Azure認定資格 WEB問題集＆徹底解説

会員登録/ログイン

• タスクステートメント4.1：大規模な分析の一般的な要素の説明

分野4：分析ワークロードの説明

• 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.7 Microsoft Fabric の Lakehouse がテーブルを保存する形式
• No.18 Microsoft Fabric OneLake の特徴
• No.24 ETLとELTの処理順序の違い
• 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.64 大規模分析におけるデータ準備の主要な2段階
• 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.85 Synapse Analytics ならではの強み
• 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.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.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.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.198 整形済みデータの取り込みモデル
• 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.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.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.249 ELT パイプラインにおける処理順序
• 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.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.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.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.330 データキューブの役割
• 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.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.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.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.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.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.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.439 Fabric Lakehouse へのイベントストリーム書き込みの利点
• 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.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.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.497 Azure Data Factoryの制御フローアクティビティ