Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Menu

Microsoft DP-700 prep: Fabric Data Engineer Associate

Luyện thi Microsoft DP-700: Fabric Data Engineer Associate

Luyện thi Microsoft DP-700: Fabric Data Engineer Associate

Học PySpark, SQL, KQL và Fabric để thi DP-700. Cũng hỗ trợ cho các chứng chỉ Kỹ năng Ứng dụng Microsoft APL-3008, 3009 và 3010

4.6
(2,047 đánh giá)
15,616 học viên
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 349.000đ -86%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
17.5 giờ video
186 bài giảng
27 bài quiz
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026

Bạn sẽ học được gì

Triển khai và quản lý giải pháp phân tích
Cấu hình bảo mật và quản trị
Thu nhập và biến đổi dữ liệu
Giám sát và tối ưu hóa giải pháp phân tích

Yêu cầu

Trước khi bắt đầu khóa học, bạn cần có máy tính kết nối internet.
Thế là đủ! Sẽ tốt hơn nếu bạn có địa chỉ email cơ quan/trường học (bạn sẽ có nếu đã từng dùng các ứng dụng Microsoft khác). Nếu chưa có, tôi có thể gợi ý cách để bạn tạo một cái.
Không cần kiến thức trước về PySpark, SQL hay KQL. Tuy nhiên, nếu có sẵn thì sẽ rất hữu ích.

Đối tượng phù hợp

Khóa học này dành cho bạn nếu muốn triển khai các giải pháp kỹ sư dữ liệu bằng Microsoft Fabric
Bạn sẽ có thể sử dụng PySpark, SQL hoặc KQL để truy vấn dữ liệu theo lô hoặc dữ liệu streaming
Kết thúc khóa học, sau khi làm bài Kiểm tra Thực hành chính thức, bạn có thể tham gia (và hy vọng sẽ vượt qua) kỳ thi DP-700 chính thức của Microsoft.
Chứng chỉ "Fabric Data Engineer Associate" sẽ là điểm cộng rất đẹp cho CV hoặc hồ sơ của bạn, phải không?

Nội dung khóa học

25 phần • 186 bài giảng
1 Giới thiệu
2 Chào mừng đến với Udemy
3 Giao diện Udemy
4 Bạn có muốn phụ đề tự động dịch sang nhiều ngôn ngữ hơn?
5 Nội dung khóa học
6 Tài nguyên
1 * Đăng nhập vào Microsoft Fabric
2 * Tại sao cần địa chỉ email Cơ quan? Và làm thế nào để có nếu chưa có?
3 * Tạo Fabric capacity và cấu hình cài đặt workspace hỗ trợ Fabric
4 * Xác định yêu cầu cho giải pháp Fabric và quản lý Fabric capacity
5 * Hướng dẫn nhanh về Fabric
1 Tải dữ liệu lên
2 * Thu nhập dữ liệu bằng dataflow
3 * 20. Thêm đích đến cho dataflow
4 * 15. Lưu dưới dạng mẫu và lên lịch dataflow
5 * 45. Triển khai Fast Copy khi dùng dataflows
6 35, 39. Giám sát biến đổi dữ liệu, xác định và xử lý lỗi bằng dataflows
7 35. Tối ưu hóa dataflow
1 * Phần đầu của menu Home, bao gồm chuyển đổi kiểu dữ liệu cột
2 * Xóa hàng/cột, lọc và sắp xếp dữ liệu
3 * 27. Nhóm và tổng hợp dữ liệu, nhân bản và tham chiếu truy vấn
4 * 26. Chuẩn hóa ngược dữ liệu bằng cách kết hợp dữ liệu với Merge Queries
5 * Kết hợp dữ liệu bằng Append Queries
6 * 28a, 28b. Xác định và xử lý dữ liệu trùng lặp, dữ liệu thiếu (giá trị null)
7 * Biến đổi dữ liệu và thêm cột bổ sung
8 * Bài thực hành số 1
9 * Bài thực hành số 1 - Lời giải
1 Giới thiệu ngôn ngữ M
2 Hàm số trong M
3 Hàm văn bản trong M
4 Hàm Ngày, Giờ và Khoảng thời gian trong M
5 27. Hàm Nhóm trong M và xóa hàng
6 26, 28a, 28b. Hàm Bảng trong M
1 * 24. Thu nhập dữ liệu bằng data pipeline và thêm các hoạt động khác
2 * 24, 38. Sao chép dữ liệu bằng data pipeline
3 * 15, 34. Lên lịch data pipelines và giám sát các lần chạy pipeline
4 38, 45. Xác định và xử lý lỗi pipeline, và tối ưu hóa pipeline
5 *Khám phá dữ liệu mẫu (bao gồm copy data assistant) + mẫu data pipeline
6 * Bài thực hành số 2
7 * Bài thực hành số 2 - Lời giải
1 Thu nhập dữ liệu vào lakehouse bằng cách tải lên cục bộ
2 Chọn phương pháp phù hợp để sao chép vào Lakehouse hoặc Warehouse
3 Thu nhập dữ liệu bằng notebook và sao chép vào bảng
4 Lưu dữ liệu vào file hoặc bảng Lakehouse
5 Tải dữ liệu từ bảng bằng PySpark và SQL, và thao tác với kết quả
6 Bài thực hành số 3
7 Bài thực hành số 3 - Lời giải
1 Giảm số lượng cột hiển thị
2 Lọc dữ liệu với: where, limit và tail
3 Làm giàu dữ liệu bằng cách thêm cột mới
4 Sử dụng Hàm
5 Lọc nâng cao hơn
6 Bài thực hành số 4 dùng PySpark
7 Bài thực hành số 4 dùng PySpark - Lời giải
8 Bài thực hành số 5 dùng SQL
9 Bài thực hành số 5 dùng SQL - Lời giải
1 Chuyển đổi kiểu dữ liệu
2 Nhập dữ liệu bằng cấu trúc dữ liệu tường minh
3 Định dạng ngày tháng dưới dạng chuỗi
4 27. Tổng hợp và lọc lại dữ liệu
5 Sắp xếp kết quả
6 Sử dụng cả 6 Mệnh đề SQL
7 Bài thực hành số 6 dùng PySpark
8 Bài thực hành số 6 dùng PySpark - Lời giải
9 Bài thực hành số 7 dùng SQL
10 Bài thực hành số 7 dùng SQL - Lời giải
1 25. Hợp nhất dữ liệu
2 28a. Xác định và xử lý dữ liệu trùng lặp
3 25. Kết hợp dữ liệu bằng Inner join
4 25. Kết hợp dữ liệu bằng các phép join khác
5 28b. Xác định dữ liệu thiếu hoặc giá trị null
6 Bài thực hành số 8 - Triển khai bảng cầu nối cho lakehouse: PySpark
7 Bài thực hành số 8 dùng PySpark - Lời giải
8 Bài thực hành số 9 dùng PySpark
9 Bài thực hành số 9 dùng PySpark - Lời giải
10 Bài thực hành số 10 dùng SQL
11 Bài thực hành số 10 dùng SQL - Lời giải
1 15. Lên lịch notebooks
2 31. Xử lý dữ liệu bằng Spark structured streaming trong notebook
3 31. Kiểm tra việc xử lý dữ liệu streaming trong notebook
4 31. Xử lý dữ liệu bằng Spark Job Definition
5 14. Lựa chọn giữa pipeline, dataflow và notebook
6 16. Triển khai tham số với notebooks và pipelines
7 16. Triển khai biểu thức động với notebooks và pipelines
8 Bài thực hành số 11
9 Bài thực hành số 11 - Lời giải
1 22. Tạo và quản lý shortcuts
2 43a. Xác định và xử lý lỗi Shortcut
3 3. Cấu hình cài đặt workspace OneLake
4 Tạo Microsoft Azure SQL Database làm nguồn
5 44. Triển khai phân vùng file cho khối lượng công việc phân tích bằng pipeline
6 44. Triển khai phân vùng file cho khối lượng công việc phân tích - dữ liệu trong lakehouse
7 23. Triển khai mirroring cho cơ sở dữ liệu bên ngoài
8 Bài thực hành số 12
9 Bài thực hành số 12 - Lời giải
1 44. Xác định và xử lý điểm nghẽn hiệu suất tải dữ liệu trong notebooks
2 44. Triển khai cải thiện hiệu suất trong notebooks, bao gồm V-Order
3 44. Xác định và xử lý vấn đề với file bảng Delta: optimized writes
4 48. Tối ưu hiệu suất Spark
1 * Tạo bảng trong data warehouse
2 25, 27. Chèn dữ liệu vào bảng và biến đổi dữ liệu trong Data Warehouse
3 20, 21. Lựa chọn giữa dataflows, notebooks và T-SQL để biến đổi dữ liệu
4 18. Slowly changing dimensions - Lý thuyết
5 18. Triển khai Slowly changing dimensions Loại 0 - Ví dụ thực tế
6 18. Triển khai Slowly changing dimensions Loại 1 và Loại 2 - Ví dụ thực tế
1 17. Thiết kế tải dữ liệu tăng dần từ Data Warehouse bằng pipeline
2 17. Triển khai tải dữ liệu tăng dần từ Data Warehouse bằng pipeline
3 17. Kiểm tra tải dữ liệu tăng dần từ Data Warehouse bằng pipeline
4 17. Triển khai tải dữ liệu tăng dần bằng Dataflow Gen2
1 * 5. Tạo workspace Premium Per User (PPU) và Azure DevOps repos
2 * 5. Triển khai kiểm soát phiên bản cho workspace
3 6. Triển khai database projects, bao gồm trong source control
4 11. Triển khai dynamic data masking trong Data Warehouse - Video 1
5 11. Triển khai dynamic data masking trong Data Warehouse - Video 2
6 46. Tối ưu hóa data warehouse
7 Bài thực hành số 13
8 Bài thực hành số 13 - Lời giải
1 * Tạo eventhouse, khám phá môi trường và lấy dữ liệu
2 * Tạo truy vấn KQL và SQL mẫu, khám phá môi trường truy vấn
1 * Chọn dữ liệu bằng KQL
2 * Chọn cột và sắp xếp dữ liệu bằng KQL
3 * Giới hạn số hàng
4 Bài thực hành số 14
5 Bài thực hành số 14 - Lời giải
6 * Tạo chuỗi ký tự
7 * Lọc toàn bộ chuỗi
8 * Lọc một phần chuỗi
9 * 27. Tổng hợp dữ liệu
10 Bài thực hành số 15
11 Bài thực hành số 15 - Lời giải
1 * Chuỗi rỗng, nối và cắt chuỗi
2 * Thao tác với chuỗi
3 * Các hàm chuỗi khác
4 Bài thực hành số 16
5 Bài thực hành số 16 - Lời giải
6 * Kiểu dữ liệu Số
7 * Các hàm Toán học khác
8 * Kiểu dữ liệu datetime và timespan
9 * Hàm datetime và timespan
10 Bài thực hành số 17
11 Bài thực hành số 17 - Lời giải
1 * Hợp nhất dữ liệu
2 * Kết hợp dữ liệu
3 Bài thực hành số 18
4 Bài thực hành số 18 - Lời giải
5 * Xác định và xử lý dữ liệu trùng lặp, dữ liệu thiếu hoặc giá trị null
6 * Hàm điều kiện iif/iff và case
7 * Trung tâm dữ liệu OneLake và real-time + triển khai tích hợp OneLake
8 Bài thực hành số 19
9 Bài thực hành số 19 - Lời giải
1 19, 21, 29. Chọn công cụ streaming phù hợp
2 30, 42. Xử lý dữ liệu bằng eventstream
3 30, 42. Sự kiện biến đổi Manage fields trong eventstream
4 30, 33, 42. Sự kiện biến đổi Group by, bao gồm Tạo hàm cửa sổ
5 30, 42. Hoàn thành eventstream của chúng ta
6 Bài thực hành số 20
1 25, 27. Ôn lại Cú pháp KQL
2 15b, 28, 37. Tạo Fabric activator để chạy dựa trên kích hoạt sự kiện
3 24a. Thu nhập dữ liệu bằng continuous integration từ OneLake - Phần 1
4 24a. Thu nhập dữ liệu bằng continuous integration từ OneLake - Phần 2
5 15b. Thiết kế và triển khai kích hoạt sự kiện dựa trên Azure Blob storage
6 47. Tối ưu hóa eventstreams và eventhouses
7 29a. Native storage, mirrored storage hoặc shortcuts trong Real-Time Intelligence
8 29b. Lựa chọn giữa accelerated shortcuts và non-accelerated shortcuts
1 1. Thiết lập không gian làm việc Spark: nhóm khởi động và nhóm tùy chỉnh, cùng môi trường
2 1. Các thiết lập khác cho không gian làm việc Spark
3 2. Cấu hình thiết lập không gian làm việc miền
4 4. Cấu hình thiết lập không gian làm việc cho luồng dữ liệu
5 Đề xuất cài đặt trong cổng quản trị Fabric
6 8, 9. Triển khai kiểm soát truy cập cấp không gian làm việc và cấp mục cho các mục Fabric
7 34-35. Cài đặt ứng dụng Microsoft Fabric Capacity Metrics
8 34-35. Sử dụng ứng dụng Microsoft Fabric Capacity Metrics - Quản lý dung lượng Fabric
9 36. Giám sát làm mới mô hình ngữ nghĩa
10 13a. Triển khai ghi nhật ký không gian làm việc
11 13a. Bảng điều khiển ghi nhật ký không gian làm việc
12 13a. Truy vấn nhật ký không gian làm việc bằng KQL
1 12. Áp dụng nhãn độ nhạy cảm cho các mục
2 13. Xác thực mục
3 10a. Bảo mật cấp hàng trong Kho dữ liệu
4 10b. Bảo mật cấp cột trong Kho dữ liệu
5 10c. Bảo mật cấp đối tượng trong Kho dữ liệu
6 10d, 13b. Kiểm soát truy cập cấp thư mục/tệp trong Lakehouse
7 7. Tạo đường ống triển khai
8 7. Cấu hình đường ống triển khai
1 Bước tiếp theo là gì?
2 Chúc mừng bạn đã hoàn thành khóa học

