Studiehandleiding voor Examen DP-100: Een Data Science Solution ontwerpen en implementeren in Azure

Doel van dit document

Waarschuwing

Dit examen wordt op 1 juni 2026 om 11:59 uur Central Standard Time buiten gebruik gesteld. Meer informatie.

Deze studiegids helpt u inzicht te krijgen in wat u kunt verwachten op het examen en bevat een overzicht van de onderwerpen die het examen kan behandelen en koppelingen naar aanvullende bronnen. Met de informatie en materialen in dit document kunt u zich concentreren op uw studies terwijl u zich voorbereidt op het examen.

Nuttige koppelingen	Beschrijving
Hoe de certificering te verdienen	Voor sommige certificeringen is slechts één examen vereist, terwijl voor andere certificeringen meerdere examens zijn vereist.
certificeringsvernieuwing	Microsoft-medewerkers, experts en speciale certificeringen verlopen jaarlijks. U kunt verlengen door een gratis online evaluatie te doorlopen op Microsoft Learn.
uw Microsoft Learn-profiel	Door uw certificeringsprofiel aan Microsoft Learn te koppelen, kunt u examens plannen en vernieuwen en certificaten delen en afdrukken.
Beoordeling van examens en scorerapporten	Een score van 700 of hoger is vereist om te slagen.
Examenzandbak	U kunt de examenomgeving verkennen door naar onze examen-sandbox te gaan.
accommodaties aanvragen	Als u ondersteunende apparaten gebruikt, extra tijd nodig hebt of een deel van de examenervaring moet wijzigen, kunt u een accommodatie aanvragen.
Neem een gratis proefexamen	Test uw vaardigheden met oefenvragen om u voor te bereiden op het examen.

Updates voor het examen

We werken altijd eerst de Engelse taalversie van het examen bij. Sommige examens worden gelokaliseerd in andere talen en die worden ongeveer acht weken na het bijwerken van de Engelse versie bijgewerkt. Hoewel Microsoft alles in het werk stelt om gelokaliseerde versies bij te werken zoals vermeld, kan het voorkomen dat de gelokaliseerde versies van een examen niet volgens dit schema worden bijgewerkt. Andere beschikbare talen worden weergegeven in de sectie Examenrooster van de Exameninformatiewebpagina. Als het examen niet beschikbaar is in uw voorkeurstaal, kunt u een extra 30 minuten aanvragen om het examen te voltooien.

Notitie

De opsommingstekens die volgen op elk van de vaardigheden die worden gemeten, zijn bedoeld om te illustreren hoe we die vaardigheid beoordelen. Verwante onderwerpen kunnen worden behandeld in het examen.

Notitie

De meeste vragen hebben betrekking op functies die algemene beschikbaarheid (GA) zijn. Het examen kan vragen bevatten over preview-functies als deze functies vaak worden gebruikt.

Vaardigheden gemeten vanaf 11 april 2025

Doelgroepprofiel

Als kandidaat voor dit examen moet u kennis hebben van het toepassen van data science en machine learning om machine learning-workloads in Azure te implementeren en uit te voeren. Daarnaast moet u kennis hebben van het optimaliseren van taalmodellen voor AI-toepassingen met behulp van Azure AI.

Uw verantwoordelijkheden voor deze rol zijn onder andere:

• Ontwerpen en maken van een geschikte werkomgeving voor data science-workloads.

• Gegevens verkennen.

• Het trainen van machine learning-modellen.

• Pijplijnen implementeren.

• Taken uitvoeren om de productie voor te bereiden.

• Schaalbare machine learning-oplossingen beheren, implementeren en bewaken.

• Taalmodellen gebruiken voor het bouwen van AI-toepassingen.

Als kandidaat voor dit examen moet u kennis en ervaring hebben in data science met behulp van:

• Azure Machine Learning

• MLflow

• Azure AI-services, waaronder Azure AI Search

• Azure AI Foundry

Vaardigheden in één oogopslag

• Een machine learning-oplossing ontwerpen en voorbereiden (20-25%)

• Gegevens verkennen en experimenten uitvoeren (20-25%)

• Modellen trainen en implementeren (25-30%)

• Taalmodellen optimaliseren voor AI-toepassingen (25-30%)

Een machine learning-oplossing ontwerpen en voorbereiden (20-25%)

Een machine learning-oplossing ontwerpen

• De structuur en indeling voor gegevenssets identificeren

• De rekenspecificaties voor machine learning-workload bepalen

• De ontwikkelingsbenadering selecteren om een model te trainen

Resources maken en beheren in een Azure Machine Learning-werkruimte

• Een werkruimte maken en beheren

• Gegevensarchieven maken en beheren

• Computatiedoelen maken en beheren

• Git-integratie instellen voor broncodebeheer

Assets maken en beheren in een Azure Machine Learning-werkruimte

• Gegevensassets maken en beheren

• Omgevingen maken en beheren

• Assets delen in werkruimten met behulp van registers

Gegevens verkennen en experimenten uitvoeren (20-25%)

Geautomatiseerde machine learning gebruiken om optimale modellen te verkennen

• Geautomatiseerde machine learning gebruiken voor tabellaire gegevens

• Geautomatiseerde machine learning gebruiken voor Computer Vision

• Geautomatiseerde machine learning gebruiken voor verwerking van natuurlijke taal

