Kursleitfaden für das Examen DP-100: Entwerfen und Implementieren einer Data Science-Lösung in Azure

Zweck dieses Dokuments

Warnung

Diese Prüfung wird am 1. Juni 2026 um 11:59 Uhr Central Standard Time eingestellt. Erfahren Sie mehr.

Dieser Kursleitfaden soll Ihnen helfen zu verstehen, was Sie bei der Prüfung erwartet. Er enthält eine Zusammenfassung der Themen, die in der Prüfung behandelt werden könnten, sowie Links zu zusätzlichen Ressourcen. Mit den in diesem Dokument enthaltenen Informationen und Materialien können Sie sich gezielt auf die Prüfung vorbereiten.

Nützliche Links	BESCHREIBUNG
Erwerben der Zertifizierung	Einige Zertifizierungen erfordern nur das Bestehen einer Prüfung, während für andere mehrere Prüfungen erforderlich sind.
Zertifizierungserneuerung	Die Associate-, Expert- und Specialty-Zertifizierungen von Microsoft sind nur ein Jahr lang gültig. Sie können verlängern, indem Sie in Microsoft Learn erfolgreich eine kostenlose Onlinebewertung absolvieren.
Ihr Microsoft Learn-Profil	Wenn Sie Ihr Zertifizierungsprofil mit Microsoft Learn verknüpfen, können Sie Examen planen und verlängern sowie Zertifikate freigeben und drucken.
Examensbewertung und Ergebnisberichte	Zum Bestehen ist eine Mindestpunktzahl von 700 erforderlich.
Prüfungs-Sandbox	Sie können die Prüfungsumgebung erkunden, indem Sie unsere Prüfungs-Sandbox besuchen.
Anfordern von Unterkünften	Wenn Sie Hilfsmittel benutzen, zusätzliche Zeit benötigen oder einen Teil des Prüfungsprozesses abändern müssen, können Sie eine Anpassung anfordern.
Kostenlose Übungsbewertung	Stellen Sie Ihr Wissen mit Übungsfragen auf die Probe, um sich auf das Examen vorzubereiten.

Aktualisierungen der Prüfung

Wir aktualisieren immer zuerst die englische Sprachversion der Prüfung. Einige Prüfungen werden in andere Sprachen lokalisiert und werden ungefähr acht Wochen nach der Aktualisierung der englischen Version aktualisiert. Microsoft unternimmt zwar große Anstrengungen, um die lokalisierten Versionen gemäß Ankündigung zu aktualisieren, aber es kann vorkommen, dass die Aktualisierung der lokalisierten Versionen eines Examens nicht nach diesem Zeitplan erfolgen kann. Weitere verfügbare Sprachen sind im Abschnitt Prüfung planen der Webseite mit den Details zur Prüfung aufgeführt. Wenn die Prüfung nicht in Ihrer bevorzugten Sprache verfügbar ist, können Sie eine zusätzliche Zeit von 30 Minuten anfordern, um sie abzuschließen.

Hinweis

Die Aufzählungspunkte die den bewerteten Fertigkeiten folgen, sollen veranschaulichen, wie wir die jeweilige Fähigkeit bewerten. In der Prüfung können verwandte Themen behandelt werden.

Hinweis

Die meisten Fragen umfassen Features der allgemeinen Verfügbarkeit (GA). Die Prüfung kann Fragen zu Previewfunktionen enthalten, wenn diese Funktionen häufig verwendet werden.

Gemessene Fähigkeiten vom 11. April 2025

Zielgruppenprofil

Als ein/e Kandidat*in für dieses Examen sollten Sie über Fachwissen beim Anwenden von Data Science und maschinellem Lernen verfügen, um Machine Learning-Workloads in Azure zu implementieren und auszuführen. Darüber hinaus sollten Sie über Kenntnissen in der Optimierung von Sprachmodellen für KI-Anwendungen mit Azure KI verfügen.

Ihre Zuständigkeiten für diese Rolle umfassen:

• Entwerfen und Erstellen einer geeigneten Arbeitsumgebung für Data Science-Workloads.

• Durchsuchen von Daten.

• Trainieren von Machine Learning-Modellen.

