Introduction to Azure Databricks — Big Data Analytics Powered by Apache Spark บน Microsoft Azure
การนำทางด่วน
แท็ก
แชร์สไลด์
Introduction to Azure Databricks — Big Data Analytics Powered by Apache Spark บน Microsoft Azure
มุมมองรายละเอียดของแต่ละหน้าสไลด์ รวมถึงlayout เนื้อหาหลักและองค์ประกอบภาพ
สไลด์ชื่อเรื่องโดย James Serra, Big Data Evangelist ที่ Microsoft
ชื่อเรื่องด้านซ้ายพร้อมรูปถ่ายเมืองตอนกลางคืนด้านขวา, เน้นด้วยลูกศรสีทอง
ประวัติ James Serra — Microsoft Big Data Evangelist, ประสบการณ์ด้าน IT 30 ปี, ใบรับรอง MCSE, วิทยากร PASS, อดีต SQL Server MVP, ผู้เขียน
รายการ Bullet พร้อมรูปถ่ายบุคคลและป้าย MVP
หัวข้อ: Big Data Architectures, ทำไมต้อง Data Lakes, Top-down vs Bottom-up, นิยาม Data Lake, Hadoop ในฐานะ Data Lake, Modern Data Warehouse, Federated Querying, โซลูชันบนคลาวด์, SMP vs MPP
รายการ Bullet แบบง่าย
สถาปัตยกรรม Hybrid: on-premises (ไอคอนอาคาร) และคลาวด์ (ไอคอนคลาวด์) รองรับทั้งฐานข้อมูลเชิงปฏิบัติการ, Data Warehouse และ Data Lake ประเภทข้อมูล: LOB, CRM, Graph, Image, Social, IoT
สองคอลัมน์พร้อมลูกศร Hybrid ระหว่าง On-prem และคลาวด์
SQL Server (on-prem) ↔ Hybrid ↔ Azure Data Services SQL Server: ผู้นำอุตสาหกรรม, #1 TPC-H, T-SQL เหนือข้อมูลใดๆ Azure: เร็วกว่า Aurora 70%, เข้าถึงทั่วโลกมากกว่า Redshift 2 เท่า, No Limits Analytics 99.9% SLA
Layout Hybrid แบบเดิมโดยเน้นเมตริกการแข่งขัน
ตัวแบ่งส่วนสำหรับบท Azure Big Data
ข้อความสีขาวบนพื้นหลังสีน้ำเงิน
Spectrum จากการควบคุมไปสู่ความง่ายในการใช้งาน: Azure Marketplace (IaaS, Hadoop ใดๆ) → Azure HDInsight (คลัสเตอร์ที่มีการจัดการ) → Azure Databricks (Spark ที่ราบรื่น) → Azure Data Lake Analytics (job-as-a-service) ที่เก็บข้อมูล: Azure Data Lake Store และ Azure Storage
ไดอะแกรม Matrix พร้อมแกนควบคุม vs ความง่ายในการใช้งาน
ไปป์ไลน์แบบ End-to-end: Ingest (Data Factory, Kafka, Event Hub/IoT Hub) → Store (Blobs, Data Lake) → Prep & Train (Databricks, HDInsight, ML) → Model & Serve (Cosmos DB, SQL Database, SQL DW, Analysis Services) → Intelligence (แอป Predictive, รายงาน, แดชบอร์ด)
ไปป์ไลน์แนวนอนห้าเฟสพร้อมไอคอนบริการ Azure
ตัวแบ่งส่วนสำหรับ Azure Databricks deep dive
ข้อความสีขาวบนพื้นหลังสีน้ำเงิน
เอ็นจินโอเพนซอร์สที่สร้างขึ้นเพื่อความเร็ว, ความง่ายในการใช้งาน, การวิเคราะห์ที่ซับซ้อน เร็วกว่า Hadoop ในหน่วยความจำ 100 เท่า โครงการ OSS ที่ใหญ่ที่สุดที่มีผู้สนับสนุนมากกว่า 1000 ราย ขยายได้: Scala, Java, Python, Spark SQL, GraphX, Streaming, MLlib
