[NEW] Microsoft Certified Azure Data Scientist Associate

أهلا بك عزيزي المتابع لموقع (journey for learn) نقدم دورات بكوبونات متاحة لاول 1000 تسجيل مجاني فقط وكوبونات اخري لفترة محدودة فاذا كنت تريد ان تحصل علي كل الكورسات علي موقعنا وان تكون اول المسجلين في الكورسات المجانية قم بتسجيل الدخول أوقم بالدخول علي وسائل التواصل الاجتماعي وخصوصا التليجرام نوضح الوصف المختصر والطويل للدورات لكي تعرف الدروس التي سوف تتعلمها بسهولة ويسر :

التغطية التفصيلية لمجال الاختبار: تم تصميم اختبارات الممارسة في هذه الدورة لتعكس المخطط الرسمي لامتحان Microsoft المعتمد: اختبار Azure Data Scientist Associate. يتم تعيين كل سؤال مباشرةً إلى أحد المجالات الأساسية التالية:

• إدارة موارد Azure Machine Learning (30%)
  • إنشاء وتكوين مساحات عمل Azure Machine Learning
  • توفير موارد الحوسبة الآمنة وتوسيع نطاقها وإدارتها
  • إعداد البيئات ومخازن البيانات وتأمينها ومصادقتها
  • أتمتة عمليات إعداد البنية الأساسية والموارد
• تشغيل التجارب و نماذج القطار (20%)
  • تصميم تجارب قابلة للتكرار وقابلة للتتبع
  • تنفيذ دورات تدريبية عالية الأداء باستخدام Azure ML SDK وCLI
  • تتبع وتسجيل ومقارنة المقاييس والمعلمات الفائقة والعناصر الاصطناعية
  • استخدام التعلم الآلي الآلي (AutoML) لاختيار النموذج الأمثل
• نشر الجهاز وتشغيله حلول التعلم (40%)
  • نشر النماذج كخدمات ويب في الوقت الفعلي أو نقاط نهاية مجمعة عالية الإنتاجية
  • تكوين قياس مستوى الإنتاج والمراقبة والتسجيل والأمان
  • تنفيذ مسارات CI/CD لعمليات MLOs القوية والنشر الآلي
  • إدارة الإصدارات والحوكمة ودورة حياة النموذج بأكملها
• تنفيذ التعلم الآلي المسؤول (10%)
  • تقييم عدالة النموذج وتحديد التحيز واستراتيجيات التخفيف
  • ضمان شفافية النموذج وقابلية التفسير وتفسيرات أهمية الميزات
  • تطبيق إجراءات صارمة لخصوصية البيانات والامتثال والحوكمة
  • مراقبة انحراف البيانات وتدهور أداء النموذج وجودة البيانات بمرور الوقت

حول بنك الممارسات هذا، يثبت الحصول على شهادة Azure Data Scientist Associate أنه يمكنك بناء، تشغيل وتوسيع نطاق أعباء عمل التعلم الآلي في السحابة. ومع ذلك، فإن اختبارات الاختبار الفعلي هي أكثر بكثير من مجرد مفاهيم نظرية لعلم البيانات - فهي تتطلب فهمًا عميقًا وعمليًا لكيفية عمل Azure Machine Learning في ظل القيود التشغيلية في العالم الحقيقي. لقد صممت اختبارات الممارسة هذه لسد الفجوة بين أدلة الدراسة وبيئة الاختبار الفعلية. بدلاً من الحفظ البسيط، تتحدى هذه الأسئلة قدرتك على استكشاف أخطاء تكوينات البيئة وإصلاحها، واختيار بنيات النشر الصحيحة، وتصميم خطوط أنابيب MLOps، وتطبيق أطر عمل الذكاء الاصطناعي المسؤولة. يتضمن كل سؤال في هذا البنك تحليلاً شاملاً. أشرح لماذا يناسب الخيار الصحيح السيناريو تمامًا، والأهم من ذلك، لماذا تفشل البدائل الأخرى. تساعدك هذه المنهجية على تحديد الفجوات المعرفية المحددة لديك وتصحيحها قبل وقت طويل من الجلوس للاختبار الفعلي. معاينة أسئلة التدريب السؤال 1: إدارة موارد Azure ML والأمن، يتطلب فريق التعلم الآلي للمؤسسة بيئة معزولة داخل Azure Machine Learning لتدريب نماذج التنبؤ المالي الحساسة. تنص بنية الأمان على أن كل حركة المرور بين حسابات التخزين وخزائن المفاتيح ومثيلات الحوسبة يجب أن تظل بالكامل داخل حدود الشبكة الخاصة دون التعرض للإنترنت العام. ما هو التكوين الذي يحقق هذا الإعداد بأقل قدر من الحمل الإداري؟