• Implementieren von Pipelines.

• Ausführen von Aufträgen zur Vorbereitung auf die Produktion.

• Verwalten, Bereitstellen und Überwachen skalierbarer Machine Learning-Lösungen.

• Verwenden von Sprachmodellen zum Erstellen von KI-Anwendungen.

Als Kandidat*in für diese Prüfung sollten Sie über Kenntnisse und Erfahrungen in Data Science verfügen, indem Sie Folgendes anwenden:

• Azure Machine Learning

• MLflow

• Azure AI-Dienste, einschließlich Azure AI Search

• Azure AI Foundry

Qualifikationen auf einen Blick

• Entwerfen und Vorbereiten einer Machine Learning-Lösung (20 – 25%)

• Erkunden von Daten und Ausführen von Experimenten (20–25 %)

• Trainieren und Bereitstellen von Modellen (25–30 %)

• Optimieren von Sprachmodellen für KI-Anwendungen (25–30 %)

Entwerfen und Vorbereiten einer Machine Learning-Lösung (20 – 25%)

Entwerfen einer Machine Learning-Lösung

• Bestimmen von Struktur und Format für Datasets

• Bestimmen Sie die Compute-Spezifikationen für den Workload für maschinelles Lernen

• Auswählen des Entwicklungsansatzes zum Trainieren eines Modells

Erstellen und Verwalten von Ressourcen in einem Azure Machine Learning-Arbeitsbereich

• Erstellen und Verwalten eines Arbeitsbereichs

• Erstellen und Verwalten von Datenspeichern

• Erstellen und Verwalten von Computezielen

• Einrichten der Git-Integration für die Quellcodeverwaltung

Erstellen und Verwalten von Ressourcen in einem Azure Machine Learning-Arbeitsbereich

• Erstellen und Verwalten von Datenressourcen

• Erstellen und Verwalten von Umgebungen

• Ressourcen über Arbeitsbereiche hinweg teilen durch Registries

Erkunden von Daten und Ausführen von Experimenten (20–25 %)

Verwenden des automatisierten maschinellen Lernens zum Untersuchen optimaler Modelle

• Verwenden des automatisierten maschinellen Lernens für Tabellendaten

• Verwenden des automatisierten maschinellen Lernens für maschinelles Sehen

• Verwenden des automatisierten maschinellen Lernens für die linguistische Datenverarbeitung

• Auswählen und Verstehen von Trainingsoptionen, einschließlich Vorverarbeitung und Algorithmen

• Auswerten eines automatisierten Machine-Learning-Laufs, einschließlich Richtlinien für verantwortungsvolle KI

Verwenden von Notebooks für benutzerdefiniertes Modelltraining

• Verwenden des Terminals zum Konfigurieren einer Compute-Instanz

• Daten in Notebooks aufrufen und aufbereiten

• Interaktives Wrangling von Daten mit angefügten Synapse Spark-Pools und serverlosem Spark-Computing

• Abrufen von Features aus einem Featurespeicher zum Trainieren eines Modells

• Nachverfolgen des Modelltrainings mithilfe von MLflow

• Auswerten eines Modells, einschließlich Richtlinien für verantwortungsvolle KI

Automatisieren der Hyperparameteroptimierung

• Auswählen einer Samplingmethode

• Definieren des Suchbereichs

• Definieren der primären Metrik

• Definieren von Optionen für die vorzeitige Beendigung

Trainieren und Bereitstellen von Modellen (25–30 %)

Ausführen von Modelltrainingsskripts

• Daten in einem Job nutzen

• Konfigurieren von Compute für eine Auftragsausführung

• Konfigurieren einer Umgebung für eine Auftragsausführung

• Tracing des Trainings von Modellen mit MLflow in einem Job ausführen

• Definieren von Parametern für einen Auftrag

• Ausführen eines Skripts als Auftrag

• Verwenden von Protokollen zur Problembehandlung von Fehlern bei der Auftragsausführung

