Compartir a través de

Guía de estudio del Examen DP-100: Diseño e implementación de una solución de ciencia de datos en Azure

Finalidad de este documento

Esta guía de estudio le ayudará a comprender qué esperar en el examen, e incluye un resumen de los temas que el examen podría incluir y vínculos a recursos adicionales. La información y los materiales de este documento le ayudarán a centrar sus estudios a medida que se prepara para el examen.

Vínculos útiles Descripción
Obtención de la certificación Algunas certificaciones solo requieren aprobar un examen, mientras que otros requieren aprobar varios exámenes.
Renovación de la certificación Las certificaciones de asociado, experto y especialidad de Microsoft caducan anualmente. Puede renovar sus aptitudes aprobando una evaluación en línea gratuita en Microsoft Learn.
Su perfil de Microsoft Learn La conexión del perfil de certificación a Microsoft Learn le permite programar y renovar exámenes y compartir e imprimir certificados.
Puntuación de los exámenes e informes de puntuación Se requiere una puntuación de 700 o superior para aprobar.
Espacio aislado del examen Puede explorar el entorno del examen visitando nuestro espacio aislado del examen.
Solicite ajustes Si usa dispositivos de asistencia, requiere tiempo adicional o necesita modificaciones en cualquier parte de la experiencia del examen, puedes solicitar una adaptación.
Preséntese a una evaluación gratuita para practicar Practique y ponga a prueba sus conocimientos con preguntas que lo ayudarán a prepararse para el examen.

Actualizaciones al examen

Siempre actualizamos la versión en inglés del examen primero. Algunos exámenes se localizan en otros idiomas y se actualizan aproximadamente ocho semanas después de actualizar la versión en inglés. Aunque Microsoft hace todo lo posible para actualizar las versiones localizadas como se indica, puede haber ocasiones en las que las versiones localizadas de un examen no se actualicen según esta programación. Los otros idiomas disponibles se enumeran en la sección Schedule Exam (Programar examen) de la página web Exam Details (Detalles del examen). Si el examen no está disponible en su idioma de preferencia, puede solicitar un período adicional de 30 minutos para completarlo.

Nota

Las viñetas debajo de cada una de las aptitudes medidas están diseñadas para ilustrar cómo estamos evaluando esa aptitud. Los temas relacionados puede que se traten en el examen.

Nota

La mayoría de las preguntas tratan las características que son de disponibilidad general (GA). El examen puede contener preguntas de Características en vista previa (GB) si dichas características se usan de forma regular.

Aptitudes medida a partir del 11 de abril de 2025

Perfil del público

Como candidato a este examen, debe tener experiencia en la aplicación de ciencia de datos y aprendizaje automático para implementar y ejecutar cargas de trabajo de aprendizaje automático en Azure. Además, debe tener conocimientos sobre la optimización de modelos de lenguaje para aplicaciones de inteligencia artificial mediante Azure AI.

Las responsabilidades de este rol incluyen:

  • Diseño y creación de un entorno de trabajo adecuado para cargas de trabajo de ciencia de datos.

  • Exploración de datos.

  • Entrenamiento de modelos de aprendizaje automático.

  • Implementación de canalizaciones.

  • Ejecución de trabajos para prepararse para la producción.

  • Administración, implementación y supervisión de soluciones de aprendizaje automático.

  • Uso de modelos de lenguaje para compilar aplicaciones de inteligencia artificial.

Como candidato a este examen, debe tener conocimientos y experiencia en ciencia de datos mediante el uso de:

  • Azure Machine Learning

  • MLflow

  • Servicios de Azure AI, incluido Azure AI Search

  • Azure AI Foundry

Aptitudes de un vistazo

  • Diseño y preparación de una solución de aprendizaje automático (de 20 a 25 %)

  • Explorar datos y ejecutar experimentos (20–25 %)

  • Entrenamiento e implementación de modelos (25–30 %)

  • Optimización de modelos de lenguaje para aplicaciones de inteligencia artificial (25–30 %)

Diseño y preparación de una solución de aprendizaje automático (de 20 a 25 %)

Diseño de una solución de aprendizaje automático

  • Identificar la estructura y el formato de los conjuntos de datos

  • Determinar las especificaciones de proceso para una carga de trabajo de aprendizaje automático

  • Selección del enfoque de desarrollo para entrenar un modelo

Crear y administrar recursos en un área de trabajo de Azure Machine Learning

  • Creación y administración de un área de trabajo

  • Creación y administración de almacenes de datos

  • Creación y administración de destinos de proceso

  • Configuración de la integración de Git para el control de código fuente

Creación y administración de activos en un área de trabajo de Azure Machine Learning

  • Creación y administración de recursos de datos

  • Creación y administración de entornos

  • Compartir recursos entre áreas de trabajo mediante registros

Explorar datos y ejecutar experimentos (20–25 %)

Uso del aprendizaje automático automatizado para explorar modelos óptimos

  • Uso del aprendizaje automático automatizado para datos tabulares

  • Uso del aprendizaje automático automatizado para Computer Vision

  • Uso del aprendizaje automático automatizado para el procesamiento de lenguaje natural

  • Selección y comprensión de las opciones de entrenamiento, incluido el preprocesamiento y los algoritmos