• Trainingsopties selecteren en begrijpen, waaronder voorverwerking en algoritmen

• Een geautomatiseerde machine learning-uitvoering evalueren, inclusief verantwoorde AI-richtlijnen

Notebooks gebruiken voor aangepaste modeltraining

• De terminal gebruiken om een rekenproces te configureren

• Toegang krijgen tot en bewerken van gegevens met notebooks

• Wrangle-gegevens interactief met gekoppelde Synapse Spark-pools en serverloze Spark-rekenkracht

• Functies ophalen uit een functiearchief om een model te trainen

• Modeltraining bijhouden met behulp van MLflow

• Een model evalueren, inclusief verantwoorde AI-richtlijnen

Hyperparameterafstemming automatiseren

• Een steekproefmethode selecteren

• De zoekruimte definiëren

• De primaire metrische waarde definiëren

• Opties voor vroegtijdige beëindiging definiëren

Modellen trainen en implementeren (25-30%)

Voer modeltrainingsscripts uit

• Gegevens in een taak gebruiken

• Rekenkracht configureren voor een taakuitvoering

• Een omgeving configureren voor een taakuitvoering

• Modeltraining bijhouden met MLflow in een taakuitvoering

• Parameters voor een taak definiëren

• Een script uitvoeren als een taak

• Logboeken gebruiken om taakuitvoeringsfouten op te lossen

Het implementeren van trainingspijplijnen

• Aangepaste onderdelen maken

• Een pijplijn maken

• Gegevens doorgeven tussen stappen in een pijplijn

• Een pijplijn uitvoeren en plannen

• Pijplijnuitvoeringen bewaken en problemen oplossen

Modellen beheren

• De handtekening definiëren in het MLmodel-bestand

• Verpak een specificatie voor het ophalen van kenmerken met het modelartefact

• Een MLflow-model registreren

• Een model beoordelen met behulp van verantwoorde AI-principes

Een model implementeren

• Instellingen voor online-implementatie configureren

• Een model implementeren op een online-eindpunt

• Een online geïmplementeerde service testen

• Compute configureren voor een batchimplementatie

• Een model implementeren in een batch-eindpunt

• Een beroep doen op het batch-eindpunt om een batch scoring taak te starten

Taalmodellen optimaliseren voor AI-toepassingen (25-30%)

Voorbereiden op modeloptimalisatie

• Een taalmodel selecteren en implementeren in de modelcatalogus

• Taalmodellen vergelijken met behulp van benchmarks

• Een geïmplementeerd taalmodel testen in de speeltuin

• Een optimalisatiebenadering selecteren

Optimaliseren via prompt engineering en prompt-workflow

• Testprompts met handmatige evaluatie

• Promptvarianten definiëren en bijhouden

• Promptsjablonen maken

• Ketenlogica definiëren met de Promptflow-SDK

• Tracering gebruiken om uw stroom te evalueren

Optimaliseren via Retrieval Augmented Generation (RAG)

• Gegevens voorbereiden voor RAG, waaronder opschonen, segmenteren en insluiten

• Een vectoropslag configureren

• Een indexarchief op basis van Azure AI Search configureren

• Het evalueren van uw RAG-oplossing

Optimaliseren door fijnafstemming

• Gegevens voorbereiden voor het afstemmen

• Een geschikt basismodel selecteren

• Een fine-tuning taak uitvoeren

• Uw nauwkeurig afgestemde model evalueren

Studiehulpmiddelen

We raden u aan om praktijkervaring op te doen voordat u het examen gaat afleggen. We bieden zelfstudieopties en leslokaaltrainingen, evenals koppelingen naar documentatie, communitysites en video's.

Studiehulpmiddelen	Koppelingen naar leren en documentatie
Training volgen	Kies uit leertrajecten en modules in eigen tempo of volg een door een docent geleide cursus
Documentatie zoeken	Azure Databricks Azure Machine Learning Azure Synapse Analytics MLflow en Azure Machine Learning
Een vraag stellen	Microsoft Q&A | Microsoft Docs
Ondersteuning voor de community krijgen	AI - Machine Learning - Microsoft Tech Community AI - Machine Learning-blog - Microsoft Tech Community
Microsoft Learn volgen	Microsoft Learn - Microsoft Tech Community
Een video zoeken	Microsoft Learn toont

Wijzigingslogboek

De onderstaande tabel bevat een overzicht van de wijzigingen tussen de huidige en vorige versie van de gemeten vaardigheden. De functionele groepen zijn vetgedrukt gevolgd door de doelstellingen binnen elke groep. De tabel is een vergelijking tussen de vorige en huidige versie van de examenvaardigheden die zijn gemeten en in de derde kolom wordt de omvang van de wijzigingen beschreven.

Vaardigheidsgebied vóór 16 januari 2025	Vaardigheidsgebied vanaf 16 januari 2025	Veranderen
Doelgroepprofiel		Minderjarige
Taalmodellen optimaliseren voor AI-toepassingen	Taalmodellen optimaliseren voor AI-toepassingen	Geen verandering in %
Optimaliseren via prompt engineering en Prompt flow	Optimaliseren via prompt engineering en prompt-workflow	Minderjarige