آزمون DP-700: کارشناس مهندسی داده Fabric - می 2025 - آخرین آپدیت

آماده‌سازی برای آزمون DP-700: بیش از 420 سوال تمرینی با پاسخ تشریحی برای کسب مدرک Microsoft Fabric Data Engineer

با این مجموعه جامع سوالات تمرینی، آمادگی خود را برای آزمون DP-700 افزایش دهید و مدرک مهندسی داده Microsoft Fabric را با موفقیت کسب کنید.

مهارت‌های مورد سنجش در آزمون DP-700:

• وارد کردن و تبدیل داده‌ها
• امنیت و مدیریت راهکار تحلیلی
• نظارت و بهینه‌سازی راهکار تحلیلی
• پیاده‌سازی و مدیریت یک راهکار تحلیلی

پیش‌نیازها: تسلط به دستکاری و تبدیل داده‌ها با استفاده از SQL، PySpark و Kusto Query Language (KQL) ضروری است.

مهارت‌ها در یک نگاه:

• پیاده‌سازی و مدیریت یک راهکار تحلیلی (30-35%)
• وارد کردن و تبدیل داده‌ها (30-35%)
• نظارت و بهینه‌سازی راهکار تحلیلی (30-35%)

پیاده‌سازی و مدیریت یک راهکار تحلیلی (30-35%)

پیکربندی تنظیمات فضای کاری Microsoft Fabric

• پیکربندی تنظیمات فضای کاری Spark
• پیکربندی تنظیمات فضای کاری دامنه
• پیکربندی تنظیمات فضای کاری OneLake
• پیکربندی تنظیمات فضای کاری گردش کار داده

پیاده‌سازی مدیریت چرخه حیات در Fabric

• پیکربندی کنترل نسخه
• پیاده‌سازی پروژه‌های پایگاه داده
• ایجاد و پیکربندی خطوط لوله استقرار

پیکربندی امنیت و حکمرانی

• 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 پنهان‌سازی پویای داده
• اعمال برچسب‌های حساسیت به آیتم‌ها
• تایید آیتم‌ها
• پیاده‌سازی و استفاده از گزارش‌گیری فضای کاری

سازماندهی فرایندها

• انتخاب بین خط لوله و نوت‌بوک
• طراحی و پیاده‌سازی زمان‌بندی‌ها و محرک‌های مبتنی بر رویداد
• پیاده‌سازی الگوهای سازماندهی با نوت‌بوک‌ها و خطوط لوله، از جمله پارامترها و عبارات پویا

وارد کردن و تبدیل داده‌ها (30-35%)

طراحی و پیاده‌سازی الگوهای بارگذاری

• طراحی و پیاده‌سازی بارگذاری کامل و افزایشی داده‌ها
• آماده‌سازی داده‌ها برای بارگذاری در یک مدل ابعادی
• طراحی و پیاده‌سازی یک الگوی بارگذاری برای داده‌های جریانی

وارد کردن و تبدیل داده‌های دسته‌ای

• انتخاب یک مخزن داده مناسب
• انتخاب بین جریان داده‌ها، نوت‌بوک‌ها، KQL و T-SQL برای تبدیل داده
• ایجاد و مدیریت میانبرها به داده‌ها
• پیاده‌سازی آینه‌سازی
• وارد کردن داده‌ها با استفاده از خطوط لوله
• تبدیل داده‌ها با استفاده از PySpark، SQL و KQL
• غیرنرمال‌سازی داده‌ها
• گروه‌بندی و تجمیع داده‌ها
• مدیریت داده‌های تکراری، گمشده و دیررسیده

وارد کردن و تبدیل داده‌های جریانی

• انتخاب یک موتور جریانی مناسب
• انتخاب بین فضای ذخیره‌سازی بومی، فضای ذخیره‌سازی دنبال شده یا میانبرها در Real-Time Intelligence
• پردازش داده‌ها با استفاده از جریان رویدادها
• پردازش داده‌ها با استفاده از Spark structured streaming
• پردازش داده‌ها با استفاده از KQL
• ایجاد توابع پنجره‌ای

نظارت و بهینه‌سازی یک راهکار تحلیلی (30-35%)

نظارت بر آیتم‌های Fabric

• نظارت بر ورود داده‌ها
• نظارت بر تبدیل داده‌ها
• نظارت بر بازخوانی مدل معنایی
• پیکربندی هشدارها

شناسایی و رفع خطاها

• شناسایی و رفع خطاهای خط لوله
• شناسایی و رفع خطاهای جریان داده
• شناسایی و رفع خطاهای نوت‌بوک
• شناسایی و رفع خطاهای Eventhouse
• شناسایی و رفع خطاهای Eventstream
• شناسایی و رفع خطاهای T-SQL

بهینه‌سازی عملکرد

• بهینه‌سازی جدول lakehouse
• بهینه‌سازی یک خط لوله
• بهینه‌سازی یک انبار داده
• بهینه‌سازی eventstream ها و eventhouse ها
• بهینه‌سازی عملکرد Spark
• بهینه‌سازی عملکرد پرس و جو