Partager via

Guide d’étude pour l’Examen DP-100 : Conception et implémentation d’une solution de science des données sur Azure

Objectif de ce document

Ce guide d’étude est destiné à vous aider à comprendre ce qu’il faut attendre de l’examen. Il inclut un résumé des sujets potentiellement couverts par l’examen ainsi que des liens vers des ressources supplémentaires. Aidez-vous des informations et des supports fournis dans ce document pour savoir ce que vous devez étudier afin de vous préparer à l’examen.

Liens utiles Description
Comment obtenir la certification Certaines certifications nécessitent un seul examen, tandis que d’autres en nécessitent plusieurs.
Renouvellement de la certification Les certifications Microsoft Associate, Expert et Specialty expirent chaque année. Vous pouvez les renouveler en passant une évaluation en ligne gratuite sur Microsoft Learn.
Votre profil Microsoft Learn En connectant votre profil de certification à Microsoft Learn, vous pouvez planifier et renouveler des examens, mais aussi partager et imprimer des certificats.
Notation des examens et relevés de notes Pour réussir l’examen, vous devez obtenir un score de 700 ou plus.
Bac à sable de l’examen Vous pouvez explorer l’environnement d’examen en visitant notre examen blanche d’examen.
Demander des aménagements Si vous utilisez des appareils d’assistance, si vous avez besoin de temps supplémentaire ou si vous souhaitez un quelconque changement dans n’importe quelle partie de l’examen, vous pouvez faire une demande d’aménagement.
Effectuer une évaluation d’entraînement gratuite Testez vos compétences avec des questions pratiques qui vous aideront à vous préparer à l’examen.

Mises à jour de l’examen

La version en langue anglaise de l’examen est toujours mise à jour en premier. Certains examens sont disponibles dans d’autres langues et sont mis à jour environ huit semaines après la mise à jour de la version anglaise. Microsoft s’efforce de mettre à jour les versions localisées conformément à la planification indiquée. Toutefois, il est possible que les versions localisées d’un examen ne soient pas mises à jour dans ces délais. Les autres langues disponibles sont indiquées dans la section Planifier l’examen de la page web Détails de l’examen. Si l’examen n’est pas disponible dans la langue de votre choix, vous pouvez demander un temps supplémentaire de 30 minutes pour passer l’examen.

Remarque

Les puces sous chacune des compétences mesurées visent à illustrer notre façon d’évaluer cette compétence. Des sujets connexes peuvent être abordés dans l’examen.

Remarque

La plupart des questions concernent des fonctionnalités qui sont en disponibilité générale (GA). L’examen peut comporter des questions relatives à des fonctionnalités en préversion qui sont déjà couramment utilisées.

Compétences mesurées le 11 avril 2025

Profil du public

En tant que candidat à cet examen, vous devez avoir une expertise dans la mise en application de la science des données et du Machine Learning pour implémenter et exécuter des charges de travail de Machine Learning dans Azure. En outre, vous devez maîtriser l’optimisation des modèles de langage pour les applications d’IA à l’aide d’Azure AI.

Vos responsabilités pour ce rôle sont les suivantes :

  • Conception et création d’un environnement de travail approprié pour les charges de travail de science des données.

  • Exploration de données.

  • Entraînement de modèles Machine Learning.

  • Implémentation de pipelines.

  • Exécution de travaux pour préparer la production.

  • Gestion, déploiement et supervision de solutions de Machine Learning évolutives.

  • Utilisation de modèles de langage pour créer des applications d’IA.

En tant que candidat à cet examen, vous devez avoir une connaissance théorique et pratique de la science des données en utilisant :

  • Azure Machine Learning

  • MLflow

  • Services Azure AI, y compris Recherche Azure AI

  • Azure AI Foundry

Compétences en un clin d’œil

  • Concevoir et préparer une solution de Machine Learning (20 à 25 %)

  • Explorer les données et exécuter des expériences (20 à 25 %)

  • Entraîner et déployer des modèles (25 à 30 %)

  • Optimiser les modèles de langage pour les applications d’IA (25 à 30 %)

Concevoir et préparer une solution de Machine Learning (20 à 25 %)

Concevoir une solution de Machine Learning

  • Identifier la structure et le format pour les jeux de données

  • Déterminer les spécifications de calcul appropriées pour une charge de travail de Machine Learning

  • Sélectionner l’approche de développement pour entraîner un modèle

Créer et gérer des ressources dans un espace de travail Azure Machine Learning

  • Créer et gérer un espace de travail

  • Créer et gérer des magasins de données

  • Créer et gérer des cibles de calcul

  • Configurer l’intégration Git pour le contrôle de code source

Créer et gérer des ressources dans un espace de travail Azure Machine Learning

  • Créer et gérer des ressources de données

  • Créer et gérer des environnements

  • Partager des ressources entre les espaces de travail à l’aide de registres

Explorer les données et exécuter des expériences (20 à 25 %)

Utiliser le Machine Learning automatisé pour explorer les modèles optimaux

  • Utiliser le Machine Learning automatisé pour les données tabulaires

  • Utiliser le Machine Learning automatisé pour la vision par ordinateur

  • Utiliser le Machine Learning automatisé pour le traitement du langage naturel

  • Sélectionner et comprendre les options d’entraînement, dont le prétraitement et les algorithmes

