آزمون جامع DP-700 سال 2025 (متخصص مهندسی داده Fabric) - آخرین آپدیت

دانلود DP-700 Practice Test 2025 (Fabric Data Engineer Associate)

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: سوالات آزمون تمرینی DP-700 | اسکریپت‌های شبیه‌ساز آزمایشگاه | توضیحات مختصر و کاربردی برای پاسخ‌های صحیح و غلط | مطالعه موردی (Case Study) قبولی در آزمون DP-700 Fabric Data Engineer Associate در اولین تلاش دریافت نشان متخصص مهندسی داده Fabric به جای تماشای غیرفعال ویدیوها، به طور فعال اسکریپت‌ها را اجرا کرده و کار با Microsoft Fabric را بیاموزید اجرای دموهای عملی برای وظایف مدیریتی مورد نیاز در آزمون پیش نیازها: دانش بنیادی در زمینه داده‌ها و فضای ابری یک اشتراک رایگان Fabric/Azure

«این دوره بر اساس مهارت‌های مورد ارزیابی در تاریخ ۲۱ آپریل ۲۰۲۵ به‌روزرسانی شده است»


چرا باید آزمون تمرینی DP-700 من را بخرید؟

الف. سوالات آزمون با تحقیق عمیق برای DP 700 طراحی شده‌اند. برای حفظ کیفیت بالا، روزانه بیش از یک سوال تولید نمی‌کنم.

ب. هیچ سوال تک‌خطی ساده‌ای وجود ندارد. هر سوال بر اساس درک شما از یک سناریو است و شما را به درک، به‌کارگیری و تحلیل دانش خود به چالش می‌کشد.

ج. این دوره دارای توضیحات ویدیویی و متنی شفاف و روان است. توضیحات متنی همراه با تصاویر محصول برای درک آسان‌تر ارائه شده‌اند و ویدیوها دموهای یکپارچه‌ای را نمایش می‌دهند.

د. برای هر سوال، یک دفترچه پایتون (Python Notebook)، فایل پروژه PowerQuery یا اسکریپت ارائه می‌دهم تا محیط مورد نظر در سوال شبیه‌سازی شود.

ه. برای هر سوال، یک نسخه خلاصه از پاسخ (مناسب برای مرور سریع) و یک پاسخ مفصل (برای یادگیری عمیق) ارائه شده است.

و. تجربه واقعی آزمون DP700 را با انواع سوالات کشیدن و رها کردن (drag-and-drop)، منوی کشویی، سوالات بله/خیر چندگانه، سوالات سناریوی تکراری و غیره شبیه‌سازی کرده‌ام.

ز. هیچ متنی به صورت انبوه در اسلایدهای PPT قرار نداده‌ام. از PPTها فقط برای نمایش معماری جهت تقویت درک شما استفاده شده است.

ح. توضیحات به صورت موازی با محصول اجرا می‌شوند. هر توضیح مفصل دارای شواهد تأییدکننده در محصول مایکروسافت (مانند Microsoft Fabric) است که در اسکرین‌شات‌ها و یادداشت‌های واضح نمایش داده شده است.

ط. توضیحات به طور مستقیم کپی نشده‌اند. من تمام استدلال‌ها را به زبانی ساده و قابل فهم بازنویسی کرده‌ام.

ی. هیچ اهمال یا نادیده گرفتنی در مورد گزینه‌های غلط وجود ندارد. من تلاش زیادی کرده‌ام تا دلیل هر گزینه (چه درست و چه غلط) را به همراه لینک‌های مرجع توضیح دهم.

ک. نگران ساختار جملات، گرامر یا علائم نگارشی نباشید. من از Grammarly برای بررسی هر سوال استفاده کرده‌ام.

ل. تکرار سوالات برای افزایش تعداد آن‌ها تقریباً صفر است.

م. من عاشق کمک به موفقیت شما هستم. برای بحث و گفتگو، یک داشبورد فعال پرسش و پاسخ داریم و پاسخ‌ها سریعاً ارسال می‌شوند (به جز ساعات استراحت).

ن. به محض انتشار هر به‌روزرسانی از سوی مایکروسافت، دوره را به‌روزرسانی می‌کنم تا همیشه تازه بماند.

س. بانک سوالات هر سه ماه یکبار توسط همتایان بازبینی می‌شود تا مرتبط بودن با آزمون تضمین گردد.

ع. مطالعه موردی: مدرن‌سازی تحلیل‌های Contoware برای کمک به آمادگی بهتر شما در آزمون.


سوالات از دامنه‌ها و زیردامنه‌های مختلفی جمع‌آوری شده‌اند و دقت ویژه‌ای شده تا به هر بخش از آزمون توجه یکسانی شود. همچنین سوالات در سطوح مختلف هستند.


به عنوان مثال:

  • سوالات سطح به یادآوری: بررسی می‌کنند که آیا می‌توانید حقایق حفظ شده و مفاهیم پایه را بازخوانی کنید.
  • سوالات سطح درک: تأیید می‌کنند که آیا می‌توانید معانی اصطلاحات و مفاهیم را توضیح دهید.
  • سوالات سطح کاربرد: بررسی می‌کنند که آیا می‌توانید با استفاده از حقایق و تکنیک‌ها، وظایف را انجام دهید.
  • سوالات سطح تحلیل: تأیید می‌کنند که آیا می‌توانید موقعیت‌ها را تشخیص داده و مشکلات را با مفاهیم و تکنیک‌ها حل کنید.

ترکیبی از سوالات در سطوح مختلف، دانش شما را تقویت کرده و شما را برای موفقیت در آزمون آماده می‌کند.


دامنه‌های آزمون پوشش داده شده در این تمرین DP-700 عبارتند از:


پیاده‌سازی و مدیریت راهکار تحلیلی (۳۰–۳۵٪)


پیکربندی تنظیمات فضای کاری Microsoft Fabric

  • پیکربندی تنظیمات فضای کاری Spark
  • پیکربندی تنظیمات فضای کاری Domain
  • پیکربندی تنظیمات فضای کاری OneLake
  • پیکربندی تنظیمات فضای کاری جریان داده (Data Workflow)


پیاده‌سازی مدیریت چرخه عمر در Fabric

  • پیکربندی کنترل نسخه (Version Control)
  • پیاده‌سازی پروژه‌های دیتابیس
  • ایجاد و پیکربندی خط لوله‌های استقرار (Deployment Pipelines)


پیکربندی امنیت و حاکمیت داده

  • پیاده‌سازی کنترل‌های دسترسی در سطح فضای کاری
  • پیاده‌سازی کنترل‌های دسترسی در سطح آیتم
  • پیاده‌سازی کنترل‌های دسترسی در سطح سطر، ستون، شیء و پوشه/فایل
  • پیاده‌سازی ماسک کردن پویا (Dynamic Data Masking)
  • اعمال برچسب‌های حساسیت روی آیتم‌ها
  • تأیید (Endorse) آیتم‌ها
  • پیاده‌سازی و استفاده از لاگ‌های فضای کاری


هماهنگ‌سازی فرآیندها (Orchestration)

  • انتخاب بین خط لوله (Pipeline) و دفترچه (Notebook)
  • طراحی و پیاده‌سازی زمان‌بندی‌ها و تریگرهای رویداد-محور
  • پیاده‌سازی الگوهای هماهنگ‌سازی با دفترچه‌ها و خط لوله‌ها، شامل پارامترها و عبارات پویا


جذب و تبدیل داده‌ها (۳۰–۳۵٪)

طراحی و پیاده‌سازی الگوهای بارگذاری

  • طراحی و پیاده‌سازی بارگذاری‌های کامل و افزایشی (Incremental)
  • آماده‌سازی داده‌ها برای بارگذاری در یک مدل ابعادی
  • طراحی و پیاده‌سازی الگوی بارگذاری برای داده‌های استریمینگ


جذب و تبدیل داده‌های دسته‌ای (Batch)

  • انتخاب ذخیره‌ساز داده مناسب
  • انتخاب بین dataflows، notebooks، KQL و T-SQL برای تبدیل داده‌ها
  • ایجاد و مدیریت میان‌برهای داده (Shortcuts)
  • پیاده‌سازی Mirroring
  • جذب داده‌ها با استفاده از خط لوله‌ها (Pipelines)
  • تبدیل داده‌ها با استفاده از PySpark، SQL و KQL
  • نرمال‌زدایی داده‌ها (Denormalize)
  • گروه‌بندی و تجمیع داده‌ها
  • مدیریت داده‌های تکراری، مفقود و داده‌هایی که با تأخیر می‌رسند


جذب و تبدیل داده‌های استریمینگ

  • انتخاب موتور استریمینگ مناسب
  • انتخاب بین ذخیره‌سازی بومی، ذخیره‌سازی دنبال‌کننده یا میان‌برها در Real-Time Intelligence
  • پردازش داده‌ها با استفاده از eventstreams
  • پردازش داده‌ها با استفاده از Spark structured streaming
  • پردازش داده‌ها با استفاده از KQL
  • ایجاد توابع پنجره‌ای (Windowing Functions)


مانیتورینگ و بهینه‌سازی راهکار تحلیلی (۳۰–۳۵٪)

مانیتورینگ آیتم‌های Fabric

  • مانیتورینگ جذب داده‌ها
  • مانیتورینگ تبدیل داده‌ها
  • مانیتورینگ به‌روزرسانی مدل معنایی (Semantic Model)
  • پیکربندی هشدارها


شناسایی و رفع خطاها

  • شناسایی و رفع خطاهای خط لوله (Pipeline)
  • شناسایی و رفع خطاهای جریان داده (Dataflow)
  • شناسایی و رفع خطاهای دفترچه (Notebook)
  • شناسایی و رفع خطاهای eventhouse
  • شناسایی و رفع خطاهای eventstream
  • شناسایی و رفع خطاهای T-SQL


بهینه‌سازی عملکرد

  • بهینه‌سازی جدول lakehouse
  • بهینه‌سازی خط لوله (Pipeline)
  • بهینه‌سازی انبار داده (Data Warehouse)
  • بهینه‌سازی eventstreams و eventhouses
  • بهینه‌سازی عملکرد Spark
  • بهینه‌سازی عملکرد کوئری‌ها



سرفصل ها و درس ها

مقدمه Introduction

  • آزمون تمرینی ۱ DP 700 DP-700 Practice Test 1

آزمون تمرینی ۲ Practice Test 2

  • آزمون تمرینی ۲ DP 700 DP-700 Practice Test 2

جذب و تبدیل داده‌ها Ingest and transform data

  • بازیابی داده‌ها از حافظه موقت میان‌بر Retrieve data from a shortcut cache

  • جذب رویدادها از Azure Event Hub به Fabric lakehouse Ingest events from Azure Event Hub to a Fabric lakehouse

  • تکمیل کوئری KQL داده شده Complete the given KQL query

  • بهینه‌سازی کوئری KQL Optimizing KQL query

  • استفاده از سیاست به‌روزرسانی برای جدول KQL Using update policy for a KQL table

  • ساخت کوئری‌های KQL بر اساس داده‌های بازدید Construct KQL queries based on visits data

  • انتخاب کوئری برای تبدیل داده‌های یک جدول KQL Choose a query for data transformation for a KQL table

  • تغییر نوع داده بدون خطا در Fabric warehouse Cast data type without errors in Fabric warehouse

  • استفاده از توابع رتبه‌بندی در KQL Use ranking functions in KQL

  • بارگذاری داده‌ها در lakehouse از Azure SQL با دسترسی عمومی غیرفعال Load data into lakehouse from Azure SQL with public access disabled

  • الگوی بارگذاری داده در یک جدول دلتا Data loading pattern in a delta table

  • ایجاد جدول KQL با ستون‌هایی از نوع داده مناسب Create KQL table with columns of appropriate data type

  • تحلیل کد PySpark در دفترچه Fabric Analyze PySpark code in Fabric notebook

  • پیکربندی توابع پنجره‌ای در Fabric eventstream Configure windowing functions in Fabric eventstream

  • تشخیص و ردیابی تغییرات در جدول ابعادی SCD Type 2 در Fabric Warehouse Detect and track changes in SCD Type 2 dimension table in Fabric Warehouse

  • مدلسازی جدول ابعادی در یک Fabric Warehouse Model dimension table in a Fabric Warehouse

  • نوشتن کوئری KQL برای بازگرداندن مقادیر قبلی Write a KQL query to return previous values

  • طراحی خط لوله Fabric برای به‌روزرسانی و بارگذاری پویا Design a Fabric pipeline to dynamically refresh and load data

  • پردازش مجموعه داده Lakehouse Process a Lakehouse dataset

  • به‌روزرسانی افزایشی داده‌ها با استفاده از عملیات merge Incrementally update data using a merge operation

  • استفاده از عملگرهای Group By در Fabric warehouse Using Group By operators in a Fabric warehouse

  • ثبت تغییرات در سطح سطر در یک Fabric eventstream Capture row-level changes in a Fabric eventstream

  • [مدرن‌سازی تحلیل‌های Contoware] سوال ۲. داده‌های منبع POS در دیتابیس Azure SQL [Contoware Analytics Modernization] Q2. POS source data in Azure SQL database

  • [مدرن‌سازی تحلیل‌های Contoware] سوال ۳. دسترسی به داده‌های Contoware از لایه برنزی [Contoware Analytics Modernization] Q3. Access Contoware data from bronze layer

  • [مدرن‌سازی تحلیل‌های Contoware] سوال ۴. بارگذاری افزایشی داده‌ها [Contoware Analytics Modernization] Q4. Incrementally load data

  • [مدرن‌سازی تحلیل‌های Contoware] سوال ۵. بارگذاری افزایشی داده‌های JSON [Contoware Analytics Modernization] Q5. Incrementally load JSON data

  • [مدرن‌سازی تحلیل‌های Contoware] سوال ۶. قرنطینه سطرها و ایجاد DimProduct [Contoware Analytics Modernization] Q6. Quarantine rows & create DimProduct

پیاده‌سازی و مدیریت راهکار تحلیلی Implement and manage an analytics solution

  • تأیید (Endorse) آیتم‌های Microsoft Fabric Endorse Microsoft Fabric items

  • حذف یک دامنه (Domain) در Microsoft Fabric Delete a Microsoft Fabric domain

  • اختصاص دامنه‌ها به فضاهای کاری Fabric Assign domains to Fabric workspaces

  • بررسی دسترسی کاربر به فضاهای کاری و دامنه‌ها Check user access to workspaces and domains

  • استفاده از خط لوله‌های استقرار برای استقرار در فضای کاری تست Use deployment pipelines to deploy to a test workspace

  • بازنویسی آیتم‌ها در هنگام استقرار با خط لوله استقرار Overwrite items during deployments with deployment pipeline

  • اتصال به یک مدل معنایی از دفترچه Jupyter Connect to a semantic model from Jupyter notebook

  • پیاده‌سازی امنیت سطح سطر (RLS) در یک Fabric warehouse Implement row-level security in a Fabric warehouse

  • اختصاص مجوزها برای افزودن داده به جدول lakehouse Assign permissions for appending data to a lakehouse table

  • نشست با همزمانی بالا برای دفترچه‌های Fabric High concurrency session for Fabric notebooks

  • جزئیات اجرای دفترچه در Fabric Notebook run details in Fabric

  • کپی داده‌های SQL Server محلی به lakehouse با استفاده از gateway Copy on-premises SQL Server data to lakehouse using gateway

  • اعطای حداقل مجوزها برای امنیت سطح ستون Grant the minimum permissions for Column-level security

  • سناریوهای جابجایی داده نیازمند Staging Data movement scenarios requiring staging

  • مجوزهای دسترسی به داده‌های lakehouse از طریق PySpark و SQL ۱ Access permissions to lakehouse data via PySpark and SQL - 1

  • مجوزهای دسترسی به داده‌های lakehouse از طریق PySpark و SQL ۲ Access permissions to lakehouse data via PySpark and SQL - 2

  • مجوزهای دسترسی به داده‌های lakehouse از طریق PySpark و SQL ۳ Access permissions to lakehouse data via PySpark and SQL - 3

  • اعطای دسترسی دقیق به کاربر برای حذف سطرها در جدول warehouse Give granular access to a user for deleting rows in a warehouse table

  • پیاده‌سازی ماسک کردن پویا برای ستون‌های ایمیل و حقوق Implement Dynamic Data Masking for email and salary columns

  • پیکربندی فضای کاری Fabric برای اتصال به مخزن GitHub Configure Fabric workspace to connect to GitHub repository

  • آینه‌ای کردن داده‌ها با در دسترس بودن Eventhouse OneLake Mirror data with Eventhouse OneLake availability

  • تعیین ترتیب اجرای دفترچه‌های فرزند در یک DAG Determine the order of child notebook execution in a DAG

  • [مدرن‌سازی تحلیل‌های Contoware] سوال ۱. الزامات دسترسی مهندسان داده [Contoware Analytics Modernization] Q1. Access requirements of data engineers

مانیتورینگ و بهینه‌سازی راهکار تحلیلی Monitor and optimize an analytics solution

  • بهینه‌سازی جداول دلتا در یک lakehouse Optimize delta tables in a lakehouse

  • استفاده از T SQL و KQL برای کوئری گرفتن از داده‌ها Using T-SQL and KQL to query data

  • ایجاد یک محدودیت یکتا (Unique Constraint) در Fabric Data Warehouse Creating a unique constraint in Fabric Data Warehouse

  • انتخاب یک DMV برای شناسایی ورود کاربران Choose a DMV to identify user logins

  • استفاده از monitor hub برای عیب‌یابی شکست خط لوله Use monitor hub to debug pipeline failure

  • کوئری‌هایی که در ۲۴ ساعت گذشته به طور مکرر اجرا شده‌اند Queries run frequently in the last 24 hours

  • مانیتورینگ خطاهای eventhouse Monitor eventhouse errors

  • مانیتورینگ فعالیت به‌روزرسانی یک مدل معنایی Monitor the refresh activity of a semantic model

  • بهینه‌سازی عملکرد هنگام بارگذاری داده در یک warehouse Optimize performance while loading data in a warehouse

  • رفع مشکلات عملکردی یک گزارش Power BI Resolve the performance issues of a Power BI report

نمایش نظرات

آزمون جامع DP-700 سال 2025 (متخصص مهندسی داده Fabric)
جزییات دوره
5 hours
60
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
1,068
4.7 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Ravikiran Srinivasulu Ravikiran Srinivasulu

دارای گواهی مایکروسافت، مشاور داده و ابر