Guia de estudo para o Exame DP-100: Projetando e implementando uma solução de ciência de dados no Azure

Objetivo do presente documento

Este guia de estudo deve ajudá-lo a entender o que esperar do exame e inclui um resumo dos tópicos que o exame pode cobrir e links para recursos adicionais. As informações e materiais contidos neste documento devem ajudá-lo a concentrar seus estudos enquanto se prepara para o exame.

Ligações úteis	Descrição
Como obter a certificação	Algumas certificações exigem apenas a aprovação em um exame, enquanto outras exigem a aprovação em vários exames.
Renovação da certificação	As certificações de associado, especialista e especialidade da Microsoft expiram anualmente. Você pode renovar passando por uma avaliação gratuita online no Microsoft Learn.
seu perfil do Microsoft Learn	Conectar seu perfil de certificação ao Microsoft Learn permite agendar e renovar exames e compartilhar e imprimir certificados.
Pontuação do exame e relatórios de pontuação	É necessária uma pontuação igual ou superior a 700 para ser aprovado.
Sandbox de exame	Você pode explorar o ambiente do exame visitando o nosso ambiente de teste.
Solicite acomodações	Se você usa dispositivos de assistência, precisa de tempo extra ou precisa de modificação em qualquer parte da experiência do exame, você pode solicitar uma acomodação.
Faça uma avaliação de prática gratuita	Teste suas habilidades com perguntas práticas para ajudá-lo a se preparar para o exame.

Atualizações do exame

Atualizamos sempre a versão em inglês do exame primeiro. Alguns exames são traduzidos para outros idiomas e são atualizados aproximadamente oito semanas após a atualização da versão em inglês. Embora a Microsoft faça todos os esforços para atualizar versões localizadas conforme observado, pode haver momentos em que as versões localizadas de um exame não são atualizadas nesse cronograma. Outras línguas disponíveis estão listadas na seção Marcar Exame da página de Detalhes do Exame. Se o exame não estiver disponível na sua língua preferida, pode solicitar mais 30 minutos para o concluir.

Observação

Os marcadores que se seguem a cada uma das competências medidas destinam-se a ilustrar como estamos a avaliar essa competência. Tópicos relacionados podem ser abordados no exame.

Observação

A maioria das perguntas abrange recursos que estão disponíveis para o público em geral (GA). O exame pode conter perguntas sobre recursos de visualização se esses recursos forem comumente usados.

Competências medidas a partir de 11 de abril de 2025

Perfil do público

Como candidato a este exame, você deve ter experiência no assunto na aplicação de ciência de dados e aprendizado de máquina para implementar e executar cargas de trabalho de aprendizado de máquina no Azure. Além disso, você deve ter conhecimento da otimização de modelos de linguagem para aplicativos de IA usando a IA do Azure.

As suas responsabilidades para esta função incluem:

• Projetar e criar um ambiente de trabalho adequado para cargas de trabalho de ciência de dados.

• Exploração de dados.

• Treinamento de modelos de aprendizado de máquina.

• Implementação de gasodutos.

• Execução de trabalhos para preparação para a produção.

• Gerenciamento, implantação e monitoramento de soluções escaláveis de aprendizado de máquina.

• Usando modelos de linguagem para construir aplicações de IA.

Como candidato a este exame, você deve ter conhecimento e experiência em ciência de dados usando:

• Azure Machine Learning

• MLflow

• Serviços de IA do Azure, incluindo o Azure AI Search

• Azure AI Foundry

Competências num relance

• Projetar e preparar uma solução de aprendizado de máquina (20–25%)

• Explore dados e realize experimentos (20–25%)

• Treinar e implantar modelos (25–30%)

• Otimizar modelos de linguagem para aplicações de IA (25–30%)

Projetar e preparar uma solução de aprendizado de máquina (20–25%)

Projetar uma solução de aprendizado de máquina

• Identificar a estrutura e o formato dos conjuntos de dados

• Determinar as especificações de computação para a carga de trabalho de aprendizado de máquina

• Selecione a abordagem de desenvolvimento para treinar um modelo

Criar e gerenciar recursos em um espaço de trabalho do Azure Machine Learning

• Criar e gerenciar um espaço de trabalho

• Criar e gerenciar armazenamentos de dados

• Criar e gerenciar destinos de computação

• Configurar a integração do Git para controle do código-fonte

Criar e gerenciar ativos em um espaço de trabalho do Azure Machine Learning

• Criar e gerenciar ativos de dados

• Criar e gerenciar ambientes

• Compartilhar ativos entre espaços de trabalho usando registros

Explore dados e realize experimentos (20–25%)

Use o aprendizado de máquina automatizado para explorar modelos ideais

• Usar aprendizado de máquina automatizado para dados tabulares

• Use o aprendizado de máquina automatizado para visão computacional

• Use o aprendizado de máquina automatizado para processamento de linguagem natural

