DP-100 Designing and Implementing a Data Science Solution on Azure plus MS Teams

Dieser Kurs kombiniert zwei inhaltlich klar getrennte Blöcke: die Vorbereitung auf die Microsoft-Zertifizierungsprüfung DP-100 (Azure Data Scientist Associate) und einen praxisorientierten Einstieg in Microsoft Teams. Anders als das Geschwister-Angebot „DP-100 incl. Herstellerexamen" enthält dieser Kurs die Zertifizierungsprüfung nicht direkt; er bereitet auf sie vor und stattet die Teilnehmerinnen und Teilnehmer zusätzlich mit Teams-Kompetenzen aus, die in modernen Arbeitsumgebungen häufig vorausgesetzt werden. Wer beides braucht — Azure-ML-Know-how und digital-kollaborative Arbeitsfähigkeit — findet sie hier in einem Lehrgang gebündelt.

Azure ML – Grundlagen und Infrastruktur Der erste Block legt das Fundament für alle weiteren Azure-ML-Themen. Teilnehmerinnen und Teilnehmer verstehen, wie die Azure-ML-Architektur aufgebaut ist, welche Compute-Ressourcen für welche Szenarien geeignet sind und wie ein Workspace für kollaboratives Data-Science-Arbeiten aufgesetzt wird.

• Azure ML Workspace und seine Bestandteile (Experimente, Datasets, Modellregistry, Endpoints)
• Compute Instances für interaktive Arbeit vs. Compute Clusters für Training im Batch
• Verbindung zur Dateninfrastruktur: Azure Blob Storage, Data Lake und SQL-Quellen als Datastores
• Sicherheits- und Netzwerkkonfiguration im Azure ML Workspace
• Kostenkontrolle: Compute-Ressourcen automatisch herunterfahren und Budgetalarme einrichten

Azure ML – Training, AutoML und HyperDrive Der zweite Block fokussiert die Kernkompetenz des DP-100: Modellentwicklung und -optimierung auf Azure ML. Im Unterschied zu lokalen ML-Workflows bringt Azure ML Skalierbarkeit, Reproduzierbarkeit und Teamfähigkeit in den Trainingsprozess.

• Environments: reproduzierbare Python-Umgebungen per Docker und Conda in AML definieren
• Experiment-Tracking: Metriken, Parameter und Artefakte strukturiert protokollieren
• Pipelines: modulare ML-Workflows als wiederverwendbare Schritte aufbauen
• AutoML-Konfiguration: Aufgabentyp, Primärmetrik, Abbruchbedingungen und Featurisierung
• HyperDrive: Grid-, Random- und Bayesian-Sampling im Vergleich, Early Termination Policies

Deployment und Monitoring auf Azure Der dritte Block behandelt den Übergang vom Modell in die Produktion. Echtzeit- und Batch-Deployments unterscheiden sich erheblich in Architektur und Einsatzszenario; dieser Block schärft das Verständnis für diese Unterschiede und vermittelt praktische Deployment-Fähigkeiten.

• Echtzeit-Endpoints: Unterschiede zwischen ACI (Development) und AKS (Produktion)
• Scoring-Scripts erstellen und im Deployment-Container testen
• Batch-Inference-Pipelines: parallele Verarbeitung, Outputformat und Fehlerbehandlung
• Endpoint-Monitoring mit Application Insights: Request-Logs, Antwortzeiten und Fehlerquoten
• Responsible AI in der Praxis: Explainability-Reports und Bias-Erkennung mit AML-Tools

Microsoft Teams für datengetriebene Teams Das vierte Modul widmet sich vollständig Microsoft Teams. Gerade in Data-Science-Projekten, die aus dezentralen Spezialistinnen und Spezialisten bestehen, ist eine durchdachte digitale Kollaborationsstruktur entscheidend.

• Teams-Architektur: Organisationen, Teams, Kanäle und Tabs für Datenprojekte strukturieren
• Dateiverwaltung in Teams: SharePoint-Integration, Versionierung und Zugriffsrechte
• Besprechungskultur: Agenden, Aufzeichnungen, Breakout-Rooms und Folgedokumentationen
• Integration mit Azure DevOps, GitHub und Power BI über Teams-Tabs und Connectoren
• Umgang mit sensiblen Daten in Teams-Kanälen (DSGVO, Zugriffsberechtigungen)
• Mobile Teams-Nutzung und Erreichbarkeit ohne permanente Meetingketten

Der Kurs richtet sich an Data Scientists und ML-Engineers, die sowohl Azure-Plattformkenntnisse strukturiert aufbauen als auch ihre Teamarbeitsfähigkeiten im Microsoft-365-Ökosystem verbessern wollen.

• Data Scientists mit Python- und ML-Erfahrung, die auf Azure wechseln oder migrieren
• Entwicklerinnen und Entwickler, die Verantwortung für ML-Deployments übernehmen sollen
• Projektleiterinnen und Projektleiter in Analytics-Teams, die Azure ML strategisch einführen wollen
• IT-Professionals, die ihre Azure-Kompetenz um die Data-Science-Dimension erweitern möchten
• Vollzeit-Lernende, die in kurzer Zeit ein breites Azure-AI-Skillset aufbauen wollen

Das Vollzeitkursformat verbindet betreute Online-Livephasen mit praktischen Übungen in eigenen Azure-Umgebungen. Der Azure-ML-Teil ist durchgehend laborbasiert; theoretische Konzepte werden unmittelbar durch praktische Aufgaben vertieft. Das Teams-Modul wird so weit möglich innerhalb der laufenden Kursinfrastruktur erprobt, sodass die Teilnehmerinnen und Teilnehmer Teams nicht nur isoliert kennenlernen, sondern es im Kursalltag direkt nutzen. Beide Kursbestandteile sind inhaltlich aufeinander abgestimmt: Azure-ML-Projektarbeit liefert konkrete Anlässe für die Teams-Nutzung, und das Teams-Modul zeigt, wie verteilte Data-Science-Projekte in der Praxis organisiert werden.

Der Kurs wird im Vollzeitformat durchgeführt. Die Kombination aus DP-100-Vorbereitung und Teams-Modul ist breiter angelegt als ein reiner Intensivkurs; Interessierte sollten beim Anbieter die aktuelle Gesamtdauer erfragen.

Nach Kursabschluss wird ein trägerinternes Lehrgangszeugnis ausgestellt. Das Zeugnis dokumentiert sowohl die Azure-ML-Inhalte als auch das Teams-Modul. Das Herstellerexamen für die DP-100-Zertifizierung ist in diesem Kursformat nicht enthalten; die Prüfung muss separat gebucht und abgelegt werden.

In der Praxis arbeiten Data Scientists selten allein. Die Kombination aus Azure-ML-Kernkompetenz und strukturierter Teams-Nutzung spiegelt wider, wie ML-Projekte in mittelgroßen Unternehmen tatsächlich organisiert sind: Modelle entstehen im Zusammenspiel von Data Engineers, Scientists und Business-Stakeholdern, die alle auf einer gemeinsamen digitalen Plattform kommunizieren. Dieser Kurs bereitet auf genau dieses Umfeld vor. Wer das Herstellerexamen separat ablegen möchte, ist nach diesem Kurs inhaltlich gut aufgestellt. Die eigenständige Prüfungsplanung gibt mehr Flexibilität beim Terminieren und erlaubt es, die Vorbereitung noch einmal zu vertiefen, bevor man das Examen ablegt. Das Teams-Modul ist kein Füllsel, sondern ein realer Karrierebeitrag: Microsoft Teams ist in Unternehmen aller Branchen tief integriert, und wer seine Teamarbeitsstrukturen dort professionell aufzusetzen versteht, gewinnt an Sichtbarkeit und Führungsrelevanz innerhalb von Datenprojekten. Für Teilnehmerinnen und Teilnehmer, die nach dem Kurs unmittelbar ins Berufsleben einsteigen oder wechseln, ist die Kombination aus Azure-ML und Teams-Kompetenz besonders wertvoll: Sie können von Tag eins an in modernen, hybriden Arbeitsstrukturen mitarbeiten und zeigen, dass sie die Plattform kennen, über die Projekte in den meisten Unternehmen heute koordiniert werden. Wer zuvor in einer reinen On-Premise-Umgebung gearbeitet hat, schließt damit eine Lücke, die in Bewerbungsgesprächen oft thematisiert wird. Die Kombination signalisiert außerdem eine Bereitschaft zur digitalen Zusammenarbeit, die über technisches Fachwissen hinausgeht und gerade in cross-funktionalen Teams hoch bewertet wird.