آموزش آزمون های عملی | تخصص تجزیه و تحلیل داده تایید شده AWS

برای تخصص تجزیه و تحلیل داده های گواهی شده AWS DAS-C01 آماده می شوید؟ این دوره امتحانات تمرینی است که به شما برتری می دهد .

این آزمون‌های تمرینی توسط استفان ماریک و آبیشک سینگ نوشته شده‌اند که تجربه جمعی خود را از گذراندن 18 گواهینامه AWS روی میز آورده‌اند.

لحن و مضمون سوالات امتحان واقعی را تقلید می کند. همراه با توضیحات دقیق و "هشدار امتحان" ارائه شده در توضیحات، ما همچنین به طور گسترده به اسناد AWS ارجاع داده ایم تا شما را در مورد همه حوزه های دامنه ای که برای آزمون DAS-C01 آزمایش می شوند، با سرعت آشنا کنیم.

ما از شما می خواهیم که این دوره را به عنوان آخرین پیت استاپ در نظر بگیرید تا بتوانید با اطمینان کامل از خط پیروزی عبور کنید و گواهینامه AWS را دریافت کنید! به روند ما اعتماد کنید، شما در دستان خوبی هستید.

همه سوالات از ابتدا نوشته شده اند! و سوالات بیشتری در طول زمان اضافه می شود!

======

کیفیت به خودی خود صحبت می کند...

نمونه سوال:

یک شرکت کارت اعتباری به دنبال راه حلی است که ناهنجاری ها را شناسایی کند تا تراکنش های جعلی را شناسایی کند. این شرکت از Amazon Kinesis برای انتقال سوابق تراکنش با فرمت JSON از پایگاه داده داخلی خود به Amazon S3 استفاده می کند. مجموعه داده موجود شامل رکوردهای 100 ستونی برای هر تراکنش است. برای شناسایی تراکنش های تقلبی، راه حل باید تنها ده مورد از این ستون ها را تجزیه و تحلیل کند.

به عنوان یک متخصص تجزیه و تحلیل داده تایید شده AWS، کدام یک از راه حل های زیر را به عنوان کم هزینه ترین راه حل پیشنهاد می کنید که به کمترین کار توسعه نیاز دارد و قابلیت تشخیص ناهنجاری خارج از جعبه را ارائه می دهد؟

1. از تجزیه و تحلیل داده‌های Kinesis برای شناسایی ناهنجاری‌ها در جریان داده از Kinesis Streams با اجرای پرس‌وجوهای SQL که امتیاز ناهنجاری را برای همه تراکنش‌ها محاسبه می‌کنند و سپس همه تراکنش‌های جعلی را در Amazon S3 ذخیره می‌کنند، استفاده کنید. از Amazon QuickSight برای تجسم نتایج Amazon S3

   استفاده کنید

2. داده ها را از فرمت JSON به قالب پارکت آپاچی با استفاده از یک کار چسب AWS تبدیل کنید. خزنده های AWS Glue را برای کشف طرح و ایجاد کاتالوگ داده چسب AWS پیکربندی کنید. از Amazon SageMaker برای ساخت یک مدل تشخیص ناهنجاری استفاده کنید که می تواند تراکنش های جعلی را با مصرف مستقیم داده ها از Amazon S3 شناسایی کند

3. از Kinesis Data Firehose برای تشخیص ناهنجاری‌ها در جریان داده از Kinesis Streams از طریق یک تابع Lambda استفاده کنید که امتیاز ناهنجاری را برای همه تراکنش‌ها محاسبه می‌کند و همه تراکنش‌های جعلی را در Amazon RDS ذخیره می‌کند. از Amazon QuickSight برای تجسم نتایج RDS

   استفاده کنید

4. داده ها را از فرمت JSON به قالب پارکت آپاچی با استفاده از یک کار چسب AWS تبدیل کنید. خزنده های AWS Glue را برای کشف طرح و ایجاد کاتالوگ داده چسب AWS پیکربندی کنید. از آمازون آتنا برای ایجاد جدولی با زیرمجموعه‌ای از ستون‌ها استفاده کنید. آمازون QuickSight را برای تجزیه و تحلیل بصری داده‌ها و شناسایی تراکنش‌های جعلی با استفاده از تشخیص ناهنجاری مبتنی بر یادگیری ماشینی داخلی QuickSight تنظیم کنید

حدس شما چیست؟ برای پاسخ به زیر بروید...

صحیح: 2.

با استفاده از یک کار چسب AWS، داده ها را از فرمت JSON به قالب پارکت آپاچی تبدیل کنید. خزنده های AWS Glue را برای کشف طرح و ایجاد کاتالوگ داده چسب AWS پیکربندی کنید. از آمازون آتنا برای ایجاد جدولی با زیرمجموعه‌ای از ستون‌ها استفاده کنید. آمازون QuickSight را برای تجزیه و تحلیل بصری داده ها و شناسایی تراکنش های تقلبی با استفاده از تشخیص ناهنجاری مبتنی بر یادگیری ماشینی داخلی QuickSight راه اندازی کنید

برای مورد استفاده داده شده، می توانید از یک کار چسب AWS برای استخراج، تبدیل، و بارگذاری (ETL) داده ها از منبع داده (در قالب JSON) به هدف داده (در قالب پارکت) استفاده کنید. سپس می‌توانید از یک خزنده چسب AWS استفاده کنید، که برنامه‌ای است که به یک فروشگاه داده (منبع یا هدف) مانند Amazon S3 متصل می‌شود، از طریق فهرست اولویت‌بندی‌شده طبقه‌بندی‌کننده‌ها برای تعیین طرح‌واره برای داده‌های شما پیشرفت می‌کند، و سپس جداول فراداده را در کاتالوگ داده چسب AWS.

<تصویر مرجع

Amazon Athena یک سرویس جستجوی تعاملی است که تجزیه و تحلیل داده ها را مستقیماً در سرویس ذخیره سازی ساده آمازون (Amazon S3) با استفاده از SQL استاندارد آسان می کند. Athena بدون سرور است، بنابراین هیچ زیرساختی برای راه‌اندازی یا مدیریت وجود ندارد و شما فقط برای کوئری‌هایی که اجرا می‌کنید هزینه می‌کنید، در نتیجه این راه‌حل واقعاً کم هزینه است. همچنین می‌توانید از آتنا برای ساخت جدولی با زیرمجموعه ستون‌هایی که برای تجزیه و تحلیل پایین‌دست مورد نیاز هستند، استفاده کنید.

در نهایت، می‌توانید داده‌های جدول Athena داده شده را از طریق Amazon QuickSight بخوانید تا با استفاده از تشخیص ناهنجاری مبتنی بر یادگیری ماشینی داخلی QuickSight، تراکنش‌های جعلی را شناسایی کنید. QuickSight از فناوری اثبات شده آمازون برای اجرای مداوم تشخیص ناهنجاری مبتنی بر ML در میلیون‌ها معیار برای کشف روندهای پنهان و نقاط پرت در داده‌های شما استفاده می‌کند. این تشخیص ناهنجاری شما را قادر می‌سازد به بینش‌های عمیقی دست یابید که اغلب در مجموعه‌ها مدفون هستند و با تجزیه و تحلیل دستی مقیاس‌پذیر نیستند. با تشخیص ناهنجاری مبتنی بر ML، می‌توانید بدون نیاز به تجزیه و تحلیل دستی، توسعه سفارشی یا تخصص دامنه ML، موارد پرت را در داده‌های خود بیابید.

گزینه های نادرست:

از تجزیه و تحلیل داده‌های Kinesis برای شناسایی ناهنجاری‌ها در جریان داده از Kinesis Streams با اجرای پرس‌وجوهای SQL که امتیاز ناهنجاری را برای همه تراکنش‌ها محاسبه می‌کنند و سپس همه تراکنش‌های جعلی را در Amazon S3 ذخیره می‌کنند، استفاده کنید. از Amazon QuickSight برای تجسم نتایج Amazon S3 استفاده کنید - استفاده از Kinesis Data Analytics شامل توسعه پرس و جو سفارشی برای تجزیه و تحلیل داده های دریافتی برای محاسبه امتیاز ناهنجاری برای همه تراکنش ها است. علاوه بر این، این راه حل به جای زیر مجموعه ستون های مورد نیاز برای تجزیه و تحلیل، تمام ستون های داده را پردازش می کند. بنابراین، این گزینه بهترین مناسب برای مورد استفاده معین نیست.

<تصویر مرجع

با استفاده از یک کار چسب AWS، داده ها را از فرمت JSON به قالب پارکت آپاچی تبدیل کنید. خزنده های AWS Glue را برای کشف طرح و ایجاد کاتالوگ داده چسب AWS پیکربندی کنید. از Amazon SageMaker برای ایجاد یک مدل تشخیص ناهنجاری استفاده کنید که می‌تواند تراکنش‌های جعلی را با مصرف مستقیم داده‌ها از Amazon S3 شناسایی کند - Amazon SageMaker یک سرویس کاملاً مدیریت شده برای ساخت، آموزش و استقرار مدل‌های یادگیری ماشین (ML) با زیرساخت‌ها، ابزارها و کاملاً مدیریت شده است. گردش کار استفاده از SageMaker شامل توسعه کد سفارشی برای ساخت، توسعه، آزمایش و استقرار مدل تشخیص ناهنجاری است که مربوط به سناریوی داده شده است. در عوض، می‌توانید مستقیماً از QuickSight برای شناسایی تراکنش‌های جعلی با استفاده از قابلیت تشخیص ناهنجاری مبتنی بر یادگیری ماشینی داخلی QuickSight استفاده کنید. بنابراین، این گزینه برای مورد استفاده داده شده مناسب نیست.

از Kinesis Data Firehose برای شناسایی ناهنجاری‌ها در جریان داده از Kinesis Streams از طریق یک تابع Lambda استفاده کنید که امتیاز ناهنجاری را برای همه تراکنش‌ها محاسبه می‌کند و همه تراکنش‌های جعلی را در Amazon RDS ذخیره می‌کند. از آمازون QuickSight برای تجسم نتایج از RDS استفاده کنید - این گزینه شامل توسعه کد سفارشی قابل توجهی بر روی یک تابع Lambda برای بررسی جریان ورودی از Firehose و سپس محاسبه امتیاز ناهنجاری برای همه تراکنش‌ها است. علاوه بر این، لامبدا به جای زیرمجموعه فیلدهای مورد نیاز برای تجزیه و تحلیل، به تمام فیلدهای داده نگاه می کند. بنابراین، این گزینه نادرست است.

<پیوندهای مرجع متعدد برای یک شیرجه عمیق

======

مربی

اسم من استفان مارک است، من علاقه زیادی به رایانش ابری دارم و در این دوره مربی شما خواهم بود. من در مورد گواهینامه های AWS آموزش می دهم و بر کمک به دانش آموزانم برای بهبود مهارت های حرفه ای خود در AWS تمرکز می کنم.

من قبلاً به بیش از 1,500,000 دانش‌آموز آموزش داده‌ام و بیش از 500,000 نظر در طول حرفه‌ام در طراحی و ارائه این گواهی‌ها و دوره‌ها دریافت کرده‌ام!

من خوشحالم که از آبیشک سینگ به عنوان مربی مشترکم برای این امتحانات تمرینی استقبال می کنم!

======

به بهترین آزمون‌ها خوش آمدید تا به شما کمک کند برای آزمون تخصصی تجزیه و تحلیل داده‌های گواهی شده AWS خود آماده شوید.

• می توانید هر چند بار که بخواهید در امتحانات شرکت کنید

• این یک بانک سؤال اصلی بزرگ است

• اگر سؤالی دارید از مربیان پشتیبانی می‌کنید

• هر سوال یک توضیح مفصل دارد

• سازگار با تلفن همراه با برنامه Udemy

• 30 روز ضمانت بازگشت وجه در صورت نارضایتی

امیدواریم که تا به حال متقاعد شده باشید!... و سوالات بسیار بیشتری در داخل دوره وجود دارد.

یادگیری مبارک و برای امتحان تخصصی DAS-C01 تجزیه و تحلیل داده های گواهی شده AWS شما موفق باشید!