  • Évaluer une exécution de Machine Learning automatisé, y compris les recommandations en matière d’IA responsable

Utiliser des notebooks pour l’entraînement de modèle personnalisé

  • Utiliser le terminal pour configurer une instance de calcul

  • Accéder aux données et faire du wrangling de données dans des blocs-notes

  • Faire un wrangling des données de manière interactive avec des pools Synapse Spark attachés et un calcul Spark serverless

  • Récupérer des fonctionnalités depuis magasin de fonctionnalités pour entraîner un modèle

  • Suivre l’entraînement du modèle à l’aide de MLflow

  • Évaluer un modèle, y compris les recommandations en matière d’IA responsable

Automatiser le réglage des hyperparamètres

  • Sélectionner une méthode d’échantillonnage

  • Définir l’espace de recherche

  • Définir la métrique principale

  • Définir les options d’arrêt anticipé

Entraîner et déployer des modèles (25 à 30 %)

Exécuter des scripts d’entraînement de modèle

  • Consommer des données dans un travail

  • Configurer le calcul pour l’exécution d’un travail

  • Configurer un environnement pour l’exécution d’un travail

  • Assurer le suivi de l’entraînement d’un modèle avec MLflow dans l’exécution d’un travail

  • Définir les paramètres d’un travail

  • Exécuter un script en tant que travail

  • Utiliser les journaux pour résoudre les erreurs d’exécution des travaux

Implémenter des pipelines d’entraînement

  • Créer des composants personnalisés

  • Créer un pipeline

  • Passer des données entre les étapes d’un pipeline

  • Exécuter et planifier un pipeline

  • Surveiller et dépanner les exécutions de pipelines

Gérer les modèles

  • Définir la signature dans le fichier MLmodel

  • Empaqueter une spécification de récupération de caractéristiques avec l’artefact du modèle

  • Inscrire un modèle MLflow

  • Évaluer un modèle selon les principes d’IA responsable

Déployer un modèle

  • Configurer les paramètres pour le déploiement en ligne

  • Déployer un modèle sur un point de terminaison en ligne

  • Tester un service déployé en ligne

  • Configurer le calcul pour un déploiement par lots

  • Déployer un modèle sur un point de terminaison par lots

  • Appeler le point de terminaison de lot pour démarrer un travail de scoring par lot

Optimiser les modèles de langage pour les applications d’IA (25 à 30 %)

Préparer l’optimisation de modèle

  • Sélectionner et déployer un modèle de langage dans le catalogue de modèles

  • Comparer des modèles de langage à l’aide de points de référence

  • Tester un modèle de langage déployé dans le terrain de jeu

  • Sélectionner une approche d’optimisation

Optimiser par le biais de l’ingénierie rapide et du flux d’invite

  • Tester des invites avec évaluation manuelle

  • Définir et suivre les variantes d’invites

  • Créer des modèles d’invite

  • Définir la logique de chaînage avec le Kit de développement logiciel (SDK) de flux d’invite

  • Utiliser le suivi pour évaluer votre flux

Optimiser la génération augmentée de récupération (RAG)

  • Préparer des données pour la RAG, notamment le nettoyage, la segmentation et l’incorporation

  • Configurer un stockage vectoriel

  • Configurer un magasin d’index basé sur recherche Azure AI

  • Évaluer votre solution RAG

Optimiser par le biais de l’ajustement

  • Préparer les données pour l’ajustement

  • Sélectionner un modèle de base approprié

  • Exécuter une tâche d’ajustement

  • Évaluer votre modèle optimisé

Ressources de l’étude

Nous vous recommandons de vous entraîner et d’acquérir une expérience pratique avant de passer l’examen. Nous offrons des options d’auto-apprentissage, des formations en salle de classe ainsi que des liens vers de la documentation, des sites communautaires et des vidéos.

Ressources de l’étude Liens vers les ressources d’apprentissage et la documentation
Recevez une formation Choisissez des parcours et des modules d’apprentissage auto-rythmés ou suivez un cours dispensé par un instructeur
Rechercher de la documentation Azure Databricks
Azure Machine Learning
Azure Synapse Analytics
MLflow et Azure Machine Learning
Poser une question Microsoft Q&A | Microsoft Docs
Bénéficier du support de la communauté IA - Machine Learning - Microsoft Tech Community
IA - Blog Machine Learning - Microsoft Tech Community
Suivre Microsoft Learn Microsoft Learn - Microsoft Tech Community
Trouver une vidéo Microsoft Learn Shows

Journal des modifications

Le tableau ci-dessous récapitule les modifications entre la version actuelle et la version précédente des compétences mesurées. Les groupes fonctionnels sont en gras, suivis des objectifs au sein de chaque groupe. Le tableau est une comparaison entre la version précédente et la version actuelle des compétences mesurées lors de l’examen et la troisième colonne décrit l’étendue des changements.

Domaine des compétences avant le 11 avril 2025 Domaine des compétences depuis le 11 avril 2025 Modifier
Profil du public Secondaire
Optimiser les modèles de langage pour les applications d’IA Optimiser les modèles de langage pour les applications d’IA Pas de changement de %
Optimiser à l’aide de l’ingénierie des invites et du flux d’invites Optimiser par le biais de l’ingénierie rapide et du flux d’invite Secondaire