Azure認定資格 WEB問題集＆徹底解説
DP-900：Microsoft Azure Data Fundamentals
- No.2 大量の未整形データを高速に格納するストレージ
- No.3 請求書の PDF 出力に適した Power BI のコンテンツ
- No.5 配送遅延を数秒で把握するためのデータ処理方式
- No.7 Microsoft Fabric の Lakehouse がテーブルを保存する形式
- No.9 構成比の推移を示す視覚化の選択
- No.12 Power BI Desktop と Power BI サービスの機能分担
- No.13 Power BI のレポートで段階的な掘り下げを可能にするモデル設定
- No.15 Azure Stream Analytics のデータストリーム入力
- No.18 Microsoft Fabric OneLake の特徴
- No.20 Power BI のデータモデル機能
- No.24 ETLとELTの処理順序の違い
- No.34 夜間の保険料再計算処理の特性
- No.37 センサー異常のほぼリアルタイム検知に使うサービスの選定
- No.48 Power BI ダッシュボードに追加できるオブジェクト
- No.52 ELT におけるターゲットデータストアのスケーリングとパフォーマンス
- No.61 バッチ処理の特徴（スマートメーター集計バッチ）
- No.64 大規模分析におけるデータ準備の主要な2段階
- No.66 Structured Streaming における非有界データフレーム
- No.77 リアルタイムアラートに適したデータ処理方式
- No.80 SQL データウェアハウス・データレイク・Spark を統合するサービス
- No.81 バッチ処理の出力先とストリーミングとの違い
- No.85 Synapse Analytics ならではの強み
- No.88 Azure Stream Analytics のクエリ言語
- No.89 Microsoft Fabric KQLデータベースの機能
- No.93 Stream Analytics ジョブの入力ソース
- No.95 ETLの略称の意味
- No.96 ETLパイプラインにおけるフェーズの並行実行
- No.97 Fabric eventstream の永続化先
- No.99 Power BI ダッシュボードの目的
- No.102 ETLによる機微データの除去とコンプライアンス対応
- No.103 データウェアハウスの設計目的
- No.104 レイクハウスの生データ層に適した保存形式
- No.110 分析ストアと取り込みパイプラインの役割分担
- No.112 ETL パイプラインの実装で前提となる条件
- No.113 バッチ処理に適したワークロード
- No.119 大規模・長時間処理に適した分析ワークロード
- No.132 ストリームデータへのリアルタイムウィンドウクエリ実行
- No.133 決済トランザクションの即時処理方式
- No.140 IoT ストリーミングデータのリアルタイム分析に適したサービス
- No.144 経営層向けダッシュボードの作成と共有に適したサービス
- No.148 データレイクのスキーマオンリードの特性
- No.152 Apache Spark ベースの分析基盤の選定
- No.154 Power BI Desktop の特徴
- No.155 Hadoop ワークロードの移行に適した Azure サービス
- No.176 Apache Spark ベースの共同分析プラットフォーム
- No.177 実験・モデル管理まで担う Spark ベース分析基盤の選定
- No.181 Microsoft Fabric の利点として適切でない記述の識別
- No.188 ELT アプローチの特徴
- No.192 車両テレメトリのリアルタイム分析ワークロード
- No.193 経営層向けドリルダウン画面の作成に適した Power BI の要素
- No.195 ストリーム処理の特性
- No.198 整形済みデータの取り込みモデル
- No.200 Power BI で比率と階層を面積表現する視覚化
- No.204 Sparkクラスター上での共同作業に適した分析サービス
- No.205 スマートビルのテレメトリ処理のワークロード分類
- No.207 Power BI の機能として適切でないものの識別
- No.208 Microsoft Fabric でリアルタイムイベントを取り込むコンポーネント
- No.214 ETL パイプラインにおけるステージングテーブルの役割
- No.216 Power BI のインタラクティブレポートの特徴
- No.221 データレイク上のデータを処理・照会する技術
- No.226 Microsoft Fabric による分析基盤の統合
- No.228 Microsoft Fabric における OneLake の役割
- No.234 Synapse Analytics の Lake データベースによるストレージとコンピューティングの分離
- No.235 Azure Data Factory の外部データソース接続範囲
- No.240 データレイクとデータウェアハウスの使い分け
- No.244 データ視覚化の目的
- No.246 ストリーミング処理とバッチ処理の使い分け
- No.249 ELT パイプラインにおける処理順序
- No.253 Power BI サービス単独で完結できる作業