  • Evaluación de una ejecución de aprendizaje automático automatizado, incluidas las directrices de inteligencia artificial responsable

Uso de cuadernos para el entrenamiento de modelos personalizados

  • Uso del terminal para configurar una instancia de proceso

  • Acceso y limpieza de datos en cuadernos

  • Manipulación interactiva de datos con grupos de Spark de Synapse conectados y proceso de Spark sin servidor

  • Recuperación de características de un almacén de características para entrenar un modelo

  • Seguimiento del entrenamiento del modelo mediante MLflow

  • Evaluación de un modelo, incluidas las directrices de inteligencia artificial responsable

Ajuste automatizado de hiperparámetros

  • Selección de un método de muestreo

  • Definición del espacio de búsqueda

  • Especificación de la métrica principal

  • Definición de las opciones de terminación anticipada

Entrenamiento e implementación de modelos (25–30 %)

Ejecución de scripts de entrenamiento del modelo

  • Consumo de datos en un trabajo

  • Configuración del proceso de una ejecución de trabajo

  • Configuración de un entorno para una ejecución de trabajo

  • Seguimiento del entrenamiento del modelo con MLflow en una ejecución de trabajo

  • Definición de parámetros para un trabajo

  • Ejecución de un script como trabajo

  • Uso de registros para solucionar errores de ejecución de trabajos

Implementación de canalizaciones de entrenamiento

  • Creación de componentes personalizados

  • Crear una canalización

  • Transferencia de datos entre pasos en una canalización

  • Ejecución y programación de una canalización

  • Supervisión y solución de problemas de ejecuciones de canalizaciones

Administración de modelos

  • Definición de la firma en el archivo MLmodel

  • Empaquetar una especificación de recuperación de características con el artefacto de modelo

  • Registro de un modelo de MLflow

  • Evaluación de un modelo mediante principios de IA responsable

Implementar un modelo

  • Configuración de opciones para la implementación en línea

  • Implementación de un modelo en un punto de conexión en línea

  • Prueba de un servicio implementado en línea

  • Configuración del proceso para una implementación por lotes

  • Implementación de un modelo en un punto de conexión por lotes

  • Invocación del punto de conexión por lotes para iniciar un trabajo de puntuación por lotes

Optimización de modelos de lenguaje para aplicaciones de inteligencia artificial (25–30 %)

Preparación para la optimización del modelo

  • Selección e implementación de un modelo de lenguaje en el catálogo de modelos

  • Comparación de modelos de lenguaje mediante pruebas comparativas

  • Prueba de un modelo de lenguaje implementado en el área de juegos

  • Selección de un enfoque de optimización

Optimización mediante la ingeniería de mensajes y el flujo de solicitud

  • Solicitudes de prueba con evaluación manual

  • Definir y realizar un seguimiento de las variantes del mensaje

  • Creación de plantillas de solicitud

  • Definición de la lógica de encadenamiento con el SDK de flujo de mensajes

  • Uso del seguimiento para evaluar el flujo

Optimización mediante la generación aumentada de recuperación (RAG)

  • Preparar datos para RAG, incluida la limpieza, la segmentación y la inserción

  • Configurar un almacén de vectores

  • Configuración de un almacén de índices basado en Azure AI Search

  • Evaluación de la solución RAG

Optimización mediante el ajuste

  • Preparar datos para el ajuste preciso

  • Selección de un modelo base adecuado

  • Ejecución de un trabajo de ajuste de precisión

  • Evaluación de un modelo ajustado

Recursos de estudio

Le recomendamos que entrene y obtenga experiencia práctica antes de hacer el examen. Ofrecemos opciones de autoestudio y formación en el aula, así como vínculos a documentación, sitios de la comunidad y vídeos.

Recursos de estudio Vínculos a aprendizaje y documentación
Obtención de entrenamiento Elegir entre rutas de aprendizaje autodirigido y módulos o realizar un curso dirigido por un instructor
Localización de documentación Azure Databricks
Azure Machine Learning
Azure Synapse Analytics
MLflow y Azure Machine Learning
Hacer una pregunta Microsoft Q&A | Microsoft Docs
Obtener soporte técnico de la comunidad IA: Machine Learning: Microsoft Tech Community
IA: Blog de Machine Learning: Microsoft Tech Community
Seguimiento de Microsoft Learn Microsoft Learn: Microsoft Tech Community
Encontrar un vídeo Programas de Microsoft Learn

Registro de cambios

En la siguiente tabla se resumen los cambios entre la versión actual y la anterior de las aptitudes medidas. Los grupos funcionales aparecen en negrita, seguidos de los objetivos de cada grupo. La tabla es una comparación entre la versión anterior y la actual de las aptitudes de examen medidas y la tercera columna describe la extensión de los cambios.

Área de aptitudes anterior al 11 de abril de 2025 Área de aptitudes a partir del 11 de abril de 2025 Cambio
Perfil del público Secundaria
Optimización de modelos de lenguaje para aplicaciones de inteligencia artificial Optimización de modelos de lenguaje para aplicaciones de inteligencia artificial Sin cambios en el %
Optimización mediante la ingeniería de avisos y el flujo de mensajes Optimización mediante la ingeniería de mensajes y el flujo de solicitud Secundaria