آموزش DP-600: کارشناس تحلیل فابریک - اعتبار تا اردیبهشت 1404 - آخرین آپدیت

آماده‌سازی برای آزمون DP-600: بیش از ۳۱۰ سوال تمرینی با توضیحات برای کسب مدرک تحلیل داده Microsoft Fabric

آیا برای کسب مدرک تحلیل داده Microsoft Fabric آماده‌اید؟ این مجموعه جامع سوالات تمرینی با بیش از ۳۱۰ پرسش همراه با توضیحات دقیق، شما را برای موفقیت در آزمون DP-600 آماده می‌کند.

در این مجموعه، بر روی موارد زیر تمرکز خواهیم کرد:

• آماده‌سازی و غنی‌سازی داده‌ها برای تحلیل
• ایمن‌سازی و نگهداری دارایی‌های تحلیلی
• پیاده‌سازی و مدیریت مدل‌های معنایی (Semantic Models)

پیش‌نیازها:

برای موفقیت در این آزمون، داشتن مهارت در پرس‌وجو و تحلیل داده با استفاده از زبان‌های SQL، KQL و DAX ضروری است.

مهارت‌های مورد نیاز به صورت خلاصه:

• نگهداری یک راهکار تحلیل داده (۲۵-۳۰%)
• آماده‌سازی داده‌ها (۴۵-۵۰%)
• پیاده‌سازی و مدیریت مدل‌های معنایی (۲۵-۳۰%)

نگهداری یک راهکار تحلیل داده (۲۵-۳۰%)

پیاده‌سازی امنیت و حکمرانی

• پیاده‌سازی کنترل‌های دسترسی در سطح Workspace
• پیاده‌سازی کنترل‌های دسترسی در سطح Item
• پیاده‌سازی کنترل‌های دسترسی در سطح Row، Column، Object و File
• اعمال برچسب‌های حساسیت به آیتم‌ها
• تایید آیتم‌ها (Endorse Items)

نگهداری چرخه حیات توسعه تحلیل

• پیکربندی کنترل نسخه برای یک Workspace
• ایجاد و مدیریت یک پروژه Power BI Desktop (.pbip)
• ایجاد و پیکربندی Deployment Pipelines
• انجام تحلیل اثر (Impact Analysis) وابستگی‌های پایین‌دستی از Lakehouse، Data Warehouse، Dataflow و Semantic Model
• استقرار و مدیریت Semantic Model با استفاده از XMLA Endpoint
• ایجاد و به‌روزرسانی دارایی‌های قابل استفاده مجدد، شامل فایل‌های Power BI Template (.pbit)، فایل‌های Power BI Data Source (.pbids) و Semantic Model های اشتراکی

آماده‌سازی داده‌ها (۴۵-۵۰%)

دریافت داده‌ها

• ایجاد یک اتصال داده
• کشف داده‌ها با استفاده از OneLake Data Hub و Real-time Hub
• دریافت یا دسترسی به داده‌ها بر اساس نیاز
• انتخاب بین Lakehouse، Warehouse یا Eventhouse
• پیاده‌سازی یکپارچه‌سازی OneLake برای Eventhouse و Semantic Model

تبدیل داده‌ها

• ایجاد View، Function و Stored Procedure
• غنی‌سازی داده‌ها با افزودن ستون‌ها یا جداول جدید
• پیاده‌سازی یک Star Schema برای یک Lakehouse یا Warehouse
• Denormalize کردن داده‌ها
• Aggregate کردن داده‌ها
• Merge یا Join کردن داده‌ها
• شناسایی و رفع داده‌های تکراری، داده‌های از دست رفته یا مقادیر Null
• تبدیل نوع داده‌های ستون
• فیلتر کردن داده‌ها

پرس‌وجو و تحلیل داده‌ها

• انتخاب، فیلتر و Aggregate کردن داده‌ها با استفاده از Visual Query Editor
• انتخاب، فیلتر و Aggregate کردن داده‌ها با استفاده از SQL
• انتخاب، فیلتر و Aggregate کردن داده‌ها با استفاده از KQL

پیاده‌سازی و مدیریت Semantic Model (۲۵-۳۰%)

طراحی و ساخت Semantic Model

• انتخاب یک Storage Mode
• پیاده‌سازی یک Star Schema برای یک Semantic Model
• پیاده‌سازی روابط، مانند جداول Bridge و روابط Many-to-Many
• نوشتن محاسباتی که از متغیرها و توابع DAX استفاده می‌کنند، مانند Iteratorها، Table Filtering، Windowing و Information Functionها
• پیاده‌سازی Calculation Group، Dynamic Format String و Field Parameter
• شناسایی Use Caseها برای و پیکربندی Large Semantic Model Storage Format
• طراحی و ساخت Composite Model

بهینه‌سازی Semantic Model در مقیاس Enterprise

• پیاده‌سازی بهبودهای عملکرد در Query و Report Visual
• بهبود عملکرد DAX
• پیکربندی Direct Lake، شامل Default Fallback و Refresh Behavior
• پیاده‌سازی Incremental Refresh برای Semantic Model