DP-100 + AZ-500: Azure ML und Cloud Security – Kurs

Dieser Kurs verknüpft die Azure-ML-Zertifizierung DP-100 mit der Sicherheitsspezialisierung AZ-500 (Azure Security Engineer Associate) — eine Kombination, die auf dem Weiterbildungsmarkt gezielt auf die Überschneidung von Data Science und Cloud Security ausgerichtet ist. DP-100-Teilnehmende lernen, maschinelle Lernmodelle auf Azure zu entwickeln, zu trainieren und zu betreiben. Der AZ-500-Block vertieft anschließend, wie Azure-Umgebungen gegen Bedrohungen gesichert, Identitäten geschützt und Compliance-Anforderungen technisch umgesetzt werden. Da ML-Workloads auf Azure zwingend in sichere Infrastrukturen eingebettet sein müssen, ergänzen sich beide Prüfungsgebiete inhaltlich. Das Programm ist als Vollzeit-Kurs im virtuellen Klassenzimmer konzipiert.

DP-100 — Azure ML Studio: Aufbau und Datenmanagement Der erste Block legt die praktische Grundlage für die Azure-ML-Arbeit. Teilnehmende richten Arbeitsbereiche ein, konfigurieren Datenspeicher und verstehen, wie Experimente organisiert und nachvollziehbar gestaltet werden. Der Sicherheitsaspekt beginnt bereits hier: Wie werden Zugriffsrechte für Datenwissenschaftsteams vergeben, und welche Netzwerkkonfigurationen schützen sensible Trainingsdaten?

• Anlegen und Strukturieren von Azure ML-Arbeitsbereichen
• Registrierung von Datenspeichern (Azure Blob Storage, Data Lake, SQL)
• Dataset-Versionierung und Nachvollziehbarkeit von Datenquellen
• Netzwerkisolation für Azure ML: VNet-Integration und Private Endpoints
• RBAC-Rollen in Azure ML: Owner, Contributor, Reader für ML-Projekte

DP-100 — Modellentwicklung und Pipelines Im zweiten Block entwickeln Teilnehmende eigene ML-Modelle, nutzen AutoML für automatisierte Hyperparameter-Suche und bauen reproduzierbare Trainingspipelines auf. Durch MLflow wird der gesamte Experimentverlauf lückenlos dokumentiert — ein Aspekt, der im Sicherheits- und Audit-Kontext besondere Relevanz hat.

• Datenvorbereitung und Feature Engineering mit Python
• Supervised Training: Klassifikation, Regression, Clustering auf Azure Compute
• AutoML für tabellarische Daten, Zeitreihen und Klassifikationsaufgaben
• Experiment-Tracking mit MLflow: Metriken, Hyperparameter, Modell-Artefakte
• Azure ML-Pipelines für automatisiertes, reproduzierbares Training

DP-100 — Deployment und Betrieb von ML-Modellen Trainierte Modelle werden registriert und als Endpunkte bereitgestellt. Dieser Block behandelt sowohl Online-Endpunkte für Echtzeit-Anfragen als auch Batch-Endpunkte für größere Datenmengen — und schlägt die Brücke zu AZ-500, indem Sicherheitskonfigurationen für Endpunkte explizit adressiert werden.

• Modellregistrierung und Versions-Management im Azure ML Model Registry
• Deployment als Managed Online Endpoint und Batch Endpoint
• Authentifizierung und Autorisierung für ML-Endpunkte
• Monitoring: Datendrift, Latenzen, Anomalie-Erkennung im Betrieb
• Fehlerdiagnose und Update-Strategien für produktive ML-Deployments

AZ-500 — Identität, Zugriffsmanagement und Netzwerksicherheit Der AZ-500-Block beginnt mit den Kerndisziplinen der Azure-Sicherheit: Identitäts- und Zugriffsverwaltung sowie Netzwerkabsicherung. Diese Inhalte bauen direkt auf den ML-Infrastruktur-Konzepten aus dem DP-100-Teil auf und erweitern sie um Sicherheitsperspektiven für die gesamte Azure-Umgebung.