รายการ Bullet พร้อมโลโก้ Apache Spark
การวิเคราะห์ที่รวดเร็ว ง่าย และทำงานร่วมกันได้บน Spark ซึ่งปรับให้เหมาะสมสำหรับ Azure ที่สุดของ Databricks + ที่สุดของ Microsoft ห้าคุณสมบัติหลัก: ความร่วมมือของผู้ก่อตั้ง Apache Spark, การตั้งค่าด้วยคลิกเดียว, พื้นที่ทำงานแบบอินเทอร์แอกทีฟ, การผสานรวม Azure แบบเนทีฟ (Power BI, SQL DW, Cosmos DB), การรักษาความปลอดภัยระดับองค์กร (AD, compliance, SLAs)
ชื่อเรื่องพร้อมสูตร (Databricks + Microsoft) และคุณสมบัติห้าประการที่มีป้ายกำกับไอคอน
เฟรมเวิร์กแบบรวม: Spark SQL (Interactive Queries), Spark MLLib (Machine Learning), Spark Streaming (Stream Processing), GraphX (Graph Computation) — ทั้งหมดนี้อยู่บน Spark Core Engine ที่มี Yarn, Mesos หรือ Standalone Scheduler
ไดอะแกรมสถาปัตยกรรมแบบเรียงซ้อนกันโดยมีสี่โมดูลอยู่บนสุดของเอ็นจินหลัก
การเปรียบเทียบเกณฑ์มาตรฐาน: เร็วกว่า vanilla Spark บน AWS 5 เท่า (11,674 เทียบกับ 53,783 วินาที), เร็วกว่า Presto บน AWS 8 เท่า (35.3 เทียบกับ 293 วินาที), เร็วกว่า Impala ในองค์กรผ่าน Cloudera 3 เท่า (1,149,264 เทียบกับ 3,331,440 วินาที)
แผนภูมิแท่งแนวนอนสามแผนภูมิเคียงข้างกัน
API ที่สอดคล้องกันเพียงตัวเดียว (RDDs), การผสมและจับคู่ประเภทการประมวลผล, ขจัดความจำเป็นในการเคลื่อนย้ายข้อมูลระหว่างเอ็นจิน ไปป์ไลน์: Input Streams → Spark Streaming → Spark ML → Spark SQL → NoSQL DB
รายการสัญลักษณ์แสดงหัวข้อย่อยทางด้านซ้าย, ไดอะแกรมไปป์ไลน์แนวตั้งทางด้านขวา
สามเสาหลัก: เพิ่มประสิทธิภาพการทำงาน (การเปิดใช้งานด้วยคลิกเดียว, Power BI, การทำงานร่วมกัน, การผสานรวม Azure แบบเนทีฟ), สร้างบน Cloud ที่เป็นไปตามข้อกำหนดมากที่สุด (การรักษาความปลอดภัย AD, การเข้าถึงแบบละเอียด, compliance), ปรับขนาดได้ไม่จำกัด (ขนาดใหญ่, เอ็นจิน Spark ที่เร็วที่สุด)
เลย์เอาต์สามคอลัมน์พร้อมส่วนหัวตัวหนา
แผนภาพแพลตฟอร์มแบบเต็ม: แหล่งข้อมูล (IoT, Cloud storage, Hadoop, Data warehouses) → Azure Databricks (พื้นที่ทำงานสำหรับการทำงานร่วมกัน + การปรับใช้ Production Jobs & Workflows + Optimized Runtime Engine) → ผลลัพธ์ (ML models, BI tools, Data exports, Data warehouses)
แผนภาพแพลตฟอร์มสามชั้นพร้อมอินพุต/เอาต์พุต
เริ่มต้นได้ในไม่กี่วินาที (คลิกเดียว), การสำรวจแบบอินเทอร์แอคทีฟ (R, Python, Scala, SQL notebooks), การทำงานร่วมกันแบบเรียลไทม์พร้อมประวัติการแก้ไข (GitHub, Bitbucket), การแสดงภาพในตัว (matplotlib, ggplot, D3), แดชบอร์ด PowerBI
