Microsoft Certified Azure Data Science Associate & SCRUM

Dieser Lehrgang vereint zwei inhaltlich ergänzende Qualifizierungsstränge: die Vorbereitung auf die Microsoft-Prüfung DP-100, mit der der Titel „Microsoft Certified: Azure Data Scientist Associate" erworben wird, sowie eine praxisnahe Einführung in agile Projektmethodik mit dem Schwerpunkt auf dem Scrum-Framework. Beide Teile greifen in der täglichen Arbeit eng ineinander, weil Data-Science-Vorhaben auf Azure selten als Wasserfall-Projekte laufen, sondern typischerweise in kurzen Iterationszyklen — genau dem Terrain, das Scrum strukturiert. Der DP-100-Teil konzentriert sich bewusst auf den Azure-Kontext; statistische Grundkenntnisse und Data-Science-Methodik werden vorausgesetzt.

Modul 1 — Azure Machine Learning Service: Plattform und Grundlagen Azure ML ist der zentrale Dienst für die Entwicklung und den Betrieb von ML-Lösungen in der Cloud. Dieser Block führt in die Architektur des Azure ML Workspace ein und zeigt, wie Ressourcen, Experimente und Datenflüsse organisiert werden. Das Verständnis dieser Struktur ist die Grundlage für alle weiteren Trainings- und Deployment-Schritte.

• Azure ML Workspace: Komponenten, Berechtigungsstruktur und Konfiguration
• Azure ML Studio als grafische Oberfläche und als Python-SDK-Ziel
• Datenquellen anbinden: Azure Blob Storage, Azure Data Lake, externe Quellen
• Compute Instances für interaktive Entwicklung, Compute Clusters für skaliertes Training
• Experiment-Tracking: Metriken, Parameter und Artefakte mit MLflow protokollieren
• Umgebungen (Environments) und Abhängigkeitsmanagement in Azure ML

Modul 2 — Trainingspipelines und Modellmanagement Nachdem die Infrastruktur steht, richtet sich der Fokus auf das Training, die Bewertung und das Registrieren von ML-Modellen. Azure ML bietet eine vollständige Pipeline-Infrastruktur, die reproduzierbare und automatisierbare Workflows ermöglicht. Von AutoML bis hin zu benutzerdefinierter Trainingscode-Integration deckt dieser Block das gesamte Spektrum des Azure-ML-Modelllebenszyklus ab.

• Designer und Pipeline-SDK zum Aufbau modularer ML-Workflows
• AutoML in Azure ML für automatisierte Modellauswahl und Hyperparameter-Tuning
• Benutzerdefinierte Trainingsskripte mit ScriptRunConfig und Pipelines
• Modellregistrierung, Versionierung und Annotationen im Azure ML Model Registry
• Evaluationsmetriken: Regression, Klassifikation und Clustering in Azure ML vergleichen
• Responsible AI Dashboard: Modell-Erklärbarkeit, Fairness-Analyse und Fehlerdiagnose

Modul 3 — Modell-Deployment und Monitoring Ein trainiertes Modell hat erst dann Wert, wenn es in einer Anwendung produktiv einsetzbar ist. Dieser Block behandelt die verschiedenen Deployment-Szenarien in Azure und das anschließende Monitoring im Betrieb. Besonderes Gewicht liegt auf der Frage, wie Datendrift erkannt und wie die Modellleistung dauerhaft sichergestellt wird.

• Real-Time Inference mit Managed Online Endpoints in Azure ML
• Batch Inference für asynchrone, großvolumige Vorhersagen
• Containerisierung mit Docker und Kubernetes-basierte Deployments (AKS)
• Modell-Monitoring: Datendrift erkennen, Modellleistung im Betrieb beobachten
• Azure Monitor und Application Insights für ML-Endpunkte
• Sicherheits- und Compliance-Aspekte beim Betrieb von ML-Diensten auf Azure

Modul 4 — Scrum Foundation: Agile Methodik für Data-Science-Teams Dieser Teil vermittelt das Methodenwissen, um Data-Science-Projekte agil zu steuern. Der Fokus liegt auf den Kernprinzipien und Werkzeugen des Scrum-Frameworks, die auch auf KI- und Data-Science-Vorhaben direkt übertragbar sind. Das Modul schließt mit der Erarbeitung skalierter Scrum-Konzepte für größere Teams ab.

• Agiles Manifest und die agile Denkweise als Haltung, nicht nur als Prozess
• Scrum-Rollen: Product Owner (Backlog-Pflege, Priorisierung), Scrum Master (Prozessbegleitung), Entwicklungsteam (Selbstorganisation)
• Artefakte: Product Backlog (Anforderungen), Sprint Backlog (Iterationsplan), Increment (potenziell auslieferbares Ergebnis)
• Scrum-Rituale: Sprint Planning, Daily Scrum, Sprint Review, Sprint Retrospektive
• Planung und Schätzung: Story Points, Velocity, Planning Poker
• Monitoring: Burn-down-Charts, Kanban-Boards und Information Radiators im Scrum-Kontext
• Skalierung: Anwendung von Scrum in großen Projekten und verteilten Teams

Praxisblock — Integrierte Übungen Der Praxisanteil verbindet Azure-ML-Laborübungen mit agilen Planungssimulationen, damit beide Qualifizierungsstränge nicht isoliert voneinander wirken, sondern als zusammengehörendes Kompetenzpaket erlebt werden.