• أ. أنشئ مساحة عمل Azure ML قياسية، وقم بتعطيل الوصول إلى الشبكة العامة، واستخدم شبكة افتراضية مُدارة بواسطة خدمة Azure ML مع نقاط نهاية خاصة.
• ب. انشر مساحة عمل أساسية وقم بتكوين مجموعة Azure Network Security Group (NSG) على جدار الحماية الخاص بالشركة المحلية لمنع كل حركة مرور HTTP الواردة.
• ج. استخدم مضيف Azure Bastion كنقطة الدخول الوحيدة إلى مساحة عمل Azure ML العامة دون تكوين أي شبكات افتراضية.
• د. أنشئ شبكة افتراضية مخصصة يديرها المستخدم، وقم يدويًا بتكوين جميع نقاط النهاية الخاصة ومناطق DNS وجداول التوجيه لكل خدمة Azure تابعة.
• هـ. قم بتوفير مثيلات الحوسبة القياسية دون ربطها بمساحة عمل Azure ML وتشغيل التدريب محليًا عبر SSH.
• F. قم بتكوين سجل حاوية Azure الأساسي لمساحة العمل للسماح بالوصول العام المجهول مع الاحتفاظ بجدار الحماية الكامل لحساب التخزين.

تحليل الإجابة:

• الإجابة الصحيحة: أ
• شرح سبب صحتها:
  • A صحيحة لأن الشبكة الافتراضية التي تديرها خدمة Azure ML تعمل على تبسيط عزل الشبكة عن طريق التعامل تلقائيًا مع إنشاء نقطة النهاية الخاصة وتكوينها وإدارتها للموارد التابعة (مثل Azure Storage وKey Vault و سجل الحاوية) عند تعطيل الوصول العام، مما يلبي متطلبات الأمان مع الحد الأدنى من الحمل الإداري.
• شرح سبب عدم صحة الخيارات الأخرى:
  • B غير صحيح لأن تكوين جدار حماية الشركة المحلي NSG لا يعزل حركة المرور السحابية الداخلية بين مكونات مساحة عمل Azure ML وخدمات الدعم الخاصة بها على العمود الفقري Azure.
  • C غير صحيح لأن Azure Bastion يوفر وصولاً آمنًا لـ RDP/SSH إلى الأجهزة الافتراضية، ولكن فهو لا يعزل أو يؤمن اتصالات الخدمة الأساسية أو نقاط نهاية واجهة برمجة التطبيقات (API) لمساحة عمل Azure ML من التعرض العام.
  • D غير صحيح لأنه أثناء عمل شبكة VNet التي يديرها المستخدم، فإنه يتطلب حملًا يدويًا كبيرًا للحفاظ على إدخالات DNS المخصصة والتوجيه ونقاط النهاية، مما ينتهك قيد "الحد الأدنى من الحمل الإداري".
  • E غير صحيح لأن تشغيل أحمال العمل المحلية المنفصلة يتجاوز تمامًا إمكانات التدريب السحابي والتتبع وإدارة الأصول التي يوفرها Azure ML.
  • F غير صحيح لأن السماح بالوصول العام المجهول إلى سجل حاوية Azure يخلق ثغرة أمنية كبيرة وينتهك بشكل مباشر متطلبات القضاء على التعرض العام للإنترنت.

