سوالات آزمون مهندس تحلیلگر Fabric (DP-600) - می 2025 - آخرین آپدیت

آماده‌سازی برای موفقیت در آزمون DP-600: بیش از 420 تست تمرینی با توضیحات

با بیش از 420 تست تمرینی به‌روز شده و همراه با توضیحات کامل، خود را برای کسب مدرک مهندس تحلیل داده Microsoft Fabric (DP-600) آماده کنید.

آنچه در Microsoft Fabric خواهید آموخت:

• درک چگونگی ساخت و مدیریت معماری‌های مدرن داده با استفاده از OneLake، Lakehouseها و جداول Delta در Microsoft Fabric.
• ایجاد جریان‌های داده و پایپ‌لاین‌ها برای دریافت، تبدیل و سازماندهی داده‌ها از منابع مختلف با استفاده از Data Factory در Microsoft Fabric.
• یادگیری طراحی و توسعه مدل‌های معنایی، استفاده از DAX برای تجزیه و تحلیل و اتصال مدل‌ها به Power BI برای گزارش‌گیری تعاملی.
• به کارگیری بهترین شیوه‌ها در زمینه مانیتورینگ، بهینه‌سازی عملکرد و امنیت در راه‌حل‌های تحلیلی با استفاده از ابزارهای یکپارچه حاکمیت و انطباق.

پیش‌نیازها:

داشتن تجربه در تحلیل داده، مدل‌سازی داده و آشنایی با ابزارهایی مانند Power BI، SQL و پلتفرم‌های داده ابری (ترجیحاً Azure) الزامی است.

مهارت‌های کلیدی:

• نگهداری یک راه حل تحلیل داده (25-30٪)
• آماده سازی داده ها (45-50٪)
• پیاده سازی و مدیریت مدل های معنایی (25-30٪)

نگهداری یک راه حل تحلیل داده (25-30٪)

پیاده سازی امنیت و حاکمیت

• پیاده سازی کنترل دسترسی در سطح فضای کاری
• پیاده سازی کنترل دسترسی در سطح آیتم
• پیاده سازی کنترل دسترسی در سطح ردیف، ستون، شی و فایل
• اعمال برچسب های حساسیت به آیتم ها
• تایید آیتم ها

نگهداری چرخه حیات توسعه تحلیل

• پیکربندی کنترل نسخه برای یک فضای کاری
• ایجاد و مدیریت یک پروژه Power BI Desktop (.pbip)
• ایجاد و پیکربندی پایپ لاین های استقرار
• انجام تجزیه و تحلیل تاثیر وابستگی های پایین دستی از lakehouse ها، انبارهای داده، جریان های داده و مدل های معنایی
• استقرار و مدیریت مدل های معنایی با استفاده از نقطه پایانی XMLA
• ایجاد و به روز رسانی دارایی های قابل استفاده مجدد، از جمله فایل های الگو Power BI (.pbit)، فایل های منبع داده Power BI (.pbids) و مدل های معنایی مشترک

آماده سازی داده ها (45-50٪)

دریافت داده

• ایجاد یک اتصال داده
• کشف داده با استفاده از هاب داده OneLake و هاب زمان واقعی
• دریافت یا دسترسی به داده در صورت نیاز
• انتخاب بین یک lakehouse، انبار داده یا eventhouse
• پیاده سازی یکپارچه سازی OneLake برای eventhouse و مدل های معنایی

تبدیل داده

• ایجاد نماها، توابع و رویه های ذخیره شده
• غنی سازی داده ها با افزودن ستون ها یا جداول جدید
• پیاده سازی یک طرح ستاره ای برای یک lakehouse یا انبار داده
• غیرنرمال سازی داده ها
• تجمیع داده ها
• ادغام یا پیوند داده ها
• شناسایی و حل داده های تکراری، داده های از دست رفته یا مقادیر null
• تبدیل انواع داده ستون
• فیلتر کردن داده ها

پرس و جو و تحلیل داده

• انتخاب، فیلتر و تجمیع داده ها با استفاده از Visual Query Editor
• انتخاب، فیلتر و تجمیع داده ها با استفاده از SQL
• انتخاب، فیلتر و تجمیع داده ها با استفاده از KQL

پیاده سازی و مدیریت مدل های معنایی (25-30٪)

طراحی و ساخت مدل های معنایی

• انتخاب یک حالت ذخیره سازی
• پیاده سازی یک طرح ستاره ای برای یک مدل معنایی
• پیاده سازی روابط، مانند جداول پل و روابط چند به چند
• نوشتن محاسباتی که از متغیرها و توابع DAX استفاده می کنند، مانند تکرارکننده ها، فیلتر کردن جدول، پنجره بندی و توابع اطلاعات
• پیاده سازی گروه های محاسبه، رشته های قالب پویا و پارامترهای فیلد
• شناسایی موارد استفاده برای و پیکربندی فرمت ذخیره سازی مدل معنایی بزرگ
• طراحی و ساخت مدل های ترکیبی

بهینه سازی مدل های معنایی در مقیاس سازمانی

• پیاده سازی بهبود عملکرد در پرس و جوها و تصاویر گزارش
• بهبود عملکرد DAX
• پیکربندی Direct Lake، از جمله بازگشت به حالت پیش فرض و رفتار تازه سازی
• پیاده سازی تازه سازی افزایشی برای مدل های معنایی