Microsoft Certified: Data Scientist Associate (DP-100) (DP-100) with Microsoft Certified: Power BI Data Analyst (PL-300) (PL-300)

Diese Weiterbildung verbindet zwei komplementäre Microsoft-Zertifizierungspfade: DP-100 Azure Data Scientist Associate und PL-300 Power BI Data Analyst Associate. Während DP-100 den gesamten Lebenszyklus eines Machine-Learning-Projekts auf Azure abdeckt — von der Datenvorbereitung über das Experimentieren mit Modellen bis zum produktiven Betrieb über Azure Machine Learning — schult PL-300 die Fähigkeit, Daten mit Power BI zu modellieren, zu visualisieren und als interaktive Berichte für Entscheidungsträger aufzubereiten. Die Kombination bietet ein seltenes, aber in der Praxis hochrelevantes Profil: Fachleute, die maschinelles Lernen entwickeln und ihre Ergebnisse gleichzeitig überzeugend kommunizieren können. Beide Zertifizierungsprüfungen werden extern abgelegt; der Kurs läuft im Combined-Learning-Format in Vollzeit.

Azure Machine Learning – Grundlagen und Workspace Dieser Einstiegsbaustein legt das technische Fundament für alle folgenden ML-Themen. Azure Machine Learning Workspace ist die zentrale Plattform für alle Aktivitäten — von Datenspeicherung über Compute bis hin zu Experiment-Tracking. Der Abschnitt vermittelt, wie man den Workspace sinnvoll für Teamarbeit, Nachvollziehbarkeit und Kostenkontrolle konfiguriert.

• Azure Machine Learning Workspace erstellen und Ressourcen organisieren
• Compute-Typen: Compute Instances, Compute Clusters und Attached Compute vergleichen
• Datastores und Datasets in Azure ML registrieren und versionieren
• Python-Umgebungen und Conda-Abhängigkeiten für reproduzierbare Experimente verwalten
• Azure ML Studio: Überblick über Designer, Notebooks, Automated ML und Pipelines
• RBAC-Konzepte in Azure ML für Multi-User-Szenarien umsetzen

Datenaufbereitung, Feature Engineering und Experimente Daten selten in prüfbereiter Form bereitstehen — das gilt für ML-Projekte noch stärker als für klassische BI. Dieser Block behandelt systematische Datenvorbereitung, Feature-Konstruktion und die Struktur reproduzierbarer Trainingsexperimente auf Azure ML.

• Datenbereinigung und Transformation mit Azure ML Pipelines und SDK
• Feature Engineering: Normalisierung, Kodierung kategorischer Merkmale, Merkmalsselektion
• Experimente mit MLflow-Tracking in Azure ML strukturieren
• Parametersuche mit HyperDrive für automatisiertes Hyperparameter-Tuning
• AutoML für schnelle Benchmarks und Baseline-Modelle einsetzen
• Verteiltes Training für große Datensätze auf Azure Compute Clusters skalieren

Modellbereitstellung, Pipelines und MLOps Ein trainiertes Modell hat erst dann Wert, wenn es produktiv eingesetzt wird. Dieser Abschnitt vermittelt den Weg vom Experiment zum betriebsfähigen Endpunkt — und die Werkzeuge, um diesen Endpunkt zuverlässig zu überwachen und aktuell zu halten.

• Azure ML-Endpunkte: Real-time Inference Endpoints und Batch Scoring Pipelines einrichten
• Modelle registrieren und im Azure ML Model Registry verwalten
• Azure ML Pipelines für automatisiertes Retraining und Daten-Trigger aufbauen
• Monitoring mit Data Drift Detection und Endpunktleistungsmetriken
• Responsible AI Toolbox: Interpretierbarkeit, Fairness und Fehleranalyse in Azure ML
• Model Deployment zu Azure Kubernetes Service und Azure Container Instances vergleichen

Power BI – Datenmodellierung und Berichtsentwicklung PL-300 setzt beim tabellarischen Datenmodell an und führt durch alle Schichten moderner BI-Lösungen mit Power BI. Dieser Block deckt das gesamte Spektrum von der Datenquellenanbindung bis zur veröffentlichten Lösung für Endnutzer ab.