السؤال 2: نشر حلول ML وتشغيلها أنا أقوم بتشغيل نموذج تعلم عميق باستخدام نقاط النهاية عبر الإنترنت المُدارة من Azure ML للاستدلال في الوقت الفعلي. أرغب في طرح إصدار جديد من النموذج باستخدام إستراتيجية نشر زرقاء/خضراء لاختبار أداء النموذج الجديد بأمان على 10% من حركة الإنتاج قبل الالتزام بالتحديث الكامل. ما هي الطريقة الأكثر فعالية لتنفيذ ذلك؟

• أ. أنشئ عملية نشر جديدة (أخضر) ضمن نقطة النهاية المُدارة الحالية عبر الإنترنت، ثم اضبط خاصية تخصيص حركة مرور نقطة النهاية لتوجيه 10% إلى اللون الأخضر و90% إلى اللون الأزرق.
• ب. احذف النشر الأزرق الحالي من مساحة العمل، وأنشئ نقطة نهاية جديدة تمامًا باسم الأخضر، وقم بتكوين موازن التحميل العام لتقسيم حركة المرور.
• ج. انشر إصدار النموذج الجديد كنقطة نهاية دفعة Azure ML واستخدم مدير حركة المرور النشط لتحويل حمولات تدفق HTTP الواردة إلى ملفات دفعية.
• د. قم بتحرير نتيجة بايثون يدويًا. البرنامج النصي للاستدلال py داخل النشر الأزرق للإنتاج المباشر لاعتراض وتحويل 10% من مسارات تنفيذ التعليمات البرمجية ديناميكيًا.
• E. قم بتوفير مساحة عمل Azure ML جديدة تمامًا ومعزولة لتكون بمثابة البيئة الخضراء وإعادة توجيه تطبيقات عميل الإنتاج باستخدام بوابات API المخصصة.
• F. قم بإرفاق مجموعة خدمة Azure Kubernetes (AKS) المستقلة بمساحة العمل، وتجاوز نظام نقطة النهاية بالكامل، وقم بإدارة الكبسولات يدويًا عبر kubectl.

تحليل الإجابة:

• الإجابة الصحيحة: أ
• شرح سبب صحتها:
  • A صحيحة لأن نقاط النهاية المحلية المُدارة عبر الإنترنت تدعم عمليات النشر المتزامنة المتعددة. يمكنك نشر إصدار النموذج الجديد كنشر ثانوي ضمن نفس برنامج تضمين نقطة النهاية وتحويل النسب المئوية لحركة المرور بسلاسة باستخدام عناصر التحكم في توجيه حركة المرور المضمنة دون تعديل URI لتطبيق العميل الخاص بك.
• شرح سبب عدم صحة الخيارات الأخرى:
  • B غير صحيح لأن حذف النشر الأزرق النشط يؤدي إلى توقف فوري للنظام، مما يبطل تمامًا الغرض من الانتقال الآمن للأزرق/الأخضر.
  • C غير صحيح لأن نقاط النهاية المجمعة تم تصميمها للمعالجة عالية الإنتاجية وغير المتزامنة على مدار فترات طويلة، مما يجعلها غير مناسبة تمامًا لأحمال عمل تدفق HTTP في الوقت الفعلي.
  • D غير صحيح لأن تحرير البرنامج النصي لتسجيل نقاط الإنتاج النشط يؤدي إلى مخاطر كبيرة، ويفتقر إلى إمكانات التراجع النظيفة، ويفشل في فصل البنية الأساسية الأساسية أو عناصر النموذج.
  • E غير صحيح لأن إنشاء مساحة عمل مكررة يؤدي إلى تعقيد شديد في الإدارة، وتكرار الموارد، وارتفاع التكاليف فقط للتعامل مع حركة المرور الأساسية التوجيه.
  • F غير صحيح لأن إدارة مجموعة AKS اليدوية وتوجيه pod المباشر يتجاوزان الطبقات المجردة المضمنة والمدارة في Azure ML، مما يزيد العبء التشغيلي بشكل كبير.

السؤال 3: تنفيذ التعلم الآلي المسؤول يبدأ نموذج إدارة المخاطر المنشور على Azure Machine Learning في إظهار تدهور بطيء في دقة التنبؤ بعد شهرين من بدء التشغيل. أظن أن خصائص بيانات العملاء الواردة في العالم الحقيقي قد تحولت بعيدًا عن مجموعة البيانات الأساسية الأصلية المستخدمة أثناء التدريب النموذجي. ما هي الإستراتيجية التي يجب أن أطبقها لتحديد هذه المشكلة وحلها بشكل مسؤول؟

