There is no waiting for shipping with Fast2test. Once you pay, your Databricks-Certified-Data-Engineer-Professional日本語 package for the Databricks Certified Data Engineer Professional Exam (Databricks-Certified-Data-Engineer-Professional日本語版) lands in your inbox within a minute, ready to download and put to work the same evening.

Databricks Databricks-Certified-Data-Engineer-Professional日本語 Exam Overview:

Databricks Databricks-Certified-Data-Engineer-Professional日本語 Exam Syllabus Topics:

Databricks Databricks-Certified-Data-Engineer-Professional日本語 Exam — Your Questions, Answered

Databricks Certified Data Engineer Professional Exam (Databricks-Certified-Data-Engineer-Professional日本語版) Sample Questions:

Question 1

次のコードは、従来のワークロードから Databricks ノートブックに移行されています。

コードは正常に実行され、論理的に正しい結果を提供しますが、
約 1 GB のデータを抽出してロードするのに 20 分かかります。
この動作を説明できる可能性のある記述はどれですか?

A. クローンを作成する代わりに、コードでは %sh pip install を使用して、クラスター内のすべてのノードで Python コードを並列に実行できるようにする必要があります。
B. DatabricksではPythonの実行速度は常にScalaよりも遅くなります。run.pyスクリプトをScalaにリファクタリングする必要があります。
C. %sh はドライバーノード上でシェルコードを実行します。このコードはワーカーノードや Databricks に最適化された Spark を利用しません。
D. %sh はファイル移動操作を分散しません。代わりに %fs を使用するようにコードの最終行を更新する必要があります。
E. %sh は、Git の収集とインストールのためにクラスターの再起動をトリガーします。遅延の大部分はクラスターの起動時間に関連します。

Question 2

データ アーキテクトは、データが外部ソースから Databricks Lakehouse に取り込まれたら、テーブル アクセス制御を活用してすべての運用テーブルとビューのアクセス許可を管理することを決定しました。
次のロジックを実行して、運用データベースでの対話型クエリの権限をコア エンジニアリング グループに付与しました。
データベース prod の使用権限を eng に付与します。
データベース prod に対する SELECT 権限を eng に付与します。
これらが eng グループに付与されている唯一の権限であり、これらのユーザーはワークスペース管理者ではないと仮定すると、どのステートメントがそれらの権限について説明していますか?

A. グループ メンバーは prod データベース内のすべてのテーブルを一覧表示できますが、それらのテーブルに対するクエリの結果を表示することはできません。
B. グループ メンバーは、prod データベース内のすべてのテーブルとビューを照会および変更できますが、新しいテーブルやビューを作成することはできません。
C. グループ メンバーは prod データベースに対する完全な権限を持ち、他のユーザーまたはグループに権限を割り当てることもできます。
D. グループ メンバーは prod データベース内のすべてのテーブルとビューをクエリできますが、データベース内で何も作成または編集することはできません。
E. グループ メンバーは、prod データベース内のすべてのテーブルとビューを作成、クエリ、および変更できますが、カスタム関数を定義することはできません。

Question 3

データ エンジニアは、きめ細かな権限を持つジョブをデプロイするために Databricks アセット バンドルを構成しています。
要件は次のとおりです。
- データ エンジニア グループにジョブへの CAN_MANAGE アクセスを許可します。
- 監査人グループがジョブを表示できるが、変更/実行できないことを確認します。
- 他のユーザー/グループに意図しない権限を付与しないようにしてください。
データ エンジニアは、要件を満たしながらジョブをどのように展開する必要がありますか?

A. resources:
jobs:
my-job:
name: data-pipeline
tasks: [...]
job_clusters: [...]
permissions:
- group_name: data-engineers
level: CAN_MANAGE
- group_name: auditors
level: CAN_VIEW
B. resources:
jobs:
my-job:
name: data-pipeline
tasks: [...]
job_clusters: [...]
permissions:
- group_name: data-engineers
level: CAN_MANAGE
- group_name: auditors
level: CAN_VIEW
- group_name: admin-team
level: IS_OWNER
C. resources:
jobs:
my-job:
name: data-pipeline
tasks: [...]
job: [...]
permissions:
- group_name: data-engineers
level: CAN_MANAGE
permissions:
- group_name: auditors
level: CAN_VIEW
D. permissions:
- group_name: data-engineers
level: CAN_MANAGE
- group_name: auditors
level: CAN_VIEW
resources:
jobs:
my-job:
name: data-pipeline
tasks: [...]
job_clusters: [...]

