تست تمرینی DP-700 سال 2025 (گواهینامه Fabric Data Engineer Associate)
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- در اولین تلاش خود آزمون DP‑700 (Fabric Data Engineer Associate) را با موفقیت پشت سر بگذارید.
- نشان (Badge) Fabric Data Engineer Associate را دریافت کنید.
- بهجای فقط تماشای منفعلانه ویدئوها، اسکریپتها را اجرا کنید و کار با Microsoft Fabric را بهصورت عملی یاد بگیرید.
- دموهای آزمایشگاهی از تسک های مدیریتی موردنیاز در این آزمون را انجام دهید.
پیش نیازهای دوره
- دانش اساسی درباره هر نوع داده و ابر
- یک اشتراک رایگان Fabric / Azure
توضیحات دوره
چرا باید تست آزمایشی DP‑700 Fabric Data Engineer Associate این مدرس را تهیه کنید؟
- سوالات آزمون DP‑700 بهصورت عمیق تحقیق و طراحی شدهاند. این مدرس برای حفظ کیفیت بالا، روزانه بیش از یک سؤال طراحی نمیکند.
- هیچ سؤال ساده و تکخطی وجود ندارد. هر سؤال بر اساس درک یک سناریو طراحی شده است و شما را به درک، بهکارگیری و تحلیل دانش خود به چالش میکشد.
- این دوره شامل توضیحات ویدئویی و متنی شفاف و روان است. توضیحات متنی همراه با تصاویر و نمودارهای محصول ارائه شدهاند تا درک مطالب آسانتر شود. همچنین میتوانید برای مشاهده نمایش عملی روانتر از توضیحات ویدئویی استفاده کنید.
- برای هر سؤال، یک فایل پروژه Python Notebook یا PowerQuery / اسکریپتها ارائه میشود تا بتوانید محیط استفادهشده در سؤال را شبیهسازی کنید.
- برای هر سؤال، دو نوع پاسخ ارائه شده است: پاسخ خلاصه (مناسب برای مرور سریع) - پاسخ کامل و مفصل (برای یادگیری عمیقتر)
- تجربه واقعی آزمون DP‑700 Fabric Data Engineer شبیهسازی شده است؛ از جمله:
- سوالات درگ و دراپ کردن / سوالات منوی کشویی /سوالات چندگانه بله/خیر با دکمه رادیویی / سناریوهای تکرارشونده و انواع دیگر سوالات آزمون
- در این دوره صرفاً متنهای طولانی در PowerPoint قرار داده نشده است. اسلایدها فقط برای نمایش معماری و کمک به درک بهتر مفاهیم استفاده میشوند.
- توضیحات همزمان با محصول واقعی ارائه میشوند. هر توضیح مفصل با شواهد مرتبط از محصولات مایکروسافت (مانند Microsoft Fabric) همراه است که در قالب اسکرینشاتها و نشانهگذاریهای واضح نمایش داده میشوند.
- توضیحات مستقیماً از مستندات مایکروسافت کپی نشدهاند. تمام مطالب با بیانی ساده و قابل فهم بازنویسی شدهاند.
- گزینههای پاسخ نادرست نادیده گرفته نشدهاند. برای هر گزینه (چه درست و چه نادرست) توضیح کامل و منطقی همراه با لینکهای مرجع ارائه شده است.
- نگران ساختار نادرست جملهها، اشتباهات گرامری یا علائم نگارشی نباشید؛ زیرا هر سؤال با استفاده از Grammarly بازبینی شده است.
- تکرار سؤالها تقریباً وجود ندارد و تعداد سؤالات صرفاً برای افزایش حجم دوره بالا برده نشده است.
- مطالعه موردی: Contoware Analytics Modernization نیز در دوره گنجانده شده است تا به شما کمک کند برای آزمون بهتر آماده شوید.
سؤالات از حوزههای مختلف و زیر حوزهها جمعآوری شدهاند و بهدقت رقبای متقابلی در هر بخش آزمون را حفظ میکنند. همچنین، سؤالات در سطوح متفاوتی قرار دارند.
- تست سؤالات سطح یادآوری بررسی میکنند که آیا میتوانید حقایق حفظشده و مفاهیم اولیه را به خاطر بیاورید.
