Guia de estudo do Exame DP-700: Implementar soluções de engenharia de dados usando o Microsoft Fabric (beta)

Objetivo deste documento

Este guia de estudo explica o que esperar do exame e inclui um resumo dos tópicos que ele pode abranger, além de links para recursos adicionais. As informações e os materiais neste documento devem ajudá-lo a se concentrar nos estudos enquanto você se prepara para o exame.

Sobre o exame

Idiomas

Alguns exames estão localizados em outros idiomas e são atualizados aproximadamente oito semanas após a atualização da versão em inglês. Se o exame não estiver disponível em seu idioma preferencial, solicite 30 minutos adicionais para realizá-lo.

Observação

As marcações que aparecem abaixo de cada uma das habilidades medidas destinam-se a ilustrar como estamos avaliando essa habilidade. Tópicos relacionados podem ser abordados no exame.

Observação

A maioria das perguntas aborda recursos que estão em GA (disponibilidade geral). O exame pode conter perguntas sobre Versão prévia dos recursos se esses recursos forem comumente usados.

Habilidades medidas

Perfil do público-alvo

Como candidato neste exame, você deve ter experiência sobre padrões de carregamento de dados, arquiteturas de dados e processos de orquestração. Suas responsabilidades para essa função incluem:

• Ingestão e transformação de dados.

• Proteger e gerenciar uma solução de análise.

• Monitorar e otimizar uma solução de análise.

Você trabalha em estreita colaboração com engenheiros de análise, arquitetos, analistas e administradores para projetar e implantar soluções de engenharia de dados para análise.

Você deve saber manipular e transformar dados usando linguagem SQL, PySpark e Linguagem de Consulta Kusto (KQL).

Habilidades em um relance

• Implementar e gerenciar uma solução de análise (30 a 35%)

• Ingerir e transformar dados (30 a 35%)

• Monitorar e otimizar uma solução de análise (30 a 35%)

Implementar e gerenciar uma solução de análise (30 a 35%)

Definir as configurações do workspace do Microsoft Fabric

• Definir as configurações do workspace do Spark

• Definir as configurações do workspace de domínio

• Definir as configurações do workspace do OneLake

• Definir as configurações do workspace do fluxo de trabalho de dados

Implementar o gerenciamento do ciclo de vida no Fabric

• Configurar controle de versão

• Implementar projetos de banco de dados

• Criar e configurar pipelines de implantação

Configurar a segurança e a governança

• Implementar controles de acesso no nível do workspace

• Implementar controles de acesso no nível do item

• Implementar controles de acesso no nível da linha, no nível da coluna, no nível do objeto e no nível do arquivo

• Implementar máscara dinâmica de dados

• Aplicar rótulos de confidencialidade a itens

• Endossar itens

Orquestrar processos

• Escolher entre um pipeline e um notebook

• Projetar e implementar agendas e gatilhos baseados em eventos

• Implementar padrões de orquestração com notebooks e pipelines, incluindo parâmetros e expressões dinâmicas

Ingerir e transformar dados (30 a 35%)

Projetar e implementar padrões de carregamento

• Projetar e implementar cargas de dados completas e incrementais

• Preparar dados para carregar em um modelo dimensional

• Projetar e implementar um padrão de carregamento para dados de streaming

Ingerir e transformar dados em lote

• Escolher um armazenamento de dados apropriado

• Escolher entre fluxos de dados, notebooks e T-SQL para transformação de dados

• Criar e gerenciar atalhos para dados

• Implementar espelhamento

• Ingerir dados usando pipelines

• Transformar dados usando PySpark, SQL e KQL

• Desnormalizar dados

• Agrupar e agregar dados

• Manipular dados duplicados, ausentes e de chegada tardia

Ingerir e transformar dados de streaming

• Escolher um mecanismo de streaming apropriado

• Processar dados usando fluxos de eventos

• Processar dados usando o streaming estruturado do Spark

• Processar dados usando KQL

• Criar funções de janela

Monitorar e otimizar uma solução de análise (30 a 35%)

Monitorar itens do Fabric

• Monitorar a ingestão de dados

• Monitorar a transformação de dados

• Monitorar a atualização semântica do modelo

• Configurar alertas

Identificar e resolver erros

• Identificar e resolver erros de pipeline

• Identificar e resolver erros de fluxo de dados

• Identificar e resolver erros de notebook

• Identificar e resolver erros de eventhouse

• Identificar e resolver erros de fluxo de eventos

• Identificar e resolver erros de T-SQL

Otimizar desempenho

• Otimizar uma tabela lakehouse

• Otimizar um pipeline

• Otimizar um data warehouse

• Otimizar fluxos de eventos e eventhouses

• Otimizar o desempenho do Spark

• Otimizar o desempenho de consultas

Recursos de estudo

É recomendado treinar e obter experiência prática antes de fazer o exame. São oferecidas opções de estudo independente e treinamento em sala de aula, bem como links para documentação, sites da comunidade e vídeos.