คำอธิบายคุณสมบัติทางด้านซ้าย, แผนภาพสถาปัตยกรรมแพลตฟอร์มทางด้านขวา (เน้นชั้น Workspace)
Jobs scheduler, notebook workflows (multi-stage pipelines), เรียกใช้ notebooks เป็น Spark jobs ที่ยืดหยุ่น, การแจ้งเตือนและบันทึกการตรวจสอบ, การผสานรวมกับ Azure SQL DW, Cosmos DB, Data Lake Store, Blob Storage, Event Hub
คำอธิบายคุณสมบัติทางด้านซ้าย, แผนภาพแพลตฟอร์มทางด้านขวา (เน้นชั้น Jobs)
DBIO module สำหรับประสิทธิภาพ I/O ที่ปรับให้เหมาะสม, แพลตฟอร์มที่มีการจัดการอย่างเต็มรูปแบบบน Azure ช่วยลดความซับซ้อน, บริการคลาวด์แบบ Serverless และยืดหยุ่น, ดำเนินงานในขนาดใหญ่ทั่วโลก
คำอธิบายคุณสมบัติทางด้านซ้าย, แผนภาพแพลตฟอร์มทางด้านขวา (เน้นชั้น Runtime)
ห้าองค์ประกอบหลัก: Clusters, Libraries, Workspaces, Jobs, Notebooks — ทั้งหมดเชื่อมต่อกับศูนย์กลาง Azure Databricks
แผนภาพ Hub-and-spoke โดยมีศูนย์กลาง Azure Databricks และกล่องสีน้ำเงินห้ากล่อง
Driver Program (SparkContext) → Cluster Manager → Worker Nodes (Cache + Task) → Data Sources (HDFS, SQL, NoSQL). Driver รันฟังก์ชันหลัก, worker nodes อ่าน/เขียนข้อมูล, cache เป็น RDDs, execute บน VMs ใน public clouds
แผนภาพสถาปัตยกรรมแบบลำดับชั้นทางด้านขวา, bullet points ทางด้านซ้าย
Azure Active Directory integration: ไม่มีการจัดการผู้ใช้แยกต่างหาก, ผู้ใช้ AAD ทำงานได้โดยตรงใน Databricks, delegated SSO authentication, AAD-based access control สำหรับ notebooks, clusters, jobs, และ data
Bullet list ทางด้านซ้าย, แผนภาพ AAD authentication flow ทางด้านขวา
Autoscaling (min/max workers, automatic scale on load) และ Auto Termination (idle timeout, auto shutdown). ข้อดี: ไม่ต้องคาดเดาจำนวน node, ไม่ต้องปรับแต่งด้วยตนเอง, ไม่มีการสิ้นเปลืองทรัพยากร, จ่ายเฉพาะเมื่อใช้งาน
คำอธิบายทางด้านซ้าย, ภาพหน้าจอ Azure Portal Create Cluster ทางด้านขวา
Jobs ส่ง Spark application code เพื่อ execute บน clusters. Execute Notebooks หรือ JARs. เครื่องมือ GUI ที่ครอบคลุมสำหรับการสร้าง, การจัดการ, และการตรวจสอบ
คำอธิบายทางด้านซ้าย, ไอคอนปฏิทิน/นาฬิกาทางด้านขวา
Workspaces จัดระเบียบและแชร์ Notebooks, Libraries, และ Dashboards. โครงสร้างโฟลเดอร์แบบลำดับชั้น, private directories ต่อผู้ใช้, fine-grained access control สำหรับการทำงานร่วมกันอย่างปลอดภัย
Bullet list ทางด้านซ้าย, ภาพหน้าจอ Azure Portal workspace สองภาพทางด้านขวา
Notebooks สำหรับการเขียนและรัน Spark applications โดยตรงบน clusters. รองรับ fine-grained permissions, เหมาะสำหรับการสร้างต้นแบบและการพัฒนาแบบ iterative. ประกอบด้วย code, data, visualizations, comments, และ notes
Bullet list ทางด้านซ้าย, ภาพหน้าจอ notebook พร้อมแผนภูมิทางด้านขวา
Libraries เก็บ Python, R, Java/Scala libraries ภายใน workspaces. Immutable หลังจาก import. ปรับแต่งได้ผ่าน Init Scripts. จัดการได้ผ่าน Library API. รองรับแหล่งที่มา PyPI, Maven, JAR, R CRAN
Bullet list ทางด้านซ้าย, ภาพหน้าจอ Azure Portal Create Library สามภาพทางด้านขวา
Built-in visualization: Bar, Scatter, Map, Line, Area, Pie, Quantile, Histogram, Box plot, Q-Q plot, Pivot. Notebooks ทั้งหมดโดยไม่คำนึงถึงภาษาที่รองรับ Databricks visualizations. Matplotlib renders เป็น images. ตัวอย่าง PySpark SQL code พร้อม US state map visualization
Bullet list ทางด้านซ้าย, PySpark code + map visualization ทางด้านขวา, เมนู plot type ด้านล่าง
Distributed file system layered over Azure Blob Storage. Mount Azure Storage buckets, cache locally บน SSD, available ใน Python/Scala/CLI/dbutils, data ยังคงอยู่หลังจากการ termination ของ cluster, ติดตั้งไว้ล่วงหน้าบน Spark clusters
Bullet list ทางด้านซ้าย, แผนภาพสถาปัตยกรรม DBFS ทางด้านขวา
Distributed SQL query engine สำหรับ structured data. Query external databases, files, Hive tables. SQL หรือ HiveQL. Bindings ใน Python, Scala, Java. Built-in structured streaming. ใช้ Catalyst optimizer และ Tungsten execution
Bullet list ทางด้านซ้าย, แผนภาพสถาปัตยกรรม Spark SQL ทางด้านขวา
ฐานข้อมูลเป็นชุดของตาราง กำหนดผ่าน GUI หรือ APIs/Notebooks Databricks ใช้ Hive metastore รองรับตารางที่แบ่งพาร์ติชันและการตัดพาร์ติชันเพื่อประสิทธิภาพ
รายการ Bullet ทางด้านซ้าย, Azure Portal databases/tables UI ทางด้านขวา
Parallelized ML algorithms: MMLSpark, Spark ML, Deep Learning, SparkR การเลือกโมเดลผ่าน cross-validation DataFrame-based API (Spark 2.0+) MLlib ติดตั้งไว้ล่วงหน้า Third party: H2O, SciKit-learn, XGBoost
รายการ Bullet ทางด้านซ้าย, ไดอะแกรม Spark ML pipeline ทางด้านขวา
Unified streaming + batch API สำหรับการประมวลผลสตรีมแบบ stateful ที่ exactly-once ทำงานบน Spark SQL ด้วย DataFrame API การอัปเดตแบบ incremental และต่อเนื่อง รองรับ event-time windows, stream-to-batch joins, deduplication แหล่งที่มา: Kafka, file (JSON, CSV, Parquet)
รายการ Bullet ทางด้านซ้าย, สองไดอะแกรมทางด้านขวา (unbounded table + incremental execution)
