Datainhämtning och semantiska modeller

I den här kursen lär du dig flera olika metoder för att föra in data i Microsoft Fabric. Efter att du har importerat dina data lär du dig sedan hur du strukturerar dessa data med hjälp av semantiska modeller för att förbättra dina visualiseringar och rapporter.

Bemästra pipelines och dataflöden för datainhämtning

Börja med att utforska Pipelines och Dataflows i Fabric. Du kommer att lära dig att konfigurera pipeline-aktiviteter, använda parametrar och variabler samt schemalägga dina pipeline-körningar. Sedan lär du dig att använda Dataflows för att upptäcka olika transformationsalternativ och optimera prestandan med partitionering, staging och snabb kopiering.

Utnyttja genvägar för effektiv datatillgång

Lär dig använda olika typer av genvägar för att hantera raderingsscenarier och förbättra datatillgängligheten genom säkerhetsfunktioner.

Bygg och optimera semantiska modeller

Under den andra halvan av kursen kommer du att skapa robusta semantiska modeller i Fabric. Du kommer att lära dig om viktiga lagringslägen – Import, DirectQuery, Direct Lake och sammansatta modeller. Du kommer att bygga effektiva relationer, bemästra stjärn- och snöflingescheman och arbeta med stora datamängder för att säkerställa optimal prestanda i komplexa scenarier.

Bemästra avancerade koncept inom semantiska modeller och Power BI

Slutligen kommer du att lära dig avancerade koncept för att hantera och optimera semantiska modeller. Du kommer att implementera Row-Level Security (RLS) och Object-Level Security (OLS), uppdatera modeller och utveckla omfattande Power BI-rapporter. Sedan kommer du i Power BI att utforska Copilot, optimera prestandan med DAX Studio och använda verktyg som Tabular Editors Best Practice Analyzer (BPA) och Performance Analyzer för att skapa effektiva och säkra modeller och rapporter.

Identifiera egenskaper hos Snowflake-schemat

Datainmatning och semantiska modeller med Microsoft Fabric

Interaktiv övning med praktiskt arbete