Question 4

Lakehouse内のcustomer_churn_paramsというテーブルは、機械学習チームによる顧客離脱予測に使用されています。このテーブルには、複数の上流ソースから得られた顧客情報が含まれています。現在、データエンジニアリングチームは、上流データソースから得られた最新の有効な値でこのテーブルを毎晩上書きすることで、データを更新しています。
MLチームが使用しているチャーン予測モデルは、本番環境では比較的安定しています。チームは過去24時間以内に変更されたレコードのみに基づいて予測を行うことに注力しています。
変更されたレコードの識別を簡素化するアプローチはどれでしょうか?

A. 新しい予測を行う前に、一意の顧客を識別するキーで、以前のモデル予測と現在の customer_churn_params との差を計算します。以前の予測に含まれていない顧客についてのみ予測を行います。
B. 完全な出力モードを使用してバッチ ジョブを構造化ストリーミング ジョブに変換します。customer_churn_params テーブルから読み取り、解約モデルに対して増分予測を行うように構造化ストリーミング ジョブを構成します。
C. 上書きロジックを変更して、呼び出しによって入力されたフィールドを含める
データが書き込まれるときに spark.sql.functions.current_timestamp() が呼び出されます。このフィールドを使用して、特定の日付に書き込まれたレコードを識別します。
D. customer_churn_params テーブルのすべての行に解約モデルを適用しますが、予測が変更されていない行を無視して予測テーブルにアップサートを実行するロジックを実装します。
E. 現在の上書きロジックをマージ ステートメントに置き換えて、変更されたレコードのみを変更します。変更データ フィードによって識別された変更されたレコードについて予測を行うロジックを記述します。

Question 5

データエンジニアは、Lakeflowの宣言型パイプライン技術を活用し、Auto Loaderを使用してS3内のJSONファイルから取り込んだリアルタイムのトラックテレメトリデータを処理するシステムを設計しています。データには、truck_id、timestamp、location、speed、fuel_levelが含まれます。システムは、以下の2つのユースケースをサポートする必要があります。
- 最新の位置、速度、および
運用チームの truck_id ごとの fuel_level。
- 総走行距離と平均燃料消費量の毎日の集計レポート
管理チームの truck_id ごとの効率。
これらの要件を満たすために、データ エンジニアは Lakeflow 宣言型パイプラインのストリーミング テーブルとマテリアライズド ビューにどのアプローチを使用する必要がありますか?

A. 生のテレメトリ データを取り込んで保存するためのマテリアライズド ビューを定義し、リアルタイム監視用に truck_id ごとの最新の位置、速度、燃料レベルを計算するストリーミング テーブルを作成します。レポート用に truck_id ごとの毎日の集計距離と燃料効率を計算する別のマテリアライズド ビューを作成します。
B. 生のテレメトリデータを取り込んで保存するためのストリーミングテーブルを定義し、truck_idごとの毎日の集計距離と燃費を計算するストリーミングテーブルを作成します。リアルタイム監視のために、truck_idごとの最新の位置情報、速度、燃料レベルを計算するマテリアライズドビューを作成します。
C. 生のテレメトリ データを取り込んで保存するためのストリーミング テーブルを定義し、リアルタイム監視のために truck_id ごとに最新の位置、速度、燃料レベルを計算するマテリアライズド ビューを作成します。
レポート用に、truck_id ごとの毎日の集計距離と燃費を計算する別のマテリアライズド ビューを作成します。
D. 生のテレメトリデータを取り込んで保存するためのストリーミングテーブルを定義し、さらに、最新の位置情報、速度、燃料レベルをtruck_idごとに段階的に計算してリアルタイム監視を行うストリーミングテーブルを作成します。レポート用に、truck_idごとの毎日の集計距離と燃費を計算するマテリアライズドビューを作成します。

Solutions: