DAS-C01日本語 無料問題集「Amazon AWS Certified Data Analytics - Specialty (DAS-C01日本語版)」

（A）ヒート マップ

（B）棒グラフ

（C）サークルパッキング

（D）ワードクラウド

（A）Amazon Kinesis Data Firehose を使用して、圧縮およびバッチ化されたクリックストリーム レコードを Amazon Elasticsearch Service にアップロードします。

（B）Amazon S3 から Amazon Kinesis Data Streams にクリックストリーム レコードをアップロードし、Kinesis Data Streams コンシューマーを使用してレコードを Amazon Elasticsearch Service に送信します。

（C）Kibana を使用して、Amazon Elasticsearch Service に保存されているデータを集約、フィルタリング、および視覚化します。コンテンツ パフォーマンス ダッシュボードをほぼリアルタイムで更新します。

（D）クリックストリーム レコードを圧縮ファイルとして Amazon S3 にアップロードします。次に、AWS Lambda を使用して、Amazon S3 から Amazon Elasticsearch Service にデータを送信します。

（E）Amazon EC2 にデプロイされた Amazon Elasticsearch Service を使用して、データを集約、フィルタリング、および処理します。コンテンツ パフォーマンス ダッシュボードをほぼリアルタイムで更新します。

（A）AWS KMS (SSE-KMS) によるサーバー側暗号化を使用して、Amazon S3 バケットにデータを保存します。S3 の場所を Lake Formation に登録します。

（B）クライアント側でデータを暗号化し、暗号化されたデータを Amazon S3 バケットに保存します。S3 の場所を Lake Formation に登録します。

（C）データを Amazon S3 Glacier Flexible Retrieval ボールト バケットに保存します。S3 Glacier Flexible Retrieval ボールトを Lake Formation に登録します。

（D）暗号化された Amazon Elastic Block Store (Amazon EBS) ボリュームにデータを保存します。Amazon EBS ボリュームを Lake Formation に登録します。

（A）Python ランタイム環境で AWS Lambda 関数をセットアップします。Lambda を使用して、接続されたデバイスとセンサーからの個々の Kinesis データ ストリーム メッセージを処理します。

（B）AWS Glue Python ジョブをセットアップして、Amazon S3 の小さなデータ ファイルを大きなファイルにマージし、それらを Apache Parquet 形式に変換します。ダウンストリーム PySpark ジョブを Amazon EMR から AWS Glue に移行します。

（C）Amazon Redshift クラスターを起動します。収集したデータを Amazon S3 から Amazon Redshift にコピーし、データ処理ジョブを Amazon EMR から Amazon Redshift に移動します。

（D）センサーとデバイスのデータを Kinesis Data Firehose 配信ストリームに直接送信して、Apache Parquet レコード形式変換を有効にしてデータを Amazon S3 に送信します。PySpark を実行している Amazon EMR を使用して、Amazon S3 でデータを処理します。

（A）Hive メタデータを管理するための AWS Glue データカタログを作成します。一貫性のあるビューを有効にして Amazon EMR クラスターを作成します。各分析ステップの前に emrfs 同期を実行して、データの変更が確実に更新されるようにします。EMR クラスターを作成し、AWS Glue データカタログのメタデータを使用して、Amazon EMR で Hive 処理クエリを実行します。

（B）S3 Select クエリを使用して、データが適切に更新されるようにします。AWS Glue データカタログを作成して、S3 Select テーブルで Hive メタデータを管理します。Amazon EMR クラスターを作成し、AWS Glue データカタログのメタデータを使用して、Amazon EMR で Hive 処理クエリを実行します。

（C）Hive メタデータを管理するための AWS Glue データ カタログを作成します。データの変更が確実に更新されるように、データが更新されたときに実行される Amazon S3 で AWS Glue クローラーを作成します。Amazon EMR クラスターを作成し、AWS Glue データカタログのメタデータを使用して、Amazon EMR で Hive 処理クエリを実行します。

（D）CREATE TABLE AS SELECT (CTAS) を使用して Amazon Athena テーブルを作成し、未加工のデータセットに対する基になるクエリからデータが更新されるようにします。CTAS テーブルで Hive メタデータを管理するための AWS Glue データカタログを作成します。Amazon EMR クラスターを作成し、AWS Glue データカタログのメタデータを使用して、Amazon EMR で Hive 処理クエリを実行します。

（A）Amazon EMR クラスターを作成し、Amazon S3 をデータ ソースとして使用します。Apache Spark ジョブを作成してアドホック分析を実行し、Amazon QuickSight を使用してデータの視覚化を開発します。

（B）ログを .csv 形式に変換する AWS Lambda 関数を作成します。次に、関数を Kinesis Data Firehose 変換設定に追加します。Amazon Redshift を使用して、SQL クエリを使用してログのアドホック分析を実行し、Amazon QuickSight を使用してデータの視覚化を開発します。

（C）AWS Glue クローラーを使用して、ログから Glue データ カタログのテーブルを作成および更新します。Athena を使用してアドホック分析を実行し、Amazon QuickSight を使用してデータの視覚化を開発します。

（D）2 番目の Kinesis Data Firehose 配信ストリームを作成して、ログファイルを Amazon Elasticsearch Service (Amazon ES) に配信します。Amazon ES を使用してログのテキストベースの検索を実行し、アドホック分析を行い、Kibana を使用してデータを視覚化します。

（A）VPC エンドポイントを使用して Amazon QuickSight から Amazon S3 に接続し、IAM ロールを使用して Amazon Redshift を認証します。

（B）企業ネットワーク環境で Active Directory コネクタとシングル サインオン (SSO) を使用します。

（C）Amazon QuickSight と Amazon Redshift をセキュリティ グループに配置し、Amazon S3 エンドポイントを使用して Amazon QuickSight を Amazon S3 に接続します。

（D）Amazon QuickSight に接続するための S3 エンドポイントと、Amazon Redshift に接続するための VPC エンドポイントを作成して、安全な接続を確立します。

（A）個々のファイルを Amazon S3 にアップロードします。ファイルが使用可能になったらすぐに COPY コマンドを実行します。

（B）各ファイルが Redshift クラスター内の各計算ノードの空きストレージの 50% を使用するようにファイルを分割します。ファイルを圧縮して Amazon S3 にアップロードします。ファイルに対して COPY コマンドを実行します。

（C）同じ値を持つ DISTKEY 列が同じファイルに送られるようにファイルを分割してシャーディングを適用します。シャーディングされたファイルを圧縮して Amazon S3 にアップロードします。ファイルに対して COPY コマンドを実行します。

（D）ファイル数が Redshift クラスター内のスライス数の倍数になるようにファイルを分割します。ファイルを圧縮して Amazon S3 にアップロードします。ファイルに対して COPY コマンドを実行します。