• Einrichtung eines vollständigen Azure ML Workspace mit Compute, Daten und Environment
• Training eines Klassifikationsmodells mit dem Azure ML Python SDK
• Aufbau einer einfachen Trainingspipeline mit mehreren Schritten
• AutoML-Experiment für einen Regressionsdatensatz durchführen und auswerten
• Modell deployen und REST-Endpunkt mit Python testen
• Responsible AI Dashboard für ein trainiertes Modell erstellen und interpretieren
• Sprint-Planungs-Simulation: Product Backlog priorisieren und Sprint planen
• Burn-down-Chart für einen fiktiven ML-Entwicklungs-Sprint anlegen und pflegen
• Retrospektive-Übung: Verbesserungsmaßnahmen ableiten und als Team bewerten
• Kanban-Board für ein Data-Science-Projekt aufsetzen und befüllen
• Fallstudie: MLOps-Prozess von der Datenpipeline bis zum produktiven Endpoint
• Diskussion: Wie passt Scrum zu ergebnisoffenen Data-Science-Experimenten?

Data-Science-Projekte profitieren besonders von agilen Methoden, weil die Ergebnisoffenheit von ML-Experimenten ein iteratives Vorgehen geradezu erzwingt. Wer sowohl die technische Azure-Plattform als auch die Scrum-Prozesslogik beherrscht, kann Data-Science-Vorhaben von der Idee bis zum produktiven Modell eigenständig koordinieren und kommunizieren.

Dieser Kurs richtet sich an Personen mit datenwissenschaftlichem Hintergrund, die ihre Azure-Kenntnisse formalisieren und gleichzeitig agile Methodenkompetenz aufbauen möchten. Die Kombination ist besonders wertvoll für Fachkräfte, die in wachsenden KI-Abteilungen mehr Verantwortung übernehmen wollen.

• Data Scientists, die bisher lokal oder in einer anderen Cloud-Umgebung arbeiten und auf Azure migrieren
• ML Engineers, die strukturierte Kenntnisse in Azure ML und Scrum benötigen
• IT-Fachleute, die Data-Science-Teams auf Azure technisch begleiten
• Personen, die eine Doppelqualifikation aus Azure-Zertifizierung und Scrum-Grundlagenzertifikat anstreben

Der Kurs läuft im Combined-Learning-Format mit einem Schwerpunkt auf Teilzeit, sodass Berufstätige beide Qualifizierungsstränge auch neben einer Anstellung absolvieren können. Präsentation und Theorieblöcke wechseln sich mit Laborphasen in Azure und mit Scrum-Simulationen ab. Das virtuelle Klassenzimmer erlaubt Teilnahme sowohl vom Schulungszentrum als auch von zu Hause; ergänzend steht in den Centern ein moderner Arbeitsplatz mit zwei Bildschirmen zur Verfügung.

Da der Kurs zwei eigenständige Zertifizierungspfade vereint, ist die Gesamtlaufzeit umfangreicher als ein Einzel-Modul. Im Teilzeitmodus ist mit einer Laufzeit von mehreren Wochen bis wenigen Monaten zu rechnen; genaue Termine und Umfänge erfragen Sie beim Anbieter, da sich die Module individuell kombinieren lassen.

Der DP-100-Teil mündet in die offizielle Microsoft-Prüfung DP-100, die bei Bestehen den Titel „Microsoft Certified: Azure Data Scientist Associate" verleiht. Der Scrum Foundation-Teil bereitet auf eine Scrum Foundation-Zertifizierungsprüfung vor (je nach Anbieter EXIN Agile Scrum Foundation oder Scrum.org PSM I). Ergänzend wird ein trägerinternes Lehrgangszertifikat ausgestellt, das die vollständig absolvierten Kursmodule dokumentiert.

Die Kombination aus technischer Cloud-Kompetenz und agiler Methodenkenntnis trifft auf einen echten Bedarf am Arbeitsmarkt. Unternehmen suchen Data Scientists, die nicht nur Modelle bauen, sondern auch in der Lage sind, Projekte strukturiert voranzubringen und sich in interdisziplinären Teams zu bewegen. Die Scrum Foundation-Zertifizierung signalisiert genau diese Fähigkeit und macht Kandidat:innen auch für Rollen als technischer Scrum Master oder ML-Tech Lead attraktiver. Azure ML hat sich als führende Cloud-Plattform für Enterprise-Data-Science etabliert. Wer DP-100 zertifiziert ist, zeigt, dass er oder sie nicht nur Notebooks schreibt, sondern ML-Lösungen produktiv betreiben, überwachen und an Nutzende ausliefern kann — eine Kompetenz, die in Aufgabenfeldern wie MLOps, Data Platform Engineering und KI-Produktentwicklung besonders geschätzt wird. Insgesamt bereitet dieser Lehrgang Teilnehmende darauf vor, in Data-Science-Teams eine Doppelrolle auszufüllen: als technische Fachkraft für Azure-basiertes Machine Learning und als methodisch versierte:r Mitgestalter:in agiler Projektprozesse — eine Kombination, die gerade in wachsenden KI-Abteilungen mittelständischer und großer Unternehmen zunehmend gesucht wird.