- سؤالات سطح درک ارزیابی میکنند که آیا میتوانید معانی اصطلاحات و مفاهیم را توضیح دهید.
- سؤالات سطح کاربرد بررسی میکنند که آیا میتوانید با استفاده از حقایق، مفاهیم و تکنیکها تسک های عملی را انجام دهید.
- سؤالات سطح تحلیل ارزیابی میکنند که آیا میتوانید موقعیتها را تشخیص دهید و با استفاده از مفاهیم و تکنیکها مشکلات را حل کنید.
ترکیبی از سؤالات در سطوح مختلف دانش شما را تقویت کرده و شما را برای موفقیت در آزمون آماده میکند.
حوزههای آزمونی که در آزمون تمرینی DP‑700 پوشش داده میشوند عبارتاند از:
پیادهسازی و مدیریت یک راهکار تحلیلی (30–35%)
پیکربندی تنظیمات فضای کاری Microsoft Fabric
- پیکربندی تنظیمات Spark Workspace
- پیکربندی تنظیمات Domain Workspace
- پیکربندی تنظیمات OneLake Workspace
- پیکربندی تنظیمات Data Workflow Workspace
پیادهسازی مدیریت چرخه عمر در Fabric
- پیکربندی کنترل نسخه
- پیادهسازی پروژههای پایگاه داده
- ایجاد و پیکربندی Deployment Pipeline
پیکربندی امنیت و حاکمیت داده
- پیادهسازی کنترل دسترسی در سطح Workspace
- پیادهسازی کنترل دسترسی در سطح آیتم
- پیادهسازی کنترل دسترسی در سطوح سطر، ستون، آبجکت و پوشه/فایل
- پیادهسازی Dynamic Data Masking
- اعمال Sensitivity Label برای آیتمها
- تأیید آیتمها
- پیادهسازی و استفاده از ثبت رویدادها و لاگهای Workspace
هماهنگسازی و مدیریت فرآیندها
- انتخاب بین Pipeline و Notebook
- طراحی و پیادهسازی زمانبندیها و Triggerهای مبتنی بر رویداد
- پیادهسازی الگوهای Orchestration با استفاده از Notebook و Pipeline شامل پارامترها و عبارات پویا
جذب و تبدیل داده (30–35%)
طراحی و پیادهسازی الگوهای بارگذاری داده
- طراحی و پیادهسازی بارگذاری کامل و افزایشی
- آمادهسازی داده برای بارگذاری در مدل بُعدی
- طراحی و پیادهسازی الگوی بارگذاری برای داده جریانی
جذب و تبدیل داده دستهای
- انتخاب Data Store مناسب
- انتخاب بین Dataflows ،Notebooks ،KQL و T‑SQL برای تبدیل داده
- ایجاد و مدیریت Shortcutها برای داده
- پیادهسازی Mirroring
- جذب داده با استفاده از Pipelines
- تبدیل داده با استفاده از PySpark ،SQL و KQL
- Denormalize کردن داده
- گروهبندی و تجمیع داده
- مدیریت داده duplicate، ناقص و دیررس
جذب و تبدیل داده جریانی
- انتخاب موتور مناسب برای پردازش داده جریانی
- انتخاب بین Native Storage ،Followed Storage یا Shortcutها Real-Time Intelligence
- پردازش داده با استفاده از Eventstreams
- پردازش داده با استفاده از Spark Structured Streaming
- پردازش داده با استفاده از KQL
- ایجاد Windowing Functions
نظارت و بهینهسازی یک راهکار تحلیلی (30–35%)
نظارت بر آیتم های Fabric
- نظارت بر جذب داده
- نظارت بر تبدیل داده
- نظارت بر بروزرسانی مدل معنایی
- پیکربندی هشدارها
شناسایی و رفع خطاها
- شناسایی و رفع خطاهای Pipeline
- شناسایی و رفع خطاهای Dataflow
- شناسایی و رفع خطاهای Notebook
- شناسایی و رفع خطاهای Eventhouse
- شناسایی و رفع خطاهای Eventstream
- شناسایی و رفع خطاهای T‑SQL
بهینهسازی عملکرد
- بهینهسازی جدولهای Lakehouse
- بهینهسازی Pipeline
- بهینهسازی Data Warehouse
- بهینهسازی Eventstream و Eventhouse
- بهینهسازی عملکرد Spark
- بهینهسازی عملکرد Query
این دوره برای چه کسانی مناسب است؟
- دانشجویانی که میخواهند آزمون DP‑700 را با موفقیت پشت سر بگذارند.