Implementierung von Trainingspipelines

• Erstellen benutzerdefinierter Komponenten

• Erstellen einer Pipeline

• Übergeben von Daten zwischen Schritten in einer Pipeline

• Ausführen und Planen einer Pipeline

• Überwachung und Fehlerbehebung bei Pipelineläufen

Verwalten von Modellen

• Definieren der Signatur in der MLmodel-Datei

• Verpacken einer Feature-Abrufspezifikation mit dem Modellartefakt

• Registrieren eines MLflow-Modells

• Bewerten eines Modells mithilfe von Prinzipien für verantwortungsvolle KI

Bereitstellen eines Modells

• Konfigurieren von Einstellungen für die Onlinebereitstellung

• Bereitstellen eines Modells auf einem Onlineendpunkt

• Testen eines online bereitgestellten Diensts

• Konfigurieren von Compute für eine Batchbereitstellung

• Bereitstellen eines Modells an einem Batchendpunkt

• Rufen Sie den Batch-Endpunkt auf, um einen Batch-Scoring-Auftrag zu starten

Optimieren von Sprachmodellen für KI-Anwendungen (25–30 %)

Vorbereiten der Modelloptimierung

• Auswählen und Bereitstellen eines Sprachmodells aus dem Modellkatalog

• Vergleichen von Sprachmodellen anhand von Benchmarks

• Testen eines bereitgestellten Sprachmodells im Playground

• Auswählen eines Optimierungsansatzes

Optimieren durch Prompt-Engineering und Promptfluss

• Testprompts mit manueller Auswertung

• Definieren und Nachverfolgen von Promptvarianten

• Erstellen von Promptvorlagen

• Definieren der Verkettungslogik mit dem Prompt-Flow-SDK

• Nutzen von Tracing zur Evaluierung Ihres Flows

Optimieren durch Retrieval Augmented Generation (RAG)

• Vorbereiten von Daten für RAG, einschließlich Bereinigung, Blockbildung und Einbettung

• Konfigurieren eines Vektorspeichers

• Konfigurieren eines suchbasierten Indexspeichers für Azure KI

• Auswerten der RAG-Lösung

Optimieren durch Feinabstimmung

• Daten für die Feinabstimmung vorbereiten

• Auswählen eines geeigneten Basismodells

• Ausführen eines Feinabstimmungsauftrags

• Auswerten des optimierten Modells

Lernressourcen

Es wird empfohlen, dass Sie vor dem Ablegen der Prüfung üben und praktische Erfahrungen sammeln. Wir bieten Optionen für Selbststudium und Präsenzschulung sowie Links zu Dokumentationen, Community-Websites und Videos.

Lernressourcen	Links zu Lern- und Dokumentationsressourcen
Bereiten Sie sich vor	Wählen Sie aus eigenverantwortlichen Lernpfaden und Modulen aus, oder nehmen Sie an einer Präsenzschulung teil.
Dokumentation finden	Azure Databricks Azure Machine Learning Azure Synapse Analytics MLflow und Azure Machine Learning
Fragen stellen	Microsoft Q&A | Microsoft-Dokumentation
Community-Support erhalten	KI – Maschinelles Lernen – Microsoft Tech Community KI – Blog zum maschinellen Lernen – Microsoft Tech Community
Microsoft Learn folgen	Microsoft Learn – Microsoft Tech Community
Video finden	Microsoft Learn-Sendungen

Änderungsprotokoll

In der folgenden Tabelle sind die Änderungen an den bewerteten Qualifikationen zwischen der aktuellen und der vorherigen Version zusammengefasst. Die funktionalen Gruppen sind fett formatiert. Danach folgen die Ziele innerhalb jeder Gruppe. In der Tabelle werden die vorherige und die aktuelle Version der bewerteten Qualifikationen im Examen verglichen. In der dritten Spalte wird der Umfang der Änderungen beschrieben.

Qualifikationsbereich vor dem 16. Januar 2025	Qualifikationsbereich ab dem 16. Januar 2025	Ändern
Zielgruppenprofil		Nebenversion
Optimieren von Sprachmodellen für KI-Anwendungen	Optimieren von Sprachmodellen für KI-Anwendungen	Keine Änderung am prozentualen Anteil
Optimieren durch Prompt Engineering und Prompt Flow	Optimieren durch Prompt-Engineering und Promptfluss	Nebenversion