Giới thiệu khóa học

This course covers the content required for the Microsoft DP-700 "Fabric Data Engineer Associate" certification exam, using the Study Guide for "Implementing Analytics Solutions Using Microsoft Fabric", updated in line with the exam update as per 26 January 2026.

This course is also useful for the following Microsoft Applied Skills:

  • APL-3008 "Implement a Real-Time Intelligence solution with Microsoft Fabric"

  • APL-3009 "Implement a lakehouse in Microsoft Fabric"

  • APL-3010 "Implement a data warehouse in Microsoft Fabric"

Please note: This course is not affiliated with, endorsed by, or sponsored by Microsoft.


What do students like you say about this course?

Kin says: "Thank you so much for this content, very helpful.  I love the flow of how you explain things starting from the most simple scenario and add complexity gradually, and how you anticipate common questions and address them.  I learned more from this than the official Microsoft instructors I got from my workplace... Very well done!"

David says: "Philip takes time to explain things on a basic level so a novice to the topic can start building knowledge from scratch, following it up by in-depth explanations and details. The practice activities are also a very nice touch!"

Warren says: "This course is absolutely phenomenal in preparation for the DP-700 but also learning if you have zero experience. Microsoft Fabric is quite a large platform, and the exam can be very broad. Phillip does an outstanding job of covering an incredible amount of content in an easy-to-understand manner. The practice activities are well thought out and actually quite helpful in applying what is being taught.

There are other resources out there, but this tops them all. Phillip is also incredibly responsive to any questions out there. I cannot understand why anyone would not give this course 5 stars."


What will you learn in this course?

  • Following a quick look around Fabric, we will look at using Dataflow Gen2 and pipelines - ingesting and copying data, including using the M language, and scheduling and monitoring data pipeline runs.

  • Next we'll manipulate data using PySpark and SQL in a notebook.

    • We'll have a look at loading and saving data using notebooks.

    • We'll then manipulating dataframes, by choosing which columns and rows to show.

    • We'll then convert data types, aggregating and sorting dataframes,

    • We will then be transforming data in a lakehouse, merging and joining data, together with identifying missing data or null values.

  • We will then be improving notebook performance and automate notebooks, together with creating objects, such as shortcuts and file partitioning.

  • Following this, we'll look at using a data warehouse - transforming data, creating an incremental data load, and managing and optimizing them.

  • We'll then create an eventhouse, and find out how to transform data using KQL:

    • We'll select, filter and aggregate data.

    • We'll manipulate data using string, number, datetime and timespan functions.

    • We'll end these sections by transforming data, merging and joining data and more.

  • Finally, we will look at ingesting and transforming streaming data, including revising KQL knowledge from the DP-600 exam, workspace settings and monitoring.

No prior knowledge is assumed. We will start from the beginning for all languages and items, although any prior knowledge of M, PySpark, SQL or KQL is useful.

Once you have completed the course, you will have a good knowledge of using notebooks, dataflows, pipelines, data lakehouses and warehouses and eventhouses. And with some practice and knowledge of some additional topics, you could even go for the official Microsoft certification DP-700 - wouldn't the "Microsoft Certified: Fabric Data Engineer Associate" certification look good on your CV or resume?

I hope to see you in the course - why not have a look at what you could learn?

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Data Engineering
Hiển thị tất cả khoá học Data Pipelines
Hiển thị tất cả khoá học Kusto Query Language
Microsoft Fabric

Microsoft Fabric

Randy Minder

4.4 (3121)
18,595
50.000đ -97%
Hiển thị tất cả khoá học Microsoft Fabric
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