• Cargar tablas de hechos en un almacén de datos
• Realizar optimizaciones posteriores a la carga en un almacén de datos.

 

Módulo 12: Creación de una canalización de datos en Azure Synapse Analytics

• Describir los conceptos básicos de las canalizaciones de Azure Synapse Analytics.
• Cree una canalización en Azure Synapse Studio.
• Implementar una actividad de flujo de datos en una canalización.

Iniciar y monitorear ejecuciones de tuberías.

 

Módulo 13: Uso de Spark Notebooks en una canalización de Azure Synapse

• Describir la integración de notebooks y canalizaciones.
• Utilice una actividad del cuaderno de Synapse en una canalización.
• Utilice parámetros con una actividad de cuaderno.

 

Módulo 14: Planificación del procesamiento analítico y transaccional híbrido mediante Azure Synapse Analytics

• Describir patrones de procesamiento híbrido transaccional/analítico.
• Identifique los servicios de Azure Synapse Link para HTAP.

 

Módulo 15: Implementación de Azure Synapse Link con Azure Cosmos DB

• Configure una cuenta de Azure Cosmos DB para usar Azure Synapse Link.
• Cree un contenedor habilitado para el almacén analítico.
• Cree un servicio vinculado para Azure Cosmos DB.
• Analice datos vinculados usando Spark.
• Analice datos vinculados utilizando Synapse SQL.

 

Módulo 16: Implementar Azure Synapse Link para SQL

• Comprender los conceptos y capacidades clave de Azure Synapse Link para SQL.
• Configure Azure Synapse Link para Azure SQL Database.
• Configure Azure Synapse Link para Microsoft SQL Server.

 

Módulo 17: Introducción a Azure Stream Analytics

• Comprender los flujos de datos.
• Comprender el procesamiento de eventos.
• Comprender las funciones de las ventanas.
• Comience con Azure Stream Analytics.

 

Módulo 18: Ingesta de datos de streaming mediante Azure Stream Analytics y Azure Synapse Analytics

• Describir escenarios de ingesta de transmisiones comunes para Azure Synapse Analytics.
• Configure entradas y salidas para un trabajo de Azure Stream Analytics.
• Defina una consulta para ingerir datos en tiempo real en Azure Synapse Analytics.
• Ejecute un trabajo para ingerir datos en tiempo real y consumir esos datos en Azure Synapse Analytics.

 

Módulo 19: Visualice datos en tiempo real con Azure Stream Analytics y Power BI

• Configure una salida de Stream Analytics para Power BI.
• Utilice una consulta de Stream Analytics para escribir datos en Power BI.
• Cree una visualización de datos en tiempo real en Power BI.

 

Módulo 20: Introducción al ámbito de Microsoft

• Evalúe si Microsoft Purview es apropiado para las necesidades de gobierno y descubrimiento de datos.
• Describir cómo funcionan las características de Microsoft Purview para proporcionar control y detección de datos.

 

Módulo 21: Integrar Microsoft Purview y Azure Synapse Analytics

• Catalogue los recursos de la base de datos de Azure Synapse Analytics en Microsoft Purview.
• Configure la integración de Microsoft Purview en Azure Synapse Analytics.
• Busque en el catálogo de Microsoft Purview desde Synapse Studio.
• Realice un seguimiento del linaje de datos en las actividades de canalizaciones de Azure Synapse Analytics.

 

Módulo 22: Explorar Azure Databricks

• Aprovisione un área de trabajo de Azure Databricks.
• Identifique cargas de trabajo y personas principales para Azure Databricks.
• Describir conceptos clave de una solución de Azure Databricks.

 

Módulo 23: Uso de Apache Spark en Azure Databricks

• Describir los elementos clave de la arquitectura Apache Spark.
• Cree y configure un clúster Spark.
• Describir casos de uso para Spark.
• Utilice Spark para procesar y analizar datos almacenados en archivos.
• Utilice Spark para visualizar datos.

 

Módulo 24: Ejecute cuadernos de Azure Databricks con Azure Data Factory

• Describir cómo se pueden ejecutar los cuadernos de Azure Databricks en una canalización.
• Cree un servicio vinculado de Azure Data Factory para Azure Databricks.
• Utilice una actividad de Notebook en una canalización.
• Pasar parámetros a un cuaderno.

[/cq_vc_tab_item][cq_vc_tab_item tabtitle=”Prerrequisitos”]Los alumnos aptos comienzan este curso con conocimientos de informática en la nube y fundamentos de datos, y experiencia profesional con soluciones de datos.

Realizando en concreto:

• • AZ-900: Fundamentos de Azure.
  • DP-900: Fundamentos de datos en Microsoft Azure.

[/cq_vc_tab_item][cq_vc_tab_item tabtitle=”Certificación”]Detalles del Examen

Entrega	En línea (basado en la web)
Formato	Elección múltiple
Supervisión	En vivo
Duración	Entre 100 a 120 minutos
# de preguntas	Entre 40 y 60 preguntas
Puntuación	700 o más.

• Todas las puntuaciones de los exámenes técnicos se indican en una escala de 1 a 1000. La puntuación de aprobado es de 700 o más. Como se trata de una puntuación escalada, puede que no sea igual al 70 % de los puntos.

 

Certificación

• Data Engineering On Microsoft Azure (DP-203T00)

[/cq_vc_tab_item][cq_vc_tab_item tabtitle=”¿Necesitas más información?”]

[/cq_vc_tab_item][/cq_vc_tabs]