Structured Streaming ทำงานร่วมกับ Apache Kafka บน HDInsight การนำเข้าสตรีมระดับองค์กร ไม่จำเป็นต้องมี gateways เพิ่มเติม คลัสเตอร์ Kafka และ Databricks ต้องอยู่ใน Azure Virtual Network เดียวกัน
ข้อความด้านบน, ไดอะแกรมสถาปัตยกรรมการทำงานร่วมกันด้านล่าง
APIs สำหรับ graph และ graph-parallel computation รวม ETL, exploratory analysis และ iterative graph computation เข้าด้วยกัน อัลกอริทึม: PageRank, Connected Components, Label Propagation, SVD++, Triangle Count Scala และ RDD APIs เท่านั้น
เลย์เอาต์สามแผง: คุณสมบัติ, รายการอัลกอริทึม, แผนภูมิ PageRank benchmark
ส่วนติดต่อผู้ใช้ที่ใช้งานง่าย สร้างขึ้นบน REST API สอง sub-CLI: Workspace CLI และ DBFS CLI ใช้ DBFS API และ Workspace API
แผนภาพลำดับชั้น: Databricks CLI → Workspace CLI + DBFS CLI
เจ็ด APIs: Cluster API (สร้าง/แก้ไข/ลบ clusters), DBFS API, Groups API, Instance Profile API, Job API, Library API, Workspace API (นำเข้า/ส่งออก notebooks)
แผนภาพกรวยทางด้านซ้ายชี้ไปที่ตาราง API ทางด้านขวา
ตัวแบ่งส่วนสำหรับสถาปัตยกรรมกรณีการใช้งาน
ข้อความสีขาวบนพื้นหลังสีน้ำเงิน
สถาปัตยกรรม: ข้อมูลที่ไม่มีโครงสร้าง (logs, files, media) → Data Factory → Azure Storage → Azure Databricks (Spark) → Azure SQL Data Warehouse ข้อมูลที่มีโครงสร้าง (business apps) → Data Factory → Polybase → SQL DW → Analytical dashboards
ไปป์ไลน์ห้าเฟสที่มีสตรีมแหล่งข้อมูลสองสตรีม
สถาปัตยกรรม: ข้อมูลที่ไม่มีโครงสร้าง → Data Factory → Azure Storage → Azure Databricks (Spark MLlib, SparkR, SparklyR) → Azure Cosmos DB → Web & mobile apps ข้อมูลที่มีโครงสร้าง → Polybase → SQL DW → Analytical dashboards
ไปป์ไลน์ห้าเฟสที่มีการประมวลผลที่เน้น ML และการให้บริการ Cosmos DB
สถาปัตยกรรม: ข้อมูลที่ไม่มีโครงสร้าง → Azure HDInsight (Kafka) → Azure Databricks (Spark) ↔ Azure Storage → Polybase → Azure SQL Data Warehouse → แดชบอร์ดการวิเคราะห์
ไปป์ไลน์ห้าเฟสพร้อมการนำเข้าสตรีมมิ่ง Kafka
ส่วนแบ่งสำหรับบทการกำหนดราคาและการเปรียบเทียบ
ข้อความสีขาวบนพื้นหลังสีน้ำเงิน
การเปรียบเทียบแบบสามคอลัมน์: Azure HDInsight (Hadoop/HDP, PaaS, Ranger security, priced vs AWS EMR), Azure Databricks (Spark, SaaS, AD security, priced vs Databricks on AWS), 3rd Party Offerings (Cloudera/MapR/Hortonworks, IaaS, vendor pricing)
การ์ดเปรียบเทียบแบบสามคอลัมน์