• Selecione e compreenda as opções de treinamento, incluindo pré-processamento e algoritmos

• Avalie uma execução automatizada de aprendizado de máquina, incluindo diretrizes de IA responsável

Usar blocos de anotações para treinamento de modelo personalizado

• Usar o terminal para configurar uma instância de computação

• Aceder e manipular dados em notebooks

• Gerencie dados interativamente com pools de Synapse Spark anexados e funcionalidade Spark sem servidor

• Recuperar características de um repositório de características para treinar um modelo

• Acompanhe o treinamento do modelo usando o MLflow

• Avaliar um modelo, incluindo diretrizes de IA responsável

Automatize o ajuste de hiperparâmetros

• Selecione um método de amostragem

• Definir o espaço de pesquisa

• Definir a métrica primária

• Definir opções de rescisão antecipada

Treinar e implantar modelos (25–30%)

Executar scripts de treinamento de modelo

• Consumir dados numa tarefa

• Configurar a computação para uma execução de trabalho

• Configurar um ambiente para uma execução de trabalho

• Acompanhe o treinamento do modelo com o MLflow em uma execução de tarefa

• Definir parâmetros para um trabalho

• Executar um script como uma tarefa

• Usar logs para solucionar erros de execução de trabalho

Implementar linhas de preparação de formação

• Criar componentes personalizados

• Criar um pipeline

• Passar dados entre etapas num pipeline

• Executar e agendar um pipeline

• Monitorizar e resolver execuções de pipeline

Gerenciar modelos

• Definir a assinatura no arquivo MLmodel

• Empacotar uma especificação de recuperação de funcionalidade com o modelo de artefato

• Registrar um modelo MLflow

• Avaliar um modelo usando princípios de IA responsável

Implantar um modelo

• Definir configurações para implantação online

• Implantar um modelo num endpoint online

• Testar um serviço implantado online

• Configurar a computação para uma implantação em lote

• Implantar modelo num ponto de extremidade de processamento conjunto

• Invoque o ponto de extremidade em lote para iniciar um trabalho de pontuação em lote

Otimizar modelos de linguagem para aplicações de IA (25–30%)

Prepare-se para a otimização do modelo

• Selecionar e implantar um modelo de idioma a partir do catálogo de modelos

• Comparar modelos linguísticos utilizando parâmetros de referência

• Testar um modelo de linguagem implantado no playground

• Selecione uma abordagem de otimização

Otimize através da engenharia de prompts e do fluxo de prompts

• Prompts de teste com avaliação manual

• Definir e monitorizar variantes de prompt

• Criar modelos de prompt

• Definir lógica de encadeamento com o SDK de fluxo de prompt

• Use o rastreamento para avaliar seu fluxo

Otimize através da Geração Aumentada de Recuperação (RAG)

• Preparar dados para RAG, incluindo limpeza, fragmentação e incorporação

• Configurar um repositório vetorial

• Configurar um repositório de índice baseado na Pesquisa do Azure AI

• Avalie sua solução RAG

Otimize através de ajustes finos

• Preparar dados para ajuste fino

• Selecione um modelo base apropriado

• Executar um trabalho de ajuste fino

• Avalie seu modelo aperfeiçoado

Recursos do estudo

Recomendamos que você treine e obtenha experiência prática antes de fazer o exame. Oferecemos opções de autoestudo e treinamento em sala de aula, bem como links para documentação, sites da comunidade e vídeos.

Recursos do estudo	Links para aprendizagem e documentação
Receba formação	Escolha entre percursos e módulos de aprendizagem individualizados ou faça um curso ministrado por instrutor
Encontrar documentação	Azure Databricks Azure Machine Learning Azure Synapse Analytics MLflow e Azure Machine Learning
Fazer uma pergunta	Microsoft Q&A | Microsoft Docs
Obtenha suporte da comunidade	AI - Machine Learning - Microsoft Tech Community AI - Blog de aprendizado de máquina - Microsoft Tech Community
Siga Microsoft Learn	Microsoft Learn - Microsoft Tech Community
Encontrar um vídeo	Programas Microsoft Learn

Registo de alterações

A tabela abaixo resume as mudanças entre a versão atual e a versão anterior das habilidades medidas. Os grupos funcionais estão em negrito seguido dos objetivos dentro de cada grupo. A tabela é uma comparação entre a versão anterior e a atual das habilidades de exame medidas e a terceira coluna descreve a extensão das mudanças.

Área de competência anterior a 16 de janeiro de 2025	Área de competências a partir de 16 de janeiro de 2025	Alteração
Perfil do público		Menor
Otimizar modelos de linguagem para aplicações de IA	Otimizar modelos de linguagem para aplicações de IA	Sem alteração %
Otimize através de engenharia de prompts e fluxo de prompts	Otimize através de engenharia de prompt e fluxo de prompt	Menor