Panduan studi untuk Ujian DP-100: Merancang dan Menerapkan Solusi Ilmu Data di Azure

Tujuan dari dokumen ini

Panduan belajar ini akan membantu Anda memahami apa yang diharapkan pada ujian dan menyertakan ringkasan topik yang mungkin dibahas dalam ujian dan tautan ke sumber daya lainnya. Informasi dan materi dalam dokumen ini akan membantu Anda memfokuskan studi saat mempersiapkan ujian.

Tautan yang berguna	Deskripsi
Cara mendapatkan sertifikasi	Beberapa sertifikasi hanya memerlukan lulus satu ujian, sementara yang lain memerlukan lulus beberapa ujian.
Perpanjangan sertifikasi	Sertifikasi asosiasi, pakar, dan spesialisasi Microsoft kedaluwarsa setiap tahun. Anda dapat memperpanjangnya dengan lulus penilaian online gratis di Microsoft Learn.
Profil Microsoft Learn Anda	Menyambungkan profil sertifikasi Anda ke Microsoft Learn memungkinkan Anda menjadwalkan dan memperbarui ujian dan berbagi serta mencetak sertifikat.
Penilaian ujian dan laporan skor	Skor 700 ke atas diperlukan untuk lulus.
Tempat uji coba ujian	Anda dapat menjelajahi lingkungan ujian dengan mengunjungi kotak pasir ujian kami.
Memohon akomodasi	Jika menggunakan alat bantu, memerlukan waktu tambahan, atau memerlukan modifikasi pada bagian mana pun dari pengalaman ujian, Anda dapat meminta akomodasi.
Ikuti Tes Latihan Gratis	Uji keterampilan Anda dengan pertanyaan latihan untuk membantu mempersiapkan ujian.

Pembaruan pada ujian

Kami selalu memperbarui versi bahasa Inggris dari ujian terlebih dahulu. Beberapa ujian dilokalkan ke dalam bahasa lain, dan ujian tersebut diperbarui kira-kira delapan minggu setelah versi bahasa Inggris diperbarui. Meskipun Microsoft melakukan setiap upaya untuk memperbarui versi yang dilokalkan seperti yang disebutkan, mungkin ada kalanya versi ujian yang dilokalkan tidak diperbarui pada jadwal ini. Bahasa lain yang tersedia tercantum di bagian Jadwalkan Ujian di halaman web Detail Ujian. Jika ujian tidak tersedia dalam bahasa yang dipilih, Anda dapat meminta tambahan waktu 30 menit untuk menyelesaikan ujian.

Catatan

Poin-poin yang muncul di bawah setiap keterampilan yang diukur ditujukan untuk menggambarkan cara kita menilai keterampilan tersebut. Topik terkait mungkin tercakup dalam ujian.

Catatan

Sebagian besar pertanyaan membahas fitur yang merupakan ketersediaan umum (GA). Ujian mungkin berisi pertanyaan tentang fitur Pratinjau jika fitur tersebut umum digunakan.

Keterampilan yang diukur per 11 April 2025

Profil audiens

Sebagai kandidat untuk ujian ini, Anda harus memiliki keahlian materi pelajaran dalam menerapkan ilmu data dan pembelajaran mesin untuk menerapkan dan menjalankan beban kerja pembelajaran mesin di Azure. Selain itu, Anda harus memiliki pengetahuan tentang mengoptimalkan model bahasa untuk aplikasi AI menggunakan Azure AI.

Tanggung jawab Anda untuk peran ini meliputi:

• Merancang dan menciptakan lingkungan kerja yang sesuai untuk beban kerja ilmu data.

• Menjelajahi data.

• Melatih model pembelajaran mesin

• Menerapkan alur.

• Menjalankan tugas untuk mempersiapkan produksi.

• Mengelola, menyebarkan, dan memantau solusi pembelajaran mesin yang dapat diskalakan.

• Menggunakan model bahasa untuk membangun aplikasi AI.

Sebagai kandidat untuk ujian ini, Anda harus memiliki pengetahuan dan pengalaman dalam ilmu data dengan menggunakan:

• Pembelajaran Mesin Azure

• MLflow

• Layanan Azure AI, termasuk Azure AI Search

• Azure AI Foundry

Sekilas keterampilan

• Merancang dan menyiapkan solusi pembelajaran mesin (20–25%)

• Menjelajahi data, dan menjalankan eksperimen (20–25%)

• Melatih dan menerapkan model (25–30%)

• Mengoptimalkan model bahasa untuk aplikasi AI (25–30%)

Merancang dan menyiapkan solusi pembelajaran mesin (20–25%)

Merancang solusi pembelajaran mesin

• Mengidentifikasi struktur dan format untuk himpunan data

• Menentukan spesifikasi komputasi untuk beban kerja pembelajaran mesin

• Pilih pendekatan pengembangan untuk melatih model

Membuat dan mengelola sumber daya di ruang kerja Azure Pembelajaran Mesin

• Membuat dan mengelola ruang kerja

• Membuat dan mengelola datastore

• Membuat dan mengelola target komputasi

• Menyiapkan integrasi Git untuk kontrol sumber

Membuat dan mengelola aset di ruang kerja Azure Pembelajaran Mesin

• Membuat dan mengelola aset data

• Membuat dan mengelola lingkungan

• Berbagi aset di seluruh ruang kerja dengan menggunakan registri

Menjelajahi data, dan menjalankan eksperimen (20–25%)

Gunakan pembelajaran mesin otomatis untuk menjelajahi model yang optimal

• Menggunakan pembelajaran mesin otomatis untuk data tabular

• Menggunakan pembelajaran mesin otomatis untuk visi komputer

• Menggunakan pembelajaran mesin otomatis untuk pemrosesan bahasa alami

• Pilih dan pahami opsi pelatihan, termasuk pra-pemrosesan dan algoritma

• Mengevaluasi eksekusi pembelajaran mesin otomatis, termasuk panduan AI yang bertanggung jawab

Menggunakan buku catatan untuk pelatihan model kustom

• Menggunakan terminal untuk mengonfigurasi instans komputasi

• Mengakses dan mengolah data di catatan digital

• Mengolah data secara interaktif dengan kumpulan Synapse Spark terlampir dan komputasi Spark tanpa server.

