DP-100 Sınavı için çalışma kılavuzu: Azure'da Veri Bilimi Çözümü Tasarlama ve Uygulama

Bu belgenin amacı

Bu çalışma kılavuzu, sınavda ne bekleyebileceğinizi anlamanıza yardımcı olmalı ve sınavın kapsayabileceği konuların özetini ve ek kaynaklara bağlantılar içermelidir. Bu belgedeki bilgiler ve malzemeler, sınava hazırlanırken çalışmalarınızı odaklamanıza yardımcı olmalıdır.

Yararlı bağlantılar	Açıklama
Sertifikayı nasıl kazanırsınız	Bazı sertifikalar yalnızca bir sınavı geçmeyi gerektirirken, diğerleri birden çok sınavı geçmeyi gerektirir.
Sertifikasyon yenileme	Microsoft iş ortağı, uzman ve uzmanlık sertifikalarının süresi yıllık olarak dolar. You can renew by passing a free online assessment on Microsoft Learn.
Microsoft Learn profiliniz	Sertifika profilinizi Microsoft Learn'e bağlamak, sınavları zamanlamanıza ve yenilemenize, sertifikaları paylaşmanıza ve yazdırmanıza olanak tanır.
Sınav puanlama ve puanlama raporları	Geçmek için 700 veya daha büyük bir puan gerekir.
Exam sandbox	Sınav sandbox'umuzu ziyaret ederek sınav ortamını keşfedebilirsiniz.
konaklama isteği	Yardımcı cihazlar kullanıyorsanız, ek süre gerekiyorsa veya sınav deneyiminin herhangi bir bölümünde değişiklik yapmanız gerekiyorsa, konaklama talebinde bulunabilirsiniz.
Ücretsiz Olarak Bir Deneme Değerlendirmesi Alın	Sınava hazırlanmanıza yardımcı olmak için alıştırma soruları ile becerilerinizi test edin.

Sınav güncelleştirmeleri

Öncelikle sınavın İngilizce sürümünü her zaman güncelleştiriyoruz. Bazı sınavlar diğer dillerde yerelleştirilir ve İngilizce sürümü güncelleştirildikten yaklaşık sekiz hafta sonra güncelleştirilir. Microsoft, belirtildiği gibi yerelleştirilmiş sürümleri güncelleştirmek için her zaman çaba gösterse de, bir sınavın yerelleştirilmiş sürümlerinin bu zamanlamada güncelleştirilmediği zamanlar olabilir. Diğer kullanılabilir diller, Sınav Ayrıntıları web sayfasının Zamanlama Sınavı bölümünde listelenir. Sınav tercih ettiğiniz dilde yoksa, sınavı tamamlamak için 30 dakika daha talep edebilirsiniz.

Note

The bullets that follow each of the skills measured are intended to illustrate how we are assessing that skill. sınavda ilgili konular ele alınabilir.

Note

Soruların çoğu genel kullanılabilirlik (GA) özelliklerini kapsar. Bu özellikler yaygın olarak kullanılıyorsa sınavda Önizleme özellikleriyle ilgili sorular bulunabilir.

Skills measured as of April 11, 2025

hedef kitle profili

Bu sınava aday olarak, Azure'da makine öğrenmesi iş yüklerini uygulamak ve çalıştırmak için veri bilimi ve makine öğrenmesi uygulama konusunda konu uzmanlığına sahip olmanız gerekir. Ayrıca, Azure AI kullanarak yapay zeka uygulamaları için dil modellerini iyileştirme hakkında bilgi sahibi olmanız gerekir.

Bu rolle ilgili sorumluluklarınız şunlardır:

• Veri bilimi iş yükleri için uygun bir çalışma ortamı tasarlama ve oluşturma.

• Verileri keşfetme.

• Makine öğrenmesi modellerini eğitin.

• Implementing pipelines.

• Üretime hazırlanmak için işlemleri yürütme.

• Ölçeklenebilir makine öğrenmesi çözümlerini yönetme, dağıtma ve izleme.

• Yapay zeka uygulamaları oluşturmak için dil modellerini kullanma.

Bu sınava aday olarak, aşağıdakileri kullanarak veri biliminde bilgi ve deneyim sahibi olmanız gerekir:

• Azure Machine Learning

• MLflow

• Azure AI services, including Azure AI Search

• Azure AI Foundry

Bir bakışta beceriler

• Makine öğrenmesi çözümü tasarlama ve hazırlama (20-25%)

• Verileri keşfetme ve deneme çalıştırma (20-25%)

• Modelleri eğitin ve dağıtın (25-30%)

• Yapay zeka uygulamaları için dil modellerini iyileştirme (25-30%)

Makine öğrenmesi çözümü tasarlama ve hazırlama (20-25%)

Makine öğrenmesi çözümü tasarlama

• Veri kümelerinin yapısını ve biçimini belirleme

• Makine öğrenmesi iş yükü için işlem belirtimlerini belirleme

• Modeli eğitmek için geliştirme yaklaşımını seçin

Azure Machine Learning çalışma alanında kaynak oluşturma ve yönetme

• Çalışma alanı oluşturma ve yönetme

• Veri depoları oluşturma ve yönetme

• İşlem hedefleri oluşturma ve yönetme

• Kaynak denetimi için Git tümleştirmesini ayarlama

Azure Machine Learning çalışma alanında varlık oluşturma ve yönetme

• Veri varlıklarını oluşturma ve yönetme

• Ortam oluşturma ve yönetme

• Kayıt defterlerini kullanarak çalışma alanları arasında varlıkları paylaşma

Verileri keşfetme ve deneme çalıştırma (20-25%)

En uygun modelleri keşfetmek için otomatik makine öğrenmesini kullanma

• Tablo verileri için otomatik makine öğrenmesini kullanma

• Görüntü işleme için otomatik makine öğrenmesini kullanma

• Doğal dil işleme için otomatik makine öğrenmesini kullanma

• Ön işleme ve algoritmalar dahil olmak üzere eğitim seçeneklerini belirleme ve anlama

• Evaluate an automated machine learning run, including responsible AI guidelines

Özel model eğitimi için not defterlerini kullanma

• İşlem örneğini yapılandırmak için terminali kullanma

• Not defterlerindeki verilere erişme ve verileri düzenleme

• Ekli Synapse Spark havuzları ve sunucusuz Spark işlem ile verileri etkileşimli olarak düzenleme

• Bir modeli eğitmek için özellik deposundan özellik alma

• MLflow kullanarak model eğitimini izleme

• Bir modeli, sorumlu yapay zeka yönergeleriyle birlikte değerlendirin.

Hiper parametre ayarlamayı otomatikleştirme

• Örnekleme yöntemi seçme

• Arama alanını tanımlama

• Birincil ölçümü tanımlama

• Erken sonlandırma seçeneklerini tanımlama

Modelleri eğitin ve dağıtın (25-30%)

Model eğitim betiklerini çalıştırın

• Consume data in a job

• Configure compute for a job run

• Configure an environment for a job run

• Track model training with MLflow in a job run

• İş için parametreleri tanımlama

• Run a script as a job

• İş çalıştırma hatalarını gidermek için günlükleri kullanma

Eğitim işlem hatlarını uygulama

• Özel bileşenler oluşturma

• Create a pipeline

• İşlem hattındaki adımlar arasında veri geçirme

• Run and schedule a pipeline

• Monitor and troubleshoot pipeline runs

Modelleri yönetme

• MLmodel dosyasında imzayı tanımlama

• Package a feature retrieval specification with the model artifact

• MLflow modelini kaydetme

• Sorumlu yapay zeka ilkelerini kullanarak modeli değerlendirme

Deploy a model

• Çevrimiçi dağıtım için ayarları yapılandırma

• Modeli çevrimiçi uç noktaya dağıtma

• Çevrimiçi dağıtılan bir hizmeti test edin

• Configure compute for a batch deployment

• Deploy a model to a batch endpoint

• Invoke the batch endpoint to start a batch scoring job

Yapay zeka uygulamaları için dil modellerini iyileştirme (25-30%)

Model optimizasyonuna hazırlanma

• Model kataloğundan bir dil modeli seçme ve dağıtma

• Karşılaştırmaları kullanarak dil modellerini karşılaştırma

• Oyun alanında konuşlandırılan dil modelini test etme

• İyileştirme yaklaşımı seçme

Optimize through prompt engineering and prompt flow

• Test prompts with manual evaluation

• Define and track prompt variants

• Create prompt templates

• Define chaining logic with the prompt flow SDK

• Akışınızı değerlendirmek için izlemeyi kullanma

Optimize through Retrieval Augmented Generation (RAG)

• Prepare data for RAG, including cleaning, chunking, and embedding

• Vektör deposu yapılandırma

• Azure AI Arama tabanlı dizin deposu yapılandırma

• RAG çözümünüzü değerlendirme

İnce ayar yaparak optimize etme

• Hassas ayarlama için verileri hazırlama

• Uygun bir temel model seçin

• İnce ayar işini başlat

• İnce ayarlı modelinizi değerlendirin

Çalışma kaynakları

Sınava girmeden önce eğitim almanızı ve uygulamalı deneyim edinmenizi öneririz. Kendi kendine çalışma seçenekleri ve sınıf eğitiminin yanı sıra belgelere, topluluk sitelerine ve videolara bağlantılar sunuyoruz.

Çalışma kaynakları	Öğrenme ve belgelere bağlantılar
Eğitim alın	Kendi hızındaki öğrenme yolları ve modüller arasından seçim yapın veya eğitmen liderliğinde bir kursa katılın
Belgeleri bulma	Azure Databricks Azure Machine Learning Azure Synapse Analytics MLflow ve Azure Machine Learning
Soru sorun	Microsoft Q&A | Microsoft Docs
Topluluk desteği alma	AI - Machine Learning - Microsoft Teknoloji Topluluğu AI - Makine Öğrenmesi Blogu - Microsoft Teknoloji Topluluğu
Microsoft Learn'i takip edin	Microsoft Learn - Microsoft Tech Community
Video bulma	Microsoft Learn Shows

Değişiklik günlüğü

Aşağıdaki tabloda, ölçülen becerilerin geçerli ve önceki sürümü arasındaki değişiklikler özetlenmiştir. İşlev grupları kalın yazı biçimindedir ve ardından her grup içindeki hedefler gelir. Tablo, ölçülen sınav becerilerinin önceki ve geçerli sürümü arasındaki karşılaştırmadır ve üçüncü sütunda değişikliklerin kapsamı açıklanır.

16 Ocak 2025'e kadar beceri alanı	16 Ocak 2025 itibariyle beceri alanı	Change
hedef kitle profili		Önemsiz
Yapay zeka uygulamaları için dil modellerini iyileştirme	Yapay zeka uygulamaları için dil modellerini iyileştirme	No % change
Optimize through prompt engineering and Prompt flow	Optimize through prompt engineering and prompt flow	Önemsiz