• Power Query (M-Sprache) für Datentransformation und Bereinigung einsetzen
• Tabellarisches Datenmodell: Beziehungen, Hierarchien und Aggregationstabellen aufbauen
• DAX-Grundlagen: berechnete Spalten, Measures und Zeitintelligenzfunktionen
• Visuelle Darstellungen: Diagramme, Karten, Tabellen und benutzerdefinierte Visuals
• Interaktivität: Filter, Slicers, Drillthrough und Cross-Highlighting in Berichten einrichten
• Row-Level Security definieren und in Power BI Service implementieren
• Power BI Service: Arbeitsbereiche, Apps, Datensatz-Aktualisierungen und Einbettung
• Optimierung von Berichtsleistung und Datenmodellen für große Datensätze

Diese Kombination aus DP-100 und PL-300 spricht Fachleute an, die an der Schnittstelle zwischen Data Science und Business Intelligence arbeiten — oder dorthin wechseln möchten. Typische Teilnehmerprofile

• Datenanalysten, die Machine-Learning-Fähigkeiten auf Azure aufbauen wollen
• Entwickler mit Python-Kenntnissen, die in die Data Science wechseln
• Data Scientists, die ihre Modellergebnisse besser visualisieren und kommunizieren möchten
• BI-Entwickler, die ML-Grundlagen hinzugewinnen wollen
• IT-Professionals in Unternehmen mit wachsendem Datenfokus und Azure-Infrastruktur

Der Unterricht findet im virtuellen Klassenzimmer statt. Für DP-100 sind Notebooks-basierte Hands-on-Übungen in Azure Machine Learning Workspace zentrales Lernmittel — die Teilnehmer führen Experimente, trainieren Modelle und deployen Endpunkte in realen Azure-Umgebungen. Der PL-300-Baustein ist stärker auf praktische Berichtsentwicklung ausgerichtet; Teilnehmer bauen eigene Power-BI-Berichte auf realen Datensätzen auf. Theoretische Einführungen werden durchgehend mit Demonstrations- und Übungsphasen verbunden.

Die Gesamtdauer liegt bei mehr als einem Monat bis zu drei Monaten im Vollzeitformat, abhängig von der Modulauswahl und dem individuellen Vorwissensstand. Teilzeitstarts sind auf Anfrage möglich. Die Module sind individuell kombinierbar, sodass Teilnehmer mit starkem BI-Hintergrund den Schwerpunkt auf DP-100 legen können und umgekehrt.

Der Kurs bereitet auf zwei Microsoft-Prüfungen vor: DP-100 Designing and Implementing a Data Science Solution on Azure (führt zu Microsoft Certified: Azure Data Scientist Associate) und PL-300 Microsoft Power BI Data Analyst (führt zu Microsoft Certified: Power BI Data Analyst Associate). Beide Prüfungen werden extern bei autorisierten Prüfungscentern abgelegt. Für die Kursabsolvierung wird eine qualifizierte Teilnahmebescheinigung ausgestellt.

Die Kombination aus DP-100 und PL-300 schließt eine Lücke, die in vielen Unternehmen spürbar ist: Data Scientists, die brillante Modelle entwickeln, aber Ergebnisse nicht überzeugend kommunizieren können — oder BI-Profis, die Berichte gestalten, aber nicht verstehen, wie die zugrundeliegenden ML-Modelle funktionieren. Wer beide Zertifizierungen besitzt, kann den gesamten Weg von der Rohdatenanalyse bis zur entscheidungsreifen Visualisierung selbst verantworten. Azure Machine Learning ist eine der vollständigsten ML-Plattformen, die heute kommerziell verfügbar sind. Wer sie beherrscht, ist in der Lage, ML-Projekte reproduzierbar, skalierbar und governance-konform durchzuführen — das ist in regulierten Branchen wie Finanzdienstleistungen, Gesundheitswesen und Industrie ein bedeutender Wettbewerbsvorteil. Die MLOps-Komponente stellt sicher, dass Modelle nicht nur einmal trainiert, sondern dauerhaft betrieben und aktuell gehalten werden können. Power BI ist weltweit das meistgenutzte Business-Intelligence-Werkzeug im Microsoft-Ökosystem. Die PL-300-Zertifizierung belegt, dass man nicht nur Berichte bauen, sondern leistungsfähige Datenmodelle mit DAX, optimierte Datenpipelines mit Power Query und unternehmensweite Lösungen über den Power BI Service bereitstellen kann. In Verbindung mit Azure ML-Kompetenzen entsteht ein Profil, das vom Arbeitsmarkt aktiv gesucht wird.