การเปรียบเทียบโดยละเอียด: Azure HDInsight (Hortonworks, big data engines, VNET, Ranger, OMS, Data Factory orchestration, 27 regions), Azure Databricks (Spark-first, single engine, AAD OAuth, RBAC, auto-scaling, serverless, SQL DW integration), Azure ML (first-party ML, Python/R, experimentation, model management, IDE integration)
การเปรียบเทียบคุณสมบัติโดยละเอียดแบบสามคอลัมน์
ส่วนแบ่งสำหรับเดโมสด
ข้อความสีขาวบนพื้นหลังสีน้ำเงิน
ภาพหน้าจอ Azure Portal ที่แสดงหน้าบริการ Azure Databricks (preview) ใน Marketplace > Data + Analytics คำอธิบายแพลตฟอร์มการวิเคราะห์แบบรวม, ตัวอย่าง UI ของ Databricks workspace
ภาพหน้าจอ Azure Portal แบบเต็มความกว้าง
Azure Portal: สร้างฟอร์ม Azure Databricks Service พร้อมช่องชื่อ workspace, subscription, resource group และ location (West US)
ภาพหน้าจอแบบฟอร์มการสร้าง Azure Portal แบบเต็มความกว้าง
Azure Portal Dashboard ที่แสดงทรัพยากรที่ปรับใช้ รวมถึง Databricks Service พร้อมบทช่วยสอน Quickstart สำหรับ VMs, App Service, Functions, SQL Database
ภาพหน้าจอ Azure Dashboard แบบเต็มความกว้าง
หน้าภาพรวมทรัพยากร Azure Portal พร้อมปุ่ม Launch Workspace, รายละเอียด resource group ที่มีการจัดการ, ข้อมูล subscription และไทล์เริ่มต้นอย่างรวดเร็ว: Documentation, Getting Started, Import Data, Notebook, Admin Guide
ภาพหน้าจอหน้ารายละเอียดทรัพยากรแบบเต็มความกว้าง
หน้าแรกของ Databricks workspace ที่แสดง Featured Notebooks (Apache Spark Intro, Data Scientists, Structured Streaming), New items (Notebook, Job, Cluster, Table, Library), ลิงก์ Documentation, Open Recent
ภาพหน้าจอ Databricks workspace แบบเต็มความกว้าง
ส่วนแบ่งสำหรับการเริ่มต้นใช้งาน
ข้อความสีขาวบนพื้นหลังสีน้ำเงิน
สามขั้นตอน: ลงทะเบียนเพื่อทดลองใช้งาน, เข้าร่วมกับผู้เชี่ยวชาญของ Microsoft สำหรับเวิร์กช็อป, เรียนรู้เพิ่มเติมได้ที่ azure.com/databricks
สามขั้นตอนที่มีป้ายกำกับไอคอนทางด้านซ้าย, รูปภาพการประชุมทางธุรกิจทางด้านขวา
สไลด์ Q&A ปิดท้ายพร้อมข้อมูลติดต่อ: James Serra, Big Data Evangelist — อีเมล, Twitter @JamesSerra, LinkedIn, บล็อกที่ JamesSerra.com
ข้อความ Q&A ขนาดใหญ่พร้อมไอคอนเครื่องหมายคำถามสีส้ม, รายละเอียดการติดต่อที่ด้านล่าง
คำถามทั่วไปเกี่ยวกับสไลด์นี้และเนื้อหาการนำเสนอพื้นฐาน
Azure Databricks เป็นแพลตฟอร์มการวิเคราะห์บน Apache Spark ที่รวดเร็ว ง่ายดาย และทำงานร่วมกันได้ ซึ่งปรับให้เหมาะสมสำหรับ Azure ออกแบบมาเพื่อประสบการณ์ SaaS HDInsight คือการกระจาย Hadoop (Hortonworks) ที่มีการจัดการซึ่งรองรับหลายเอ็นจิน (Spark, Hive, Kafka, HBase) Databricks เหมาะที่สุดสำหรับปริมาณงานที่เน้น Spark โดยมี Notebook และการทำงานร่วมกัน ในขณะที่ HDInsight เหมาะสำหรับลูกค้าที่ต้องการเทคโนโลยี Hadoop ที่ไม่ใช่ Spark