- No.257 Parquet形式データ処理パイプラインにおける各サービスの役割
- No.264 大量データの取り込みに適したロードパターン
- No.265 分析データストアに適さないデータの特徴
- No.272 ストリーム処理が適したシナリオの見極め
- No.274 オンプレミス Hadoop クラスター移行に適した Azure サービス
- No.285 バッチ処理とストリーム処理の違い
- No.287 バッチ処理の運用で生じやすい課題
- No.289 物流KPIダッシュボードにおけるデータ視覚化の目的
- No.290 ストリーミングワークロードとバッチワークロードの識別
- No.292 大量明細データの帳票レポート形式
- No.293 ETL と ELT における変換タイミングの違い
- No.299 ETL と ELT の違い
- No.309 Azure Data Factory における複数アクティビティの論理的なまとまり
- No.310 Azure Databricks ノートブックの既定サポート言語
- No.311 行列形式で集計値を表示する Power BI の視覚化
- No.313 Cosmos DB への移行に適した Azure サービス
- No.314 Azure Data Lake Storage Gen2 のファイルシステム互換性
- No.315 Spark クラスターをプロビジョニングできる Azure サービス
- No.322 Delta Lake と Spark Structured Streaming を組み合わせる狙い
- No.327 Power BI でページ分割レポートを選ぶ理由
- No.330 データキューブの役割
- No.341 Power BI Desktop でのランキング推移の可視化
- No.346 Microsoft Fabric OneLake によるデータ集約
- No.352 データ移動と変換を行うパイプラインサービス
- No.360 Azure Stream Analytics クラスターの目的
- No.370 Apache Spark の開発元によるマネージド分析プラットフォーム
- No.372 Power BI レポート・ダッシュボードの閲覧手段
- No.374 大規模分析を単一の SaaS 製品に統合するサービス
- No.379 大規模分析基盤における ML 環境の提供
- No.386 コード不要で ETL パイプラインを構築できる Azure サービス
- No.387 専用の処理能力を必要とするストリーム分析ジョブの実行環境
- No.389 継続的なストリーミングクエリを実行する PaaS サービス
- No.392 Azure Data Factoryにおけるオーケストレーションの仕組み
- No.394 Microsoft Fabric が OneLake へ書き込む既定のテーブル形式
- No.397 バッチ処理がストリーミング処理より優れる点
- No.403 Microsoft Fabric OneLake の特徴
- No.404 Azure Databricks の特徴
- No.407 データウェアハウスのスキーマ設計が持つ分析上の利点
- No.413 抽象度の高い大規模分析サービスの選定
- No.414 ELT アプローチが効果的に機能する条件
- No.415 Power BI のレポート種別の使い分け
- No.419 Delta Lake の特徴
- No.421 構造化・半構造化データを統合した大規模分析基盤
- No.425 Power BI のページ区切りレポート作成ツール
- No.431 Azure Data Factory のアクティビティの分類
- No.436 ELT パイプラインにおける変換処理の実行場所
- No.438 リアルタイム（ストリーム）データ処理の特徴
- No.439 Fabric Lakehouse へのイベントストリーム書き込みの利点
- No.440 Azure Stream Analytics ジョブの継続的な実行方式
- No.443 リアルタイム処理とバッチ処理の使い分け
- No.445 データレイク格納前のバッチ変換パイプライン
- No.446 Microsoft Fabric における OneLake のアーキテクチャ
- No.448 Apache Spark 実行環境を持たないサービスの識別
- No.455 スタースキーマとスノーフレークスキーマの違い
- No.456 ストリーム処理結果の出力先として使えるサービス
- No.457 バッチ処理とストリーミング処理の違い
- No.461 スタースキーマを構成する2種類のテーブル
- No.470 Azure Databricks における Delta Lake の役割
- No.471 バッチ処理とストリーム処理を組み合わせたシステムの例
- No.472 データをまとめて処理する方式を表す用語
- No.474 大規模データ分析基盤としての Azure Databricks
- No.475 Azure Databricks でのリアルタイムストリーム処理
- No.486 Spark 基盤上での複雑なストリーム処理を実現するOSSライブラリ
- No.488 データレイクハウスアーキテクチャの特徴
- No.491 ストリーム処理パイプラインにおける取り込みキューの役割
- No.493 Power BI サービスで利用できる機能
- No.497 Azure Data Factoryの制御フローアクティビティ
広告