آموزش Google Professional Data Engineer Exam Test 2025 Verified QA

آیا آماده هستید تا برای آزمون Google Cloud Certified Professional Data Engineer آماده شوید؟

دریافت پرسش‌ها و پاسخ‌های تأیید شده آزمون‌های تمرینی 2025

یک مهندس داده حرفه ای با جمع آوری، تبدیل و انتشار داده ها، داده ها را برای دیگران قابل استفاده و ارزشمند می کند. این فرد محصولات و خدمات را برای برآوردن الزامات تجاری و نظارتی ارزیابی و انتخاب می کند. یک مهندس داده حرفه ای سیستم های پردازش داده قوی را ایجاد و مدیریت می کند. این شامل توانایی طراحی، ساخت، استقرار، نظارت، نگهداری و ایمن کردن حجم کاری پردازش داده است.

آزمون مهندس داده حرفه ای توانایی شما را در موارد زیر ارزیابی می کند:

بخش 1: طراحی سیستم های پردازش داده

1.1 طراحی برای امنیت و انطباق. ملاحظات عبارتند از:

● مدیریت هویت و دسترسی (به عنوان مثال، Cloud IAM و خط‌مشی‌های سازمان)

● امنیت داده (رمزگذاری و مدیریت کلید)

● حریم خصوصی (به عنوان مثال، اطلاعات قابل شناسایی شخصی، و Cloud Loss Prevention API)

● ملاحظات منطقه ای (حاکمیت داده ها) برای دسترسی و ذخیره سازی داده ها

● مطابقت با قوانین و مقررات

1.2 طراحی برای قابلیت اطمینان و وفاداری. ملاحظات عبارتند از:

● آماده‌سازی و تمیز کردن داده‌ها (مانند Dataprep، Dataflow، و Cloud Data Fusion)

● نظارت و هماهنگی خطوط لوله داده

● بازیابی بلایا و تحمل خطا

● اتخاذ تصمیمات مربوط به انطباق و در دسترس بودن ACID (اتمی، سازگاری، جداسازی، و دوام)

● اعتبارسنجی داده‌ها

1.3 طراحی برای انعطاف پذیری و قابلیت حمل. ملاحظات عبارتند از:

● نگاشت نیازهای فعلی و آتی کسب و کار به معماری

● طراحی برای قابلیت حمل داده و برنامه (مانند الزامات اقامت چند ابری و داده)

● مرحله بندی داده، فهرست نویسی، و کشف (حاکمیت داده)

1.4 طراحی انتقال داده ها. ملاحظات عبارتند از:

● تجزیه و تحلیل نیازهای ذینفعان فعلی، کاربران، فرآیندها و فناوری ها و ایجاد برنامه ای برای رسیدن به وضعیت مطلوب

● برنامه ریزی انتقال به Google Cloud (به عنوان مثال، سرویس انتقال داده BigQuery، سرویس انتقال پایگاه داده، ابزار انتقال، شبکه Google Cloud، جریان داده)

● طراحی استراتژی اعتبارسنجی مهاجرت

● طراحی پروژه، مجموعه داده و معماری جدول برای اطمینان از مدیریت صحیح داده

بخش 2: مصرف و پردازش داده ها

2.1 برنامه ریزی خطوط لوله داده. ملاحظات عبارتند از:

● تعریف منابع داده و مخازن

● تعریف منطق تبدیل داده

● اصول شبکه

● رمزگذاری داده ها

2.2 ساخت خطوط لوله. ملاحظات عبارتند از:

● پاکسازی داده ها

● شناسایی سرویس‌ها (به عنوان مثال، Dataflow، Apache Beam، Dataproc، Cloud Data Fusion، BigQuery، Pub/Sub، Apache Spark، اکوسیستم Hadoop، و Apache Kafka)

● تحولات

○ دسته ای

○ پخش جریانی (به عنوان مثال، پنجره، دیر رسیدن داده)

○ زبان

○ مصرف موقت داده (یک بار یا خودکار)

● جمع‌آوری و وارد کردن داده‌ها

● ادغام با منابع داده جدید

2.3 استقرار و عملیاتی کردن خطوط لوله. ملاحظات عبارتند از:

● اتوماسیون و هماهنگ‌سازی شغل (به عنوان مثال، Cloud Composer و Workflows)

● CI/CD (ادغام مداوم و استقرار مداوم)

بخش 3: ذخیره سازی داده ها

3.1 انتخاب سیستم های ذخیره سازی. ملاحظات عبارتند از:

● تجزیه و تحلیل الگوهای دسترسی به داده

● انتخاب سرویس‌های مدیریت‌شده (مانند Bigtable، Cloud Spanner، Cloud SQL، Cloud Storage، Firestore، Memorystore)

● برنامه ریزی برای هزینه های ذخیره سازی و عملکرد

● مدیریت چرخه حیات داده ها

3.2 برنامه ریزی برای استفاده از انبار داده. ملاحظات عبارتند از:

● طراحی مدل داده

● تصمیم گیری در مورد میزان عادی سازی داده ها

● نقشه برداری الزامات کسب و کار

● تعریف معماری برای پشتیبانی از الگوهای دسترسی به داده

3.3 استفاده از دریاچه داده. ملاحظات عبارتند از:

● مدیریت دریاچه (پیکربندی کشف داده، دسترسی و کنترل هزینه)

● در حال پردازش داده ها

● نظارت بر دریاچه داده

3.4 طراحی برای مش داده. ملاحظات عبارتند از:

● ساخت شبکه داده بر اساس الزامات با استفاده از ابزارهای Google Cloud (مانند Dataplex، Data Catalog، BigQuery، Cloud Storage)

● بخش‌بندی داده‌ها برای استفاده تیم توزیع شده

● ایجاد یک مدل حاکمیت فدرال برای سیستم های داده توزیع شده

بخش 4: آماده سازی و استفاده از داده ها برای تجزیه و تحلیل

4.1 آماده سازی داده ها برای تجسم. ملاحظات عبارتند از:

● اتصال به ابزارها

● پیش محاسبه فیلدها

● نماهای تحقق یافته BigQuery (معنای مشاهده)

● تعیین جزئیات داده های زمانی

● عیب یابی پرس و جوهایی با عملکرد ضعیف

● مدیریت هویت و دسترسی (IAM) و پیشگیری از از دست دادن داده‌های ابری (Cloud DLP)

4.2 اشتراک گذاری داده ها. ملاحظات عبارتند از:

● تعریف قوانین برای اشتراک‌گذاری داده‌ها

● انتشار مجموعه داده‌ها

● انتشار گزارش‌ها و تجسم‌ها

● مرکز تجزیه و تحلیل

4.3 کاوش و تجزیه و تحلیل داده ها. ملاحظات عبارتند از:

● آماده‌سازی داده‌ها برای مهندسی ویژگی (آموزش و ارائه مدل‌های یادگیری ماشین)

● انجام کشف داده ها

بخش 5: نگهداری و خودکارسازی حجم کاری داده ها

5.1 بهینه سازی منابع. ملاحظات عبارتند از:

● به حداقل رساندن هزینه ها به ازای نیاز کسب و کار مورد نیاز به داده

● اطمینان از در دسترس بودن منابع کافی برای فرآیندهای داده‌های حیاتی تجاری

● تصمیم‌گیری بین خوشه‌های داده پایدار یا مبتنی بر شغل (مانند Dataproc)

5.2 طراحی اتوماسیون و تکرارپذیری. ملاحظات عبارتند از:

● ایجاد نمودارهای غیر چرخه ای جهت دار (DAG) برای Cloud Composer

● زمان‌بندی کارها به روشی قابل تکرار

5.3 سازماندهی بارهای کاری بر اساس نیازهای تجاری. ملاحظات عبارتند از:

● قیمت‌گذاری اسلات انعطاف‌پذیر، بر اساس تقاضا و نرخ ثابت (شاخص انعطاف‌پذیری یا ظرفیت ثابت)

● کارهای پرس و جو تعاملی یا دسته ای

5.4 فرآیندهای نظارت و عیب یابی. ملاحظات عبارتند از:

● قابلیت مشاهده فرآیندهای داده (به عنوان مثال، Cloud Monitoring، Cloud Logging، پنل مدیریت BigQuery)

● نظارت بر استفاده برنامه ریزی شده

● عیب‌یابی پیام‌های خطا، مشکلات صورت‌حساب، و سهمیه‌ها

● مدیریت بارهای کاری، مانند مشاغل، پرس و جوها، و ظرفیت محاسبه (رزروها)

5.5 حفظ آگاهی از شکست‌ها و کاهش تأثیر. ملاحظات عبارتند از:

● طراحی سیستم برای تحمل خطا و مدیریت راه اندازی مجدد

● اجرای مشاغل در چندین منطقه یا منطقه

● آماده شدن برای خرابی داده ها و داده های از دست رفته

● تکثیر داده‌ها و خطاها (به عنوان مثال، Cloud SQL، کلاسترهای Redis)