งานนำเสนอนี้สร้างโดย James Serra ผู้เผยแพร่ Big Data ของ Microsoft ที่มีประสบการณ์ด้านไอทีมากกว่า 30 ปี มีใบรับรอง Microsoft (MCSE) หลายรายการ และเป็นผู้เขียนหนังสือเกี่ยวกับการรายงาน SQL Server 2012 เขาเป็นอดีต SQL Server MVP และวิทยากรในการประชุม PASS บ่อยครั้ง
งานนำเสนอครอบคลุมส่วนประกอบ Spark หลักทั้งหมด: Spark SQL (เอ็นจินการสืบค้นแบบกระจาย), Spark MLlib (Machine Learning), Spark Structured Streaming (การประมวลผลแบบเรียลไทม์) และ GraphX (การคำนวณกราฟ) รวมถึงสถาปัตยกรรม Spark หลักที่มี RDD, โมเดล Driver/Worker และการจัดการคลัสเตอร์
ใช่ มีข้อมูลเกณฑ์มาตรฐานที่แสดงให้เห็นว่า Databricks Spark เร็วกว่า Apache Spark ทั่วไปบน AWS 5 เท่า, เร็วกว่า Apache Presto บน AWS 8 เท่า และเร็วกว่า Impala ภายในองค์กรผ่าน Cloudera 3 เท่า โดยมีตัวเลขรันไทม์เฉพาะที่อ้างอิงจากการศึกษาเกณฑ์มาตรฐานสาธารณะ
มีการนำเสนอสถาปัตยกรรมอ้างอิง Azure ที่สมบูรณ์สามแบบ: Modern Big Data Warehouse (Batch ETL ด้วย SQL DW), Advanced Analytics on Big Data (ML พร้อม Cosmos DB ที่ให้บริการแก่เว็บ/มือถือ) และ Real-time Analytics on Big Data (Kafka Streaming พร้อมการประมวลผล Spark)
ใช่ งานนำเสนอครอบคลุมสถาปัตยกรรมแพลตฟอร์ม Azure Databricks, สิ่งประดิษฐ์หลัก (คลัสเตอร์, Notebook, งาน, พื้นที่ทำงาน, ไลบรารี), ความปลอดภัยด้วยการรวม AAD, DBFS, Spark SQL, MLlib, Streaming และ REST API ซึ่งเป็นหัวข้อสำคัญทั้งหมดสำหรับการรับรอง Azure Data Engineering
ใช่ มีภาพหน้าจอ Azure Portal แบบทีละขั้นตอนที่สาธิต: การค้นหา Azure Databricks ใน Marketplace, การสร้างพื้นที่ทำงาน, การปรับใช้ทรัพยากร, การเปิดใช้พื้นที่ทำงาน และการนำทางหน้าแรกของ Databricks ด้วย Featured Notebook
งานนำเสนอมี 53 สไลด์ที่ครอบคลุม: ภาพรวมกลุ่มข้อมูล Azure, การเปรียบเทียบโซลูชัน Big Data, พื้นฐาน Apache Spark, รายละเอียดแพลตฟอร์ม Azure Databricks, คุณสมบัติพื้นที่ทำงาน, สถาปัตยกรรมอ้างอิงสามแบบ, คำแนะนำด้านราคา/ผลิตภัณฑ์, การสาธิตสด และขั้นตอนการเริ่มต้น
Create Your Own Slides
Turn your ideas into professional presentations in seconds with 2slides AI.
อ้างอิงการออกแบบมืออาชีพ เลือกสไตล์ของคุณ และสร้างสไลด์ด้วยการแสดงผลข้อความที่สมบูรณ์แบบ ขับเคลื่อนโดย Nano Banana—เริ่มสร้างการนำเสนอของคุณตอนนี้
Your AI Agent for slides. Save time, shine faster with intelligent presentation creation.
© 2026 2slides. All rights reserved.