• أ. قم بتكوين جهاز مراقبة انجراف بيانات Azure ML لمقارنة مجموعة بيانات خط الأساس للتدريب مع مجموعة بيانات هدف الإنتاج، وتحليل مقاييس جودة البيانات، وتشغيل مسار إعادة تدريب تلقائي في حالة انتهاك الحدود.
• ب. قم بإطلاق تجربة جديدة تمامًا للتعلم الآلي الآلي (AutoML) كل 24 ساعة على مجموعة بيانات التدريب التاريخية الأصلية للعثور على خوارزميات أفضل.
• ج. احسب قيم SHAP (شرحات Shapley Additive) الثابتة على بيانات التدريب وقم بتطبيقها كمرشح ثابت على طلبات الويب الواردة في الوقت الفعلي.
• د. قم بإعداد تنبيه Azure Monitor القياسي استنادًا إلى مقاييس استخدام وحدة المعالجة المركزية والذاكرة الخاصة بعقد حساب الاستدلال.
• هـ. قم بتطبيق خوارزمية خصوصية تفاضلية لإخفاء جميع ميزات هدف الإنتاج الواردة بحيث لا يتمكن النموذج من عرض التغييرات في سلوكيات العملاء.
• F. أعد تدريب النموذج كل ساعة باستخدام أي بيانات متاحة، وتخطي مراحل التحقق من البيانات أو التحقق من صحتها أو تتبع المقاييس بشكل كامل.

تحليل الإجابة:

• الإجابة الصحيحة: أ
• شرح سبب صحتها:
  • A صحيحة لأن أداة مراقبة انجراف بيانات Azure ML مصممة خصيصًا لتتبع التحولات بين مجموعة البيانات الأساسية (بيانات التدريب) ومجموعة البيانات المستهدفة (بيانات استدلال الإنتاج). يتيح لك قياس المقاييس مثل مسافة Wasserstein أو تباعد Jensen-Shannon اكتشاف تغييرات توزيع الميزات مبكرًا وأتمتة الخطوات العلاجية بأمان مثل إعادة التدريب.
• شرح سبب عدم صحة الخيارات الأخرى:
  • B غير صحيح لأن تشغيل AutoML بشكل متكرر على نفس مجموعة بيانات التدريب القديمة لن يعالج مشكلات الدقة الناتجة عن تغيير أنماط البيانات الخارجية في العالم الحقيقي.
  • C غير صحيح لأن قيم SHAP تشرح أهمية ميزات النموذج و قابلية التفسير؛ لا يمكنهم تتبع التوزيعات الإحصائية أو حسابها أو إيقافها بشكل فعال من التحول بمرور الوقت في الإنتاج.
  • D غير صحيح لأن مقاييس البنية التحتية مثل استخدام وحدة المعالجة المركزية والذاكرة لا تخبرك شيئًا عن توزيعات البيانات أو تغيير الميزات أو تدهور دقة النموذج الرياضي.
  • E غير صحيح لأن الخصوصية التفاضلية تحمي خصوصية البيانات الفردية أثناء التدريب أو إخراج الاستعلام؛ فهو لا يحدد أو يحل تحولات التوزيع في الميزات المباشرة الواردة.
  • F غير صحيح لأن إعادة التدريب الأعمى والمستمر دون التحقق من الصحة يمكن أن تؤدي إلى عدم استقرار شديد في النموذج، وحلقات تعليقات، ونسيان كارثي للأنماط الأساسية إذا كانت عينة البيانات كل ساعة متحيزة.

• مرحبًا بك في أكاديمية Mock Exam Practice Tests Academy لمساعدتك في الاستعداد لدورة Microsoft المعتمدة: دورة Azure Data Scientist Associate.
• أنت يمكنك إعادة إجراء الاختبارات عدة مرات كما تريد
• هذا بنك أسئلة أصلي ضخم
• يمكنك الحصول على الدعم من المدرسين إذا كانت لديك أسئلة
• يحتوي كل سؤال على شرح مفصل
• متوافق مع الهاتف المحمول مع تطبيق Udemy

آمل أن تكون مقتنعًا الآن! وهناك الكثير من الأسئلة داخل الدورة.

ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة التعلم:

(احصل على الدورة للدخول إلى الموقع والتسجيل)

يجب أن يكون لديك بريد إلكتروني (حساب بريد) تتذكره لنفسك وأيضًا يجب أن تتذكر كلمة مرور البريد الإلكتروني الذي ستسجل به ، وإذا لم يكن لديك حساب بريد إلكتروني ، فمن الأفضل إنشاء حساب (Gmail)