- افرادی که میخواهند نشان (Badge) Fabric Data Engineer Associate را دریافت کنند.
تست تمرینی DP-700 سال 2025 (گواهینامه Fabric Data Engineer Associate)
-
تست تمرینی DP‑700 1 None
-
تست تمرینی DP‑700 2 None
-
بازیابی داده از کش میانبر 02:42
-
جذب رویدادها از Azure Event Hub به Fabric lakehouse 03:09
-
تکمیل کوئری داده شده KQL 04:06
-
بهینهسازی کوئری KQL 05:15
-
استفاده از سیاست بروزرسانی برای جدول KQL 04:15
-
ساخت کوئری های KQL بر اساس داده بازدید 08:18
-
انتخاب کوئری برای تبدیل داده از جدول KQL 02:50
-
تبدیل نوع داده بدون خطا در Fabric warehouse 02:33
-
استفاده از توابع ردهبندی در KQL 02:46
-
بارگذاری داده در lakehouse از Azure SQL با غیرفعال کردن دسترسی عمومی 05:28
-
الگوی بارگذاری داده در جدول دلتا 03:26
-
[Modernization Analytics Contoware] پرسش 2. داده منبع POS در پایگاه داده Azure SQL 09:09
-
[Modernization Analytics Contoware] پرسش 3. دسترسی به داده Contoware از لایه برنز 07:27
-
[Modernization Analytics Contoware] پرسش 4. بارگذاری افزایشی داده 11:12
-
[Modernization Analytics Contoware] پرسش 5. بارگذاری افزایشی دادههای JSON 06:10
-
[Modernization Analytics Contoware] پرسش 6. کوانتینهای ردیف و ایجاد DimProduct 05:16
-
تایید آیتم Microsoft Fabric 02:18
-
حذف یک دامنه Microsoft Fabric 04:34
-
اختصاص دامنهها به فضاهای کاری Fabric 03:57
-
بررسی دسترسی کاربر به فضاهای کاری و دامنهها 04:12
-
استفاده از Deployment Pipeline برای استقرار در محیط کاری تست 02:33
-
بازنویسی آیتمها هنگام استقرار با استفاده از Deployment Pipeline 06:12
-
اتصال به یک مدل معنایی از داخل Jupyter Notebook 03:32
-
پیادهسازی امنیت در سطح ردیف در یک Fabric Warehouse 03:06
-
اختصاص مجوز برای اضافه کردن داده به یک جدول در Lakehouse 08:50
-
سشن با همزمانی بالا برای نوتبوکهای Fabric 05:14
-
جزئیات اجرای نوتبوک در Fabric 02:12
-
کپی داده SQL Server داخلی به Lakehouse با استفاده از Gateway 05:14
-
سناریوهای انتقال داده که به مرحله موقت نیاز دارند 08:15
-
مجوزهای دسترسی به داده Lakehouse از طریق PySpark و SQL – بخش 1 03:32
-
مجوزهای دسترسی به داده Lakehouse از طریق PySpark و SQL – بخش 2 04:54
-
مجوزهای دسترسی به داده Lakehouse از طریق PySpark و SQL – بخش 3 03:09
-
اعطای دسترسی جزئی به یک کاربر برای حذف ردیفها در جدول Warehouse 06:09
-
[Contoware Analytics Modernization] سؤال 1: نیازهای دسترسی مهندسان داده 05:31
-
بهینهسازی جداول دلتا در Lakehouse 03:02
-
استفاده از T-SQL و KQL برای کوئری داده 02:03
-
ایجاد محدودیت یکتا در Fabric Data Warehouse 02:41
-
انتخاب یک DMV برای شناسایی ورودهای کاربران 03:00
-
استفاده از Monitor Hub برای اشکالزدایی شکست در Pipeline 01:53
مشخصات آموزش
تست تمرینی DP-700 سال 2025 (گواهینامه Fabric Data Engineer Associate)
- تاریخ به روز رسانی: 1405/04/02
- سطح دوره:متوسط
- تعداد درس:41
- مدت زمان :03:00:05
- حجم :1.26GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy