本文档的目的
本学习指南应帮助你了解考试的预期内容，并包含考试可能涵盖的主题摘要以及指向其他资源的链接。 本文档中的信息和材料可以帮助你在准备考试时集中精力学习。
| 有用链接 | 说明 |
|---|---|
| 如何获得认证 | 有些认证只需要通过一项考试，而另一些认证则需要通过多项考试。 |
| 认证续订 | Microsoft 助理、专业和专家认证每年都会过期。 你可以通过 Microsoft Learn 上的免费在线评估进行续订。 |
| Microsoft Learn 个人资料 | 通过将认证个人资料连接到 Microsoft Learn，可以安排和续订考试以及共享和打印证书。 |
| 考分和成绩报告 | 需要 700 分或更高的分数才能通过。 |
| 考试沙盒 | 可以通过访问我们的考试沙盒来探索考试环境。 |
| 请求便利设施 | 如果你使用辅助设备、需要额外时间或需要修改考试体验的任何部分，你可以申请住宿。 |
| 进行免费的练习评估 | 通过练习题测试技能，帮助你为考试做准备。 |
考试更新
我们始终首先更新考试的英语版本。 一些考试已本地化为其他语言，在英语版本更新后大约八周进行更新。 虽然 Microsoft 会尽一切努力更新本地化版本，但有时考试的本地化版本可能未按此计划进行更新。 其他可用语言列在“考试详细信息”网页的“安排考试”部分。 如果考试不以你的首选语言提供，你可以请求额外 30 分钟时间来完成考试。
注意
每项技能下面的项目符号旨在说明我们如何评估该技能。 考试中可能会涉及到相关的主题。
注意
大多数问题都涉及正式发布 (GA) 的功能。 如果经常使用预览功能，该考试可能会包含有关这些功能的问题。
截至 2025 年 4 月 11 日
受众概况
作为此考试的考生，你应具备应用数据科学和机器学习在 Azure 上实现和运行机器学习工作负载的学科专业知识。 此外，还应了解使用 Azure AI 优化 AI 应用程序的语言模型。
此角色的责任包括：
为数据科学工作负荷设计并创建合适的工作环境。
浏览数据。
训练机器学习模型。
实现管道。
运行作业以准备生产。
管理、部署和监视可缩放的机器学习解决方案。
使用语言模型构建 AI 应用程序。
作为此考试的考生，你应该通过以下方式获得数据科学方面的知识和经验：
Azure 机器学习
MLflow
Azure AI 服务，包括 Azure AI 搜索
Azure AI Foundry
技能概览
设计和准备机器学习解决方案 (20–25%)
浏览数据和运行试验 (20–25%)
训练和部署模型 (25–30%)
优化 AI 应用程序的语言模型 (25–30%)
设计和准备机器学习解决方案 (20–25%)
设计机器学习解决方案
识别数据集的结构和格式
确定机器学习工作负载的计算规范
选择训练模型的开发方法
创建和管理 Azure 机器学习工作区的资源
创建和管理工作区
创建和管理数据存储
创建和管理计算目标
为源代码管理设置 Git 集成
创建和管理 Azure 机器学习服务工作区的资产
创建和管理数据资产
创建和管理环境
使用注册表跨工作区共享资产
浏览数据和运行试验 (20–25%)
使用自动化机器学习探索最佳模型
将自动化机器学习用于表格数据
将自动化机器学习用于计算机视觉
将自动化机器学习用于自然语言处理
选择并了解训练选项，包括预处理和算法
评估自动化机器学习运行，包括负责任 AI 准则
使用笔记本进行自定义模型训练
使用终端配置计算实例
在笔记本中访问和整理数据
使用附加的 Synapse Spark 池和无服务器 Spark 计算以交互方式整理数据
在特征存储中检索特征以训练模型
使用 MLflow 跟踪模型训练
评估模型，包括负责任 AI 准则
自动超参数优化
选择采样方法
定义搜索空间
定义主要指标
定义提前终止选项
训练和部署模型 (25–30%)
运行模型训练脚本
在作业中使用数据
为作业运行配置计算
为作业运行配置环境
在作业运行中使用 MLflow 跟踪模型训练
定义作业的参数
将脚本作为作业运行
使用日志排查作业运行错误
实现训练管道
创建自定义组件
创建管道
在管道中的步骤之间传递数据
运行和计划管道
监视管道运行并对其进行故障排除
管理模型
在 MLmodel 文件中定义签名
将特征检索规范与模型项目打包
注册 MLflow 模型
使用负责任 AI 原则评估模型
部署模型
为联机部署配置设置
将模型部署到联机终结点
测试联机部署的服务
为批处理部署配置计算
将模型部署到批处理终结点
调用批处理终结点以启动批量评分作业
优化 AI 应用程序的语言模型 (25–30%)
准备模型优化
从模型目录中选择和部署语言模型
使用基准比较语言模型
在操场中测试已部署的语言模型
选择优化方法
通过提示工程和提示流进行优化
使用手动评估测试提示
定义和跟踪提示变体
创建提示模板
使用提示流 SDK 定义链接逻辑
使用跟踪评估流
通过检索增强生成 (RAG) 进行优化
为 RAG 准备数据，包括清理、分块和嵌入
配置矢量存储
配置基于 Azure AI 搜索的索引存储
评估 RAG 解决方案
通过微调进行优化
准备数据进行微调
选择适当的基础模型
运行微调作业
评估经过微调的模型
学习资源
我们建议你在参加考试之前进行培训并获得实践经验。 我们提供自学选项和课堂培训，以及指向文档、社区网站和视频的链接。
| 学习资源 | 学习和文档链接 |
|---|---|
| 参加培训 | 从自定进度学习路径和模块中进行选择，或参加讲师引导式课程 |
| 查找文档 |
Azure Databricks Azure 机器学习 Azure Synapse Analytics MLflow 和 Azure 机器学习 |
| 提问 | Microsoft 问答 | Microsoft Docs |
| 获取社区支持 |
AI - 机器学习 - Microsoft Tech Community AI - 机器学习博客 - Microsoft Tech Community |
| 关注 Microsoft Learn | Microsoft Learn - Microsoft Tech Community |
| 查找视频 | Microsoft Learn 节目 |
更改日志
下表总结了当前版本和上一版本的测评技能更改。 功能组采用粗体字样，后跟每个组中的目标。 下表比较了上一版本和当前版本的考试测评技能，第三列描述了更改程度。
| 2025 年 4 月 11 日之前的技能区域 | 截至 2025 年 4 月 11 日，技能领域 | 更改 |
|---|---|---|
| 受众概况 | 次要 | |
| 优化 AI 应用程序的语言模型 | 优化 AI 应用程序的语言模型 | 无更改 |
| 通过提示工程和提示流进行优化 | 通过提示工程和提示流进行优化 | 次要 |