• Mengambil fitur dari penyimpanan fitur untuk melatih model

• Melacak pelatihan model dengan menggunakan MLflow

• Mengevaluasi model, termasuk pedoman AI yang bertanggung jawab

Mengotomatiskan penyetelan hiperparameter

• Pilih metode pengambilan sampel

• Menentukan ruang pencarian

• Menentukan metrik utama

• Menentukan opsi penghentian dini

Melatih dan menyebarkan model (25–30%)

Menjalankan skrip untuk melatih model

• Mengonsumsi data dalam pekerjaan

• Mengonfigurasi komputasi untuk eksekusi pekerjaan

• Mengonfigurasi lingkungan untuk pelaksanaan tugas

• Memantau pelatihan model dengan MLflow dalam pelaksanaan tugas

• Menentukan parameter untuk pekerjaan

• Menjalankan skrip sebagai pekerjaan

• Menggunakan log untuk memecahkan masalah kesalahan eksekusi pekerjaan

Menerapkan alur pelatihan

• Membuat komponen kustom

• Buat alur

• Meneruskan data antar langkah dalam alur kerja

• Menjalankan dan menjadwalkan rangkaian proses

• Memantau dan memecahkan masalah pada proses jalur pipa

Mengelola model

• Tentukan tanda tangan dalam file MLmodel

• Menyertakan spesifikasi pengambilan fitur dengan artefak model

• Mendaftarkan model MLflow

• Menilai model dengan menggunakan prinsip AI yang bertanggung jawab

Terapkan model

• Mengonfigurasi pengaturan untuk penyebaran online

• Menyebarkan model ke titik akhir online

• Menguji layanan yang disebarkan secara online

• Mengonfigurasi sumber daya komputasi untuk penyebaran berkala

• Menyebarkan model ke titik akhir batch

• Panggil titik akhir batch untuk memulai pekerjaan penilaian batch

Mengoptimalkan model bahasa untuk aplikasi AI (25–30%)

Bersiap untuk pengoptimalan model

• Memilih dan menyebarkan model bahasa dari katalog model

• Membandingkan model bahasa menggunakan tolok ukur

• Menguji model bahasa yang disebarkan di taman bermain

• Pilih pendekatan pengoptimalan

Optimalkan melalui teknik pengaturan prompt dan proses alur prompt

• Perintah pengujian dengan evaluasi manual

• Mendefinisikan dan melacak varian prompt

• Membuat templat perintah

• Menentukan logika rantai dengan SDK aliran perintah

• Menggunakan pelacakan untuk mengevaluasi alur Anda

Optimalkan melalui Retrieval Augmented Generation (RAG)

• Menyiapkan data untuk RAG, termasuk pembersihan, pengelompokan, dan penyematan

• Mengonfigurasi penyimpanan vektor

• Mengonfigurasi penyimpanan indeks berbasis Azure AI Search

• Evaluasilah solusi RAG Anda

Optimalkan melalui penyempurnaan

• Menyiapkan data untuk penyempurnaan

• Pilih model dasar yang sesuai

• Menjalankan tugas penyesuaian

• Mengevaluasi model yang telah dioptimalkan

Mempelajari sumber daya

Sebaiknya Anda berlatih dan mendapatkan pengalaman langsung sebelum mengikuti ujian. Kami menawarkan opsi belajar mandiri dan pelatihan kelas serta tautan ke dokumentasi, situs komunitas, dan video.

Mempelajari sumber daya	Tautan ke pembelajaran dan dokumentasi
Dapatkan pelatihan	Pilih dari jalur dan modul pembelajaran mandiri atau ikuti kursus yang dipandu instruktur
Cari dokumentasi	Azure Databricks Pembelajaran Mesin Azure Azure Synapse Analytics MLflow dan Azure Machine Learning
Ajukan pertanyaan	Tanya Jawab Microsoft | Microsoft Docs
Dapatkan dukungan komunitas	AI - Pembelajaran Mesin - Microsoft Tech Community AI - Blog Pembelajaran Mesin - Microsoft Tech Community
Ikuti Microsoft Learn	Microsoft Learn - Microsoft Tech Community
Temukan video	Pertunjukan Microsoft Learn

Log Perubahan 

Tabel di bawah ini meringkas perubahan antara versi keterampilan saat ini dan sebelumnya yang diukur. Grup fungsional berada dalam jenis huruf tebal diikuti oleh tujuan dalam setiap grup. Tabel adalah perbandingan antara versi keterampilan ujian sebelumnya dan saat ini yang diukur dan kolom ketiga menjelaskan tingkat perubahan.

Area keterampilan sebelum 16 Januari 2025	Area keterampilan per 16 Januari 2025	Ubah
Profil audiens		Minor
Mengoptimalkan model bahasa untuk aplikasi AI	Mengoptimalkan model bahasa untuk aplikasi AI	Tidak ada perubahan %
Optimalkan melalui rekayasa prompt dan alur Prompt	Optimalkan melalui rekayasa prompt dan alur prompt	Minor