• Azure Active Directory/Entra ID: Conditional Access, MFA, PIM
• RBAC, Azure Policy und Management Groups für Compliance
• Netzwerksicherheit: NSGs, Azure Firewall, Application Gateway WAF
• Private Endpoints und Service Endpoints für sichere Datenkommunikation
• Azure DDoS Protection und Bedrohungsschutz für Netzwerke
• Sicherer Zugriff auf Azure-Ressourcen über Managed Identities

Praxisblock — Sichere ML-Architekturen und Security-Engineering

• Private Endpoint für Azure ML-Arbeitsbereiche einrichten und testen
• Key Vault-Integration für ML-Secrets, API-Keys und Verbindungsstrings
• Microsoft Defender for Cloud für ML-Workloads aktivieren und auswerten
• Microsoft Sentinel-Alerts für verdächtige Aktivitäten in ML-Umgebungen konfigurieren
• Compliance-Policies für Azure ML-Ressourcen über Azure Policy durchsetzen
• Sicherheitsaudit von ML-Deployments: Checkliste und Bewertungskriterien
• Incident-Response-Szenarien: Wie reagiert man auf Datenlecks in ML-Umgebungen?
• Encryption at rest und in transit für ML-Trainingsdaten und Modell-Artefakte
• Zero-Trust-Architekturprinzipien auf Azure ML-Umgebungen anwenden
• Kombinierte Übungsszenarien: Sicherheitsüberprüfung einer produktiven ML-Infrastruktur
• Fallstudien aus regulierten Branchen (Gesundheitswesen, Finanzdienstleistung)
• Netzwerksegmentierung und Zugriffsgrenzen für Multi-Team-ML-Projekte definieren

Das Programm schließt mit einem praxisorientierten Abschluss, der zeigt, wie die Sicherheitsanforderungen des AZ-500-Prüfungsbereichs direkt auf die Absicherung von Azure-ML-Workloads angewendet werden.

Das Programm richtet sich an IT-Fachkräfte, die Machine-Learning-Expertise und Cloud-Security-Kompetenz systematisch kombinieren möchten.

• Data Scientists, die ihre Azure-ML-Lösungen in sicheren Unternehmensumgebungen betreiben
• Cloud- und Sicherheitsingenieure, die neben Security auch ML-Workloads verantworten
• DevOps-Engineers, die ML-Pipelines absichern und produktionsreif betreiben
• IT-Architekten, die Zero-Trust-Prinzipien auf ML-Infrastrukturen anwenden
• Personen in regulierten Branchen, die compliant mit Azure ML und Security-Standards arbeiten

Der Unterricht findet als Live-Lehrveranstaltung im virtuellen Klassenzimmer statt. Theorie-Einheiten werden durch unmittelbare Praxisaufgaben in Azure-Laborumgebungen ergänzt, in denen Teilnehmende ML-Infrastrukturen aufbauen und absichern. Fallstudienarbeit aus realen Unternehmensszenarien stärkt das Transferverständnis. Die Kombination aus geleitetem Unterricht und eigenständiger Laborarbeit ist charakteristisch für das Combined-Learning-Format dieses Programms. Homeoffice-Teilnahme ist möglich.

Das Vollzeitprogramm erstreckt sich über mehr als einen Monat bis zu drei Monate. Die Modulkombination aus DP-100 und AZ-500 ist inhaltlich umfangreich, weshalb die Intensivstruktur des Vollzeitformats vorteilhaft ist. Die genaue Dauer hängt vom individuell konfigurierten Modulplan ab.

Das Programm bereitet auf die offiziellen Microsoft-Prüfungen DP-100 (Designing and Implementing a Data Science Solution on Azure) und AZ-500 (Azure Security Technologies) vor. Beide Prüfungen werden bei einem akkreditierten Microsoft-Testcenter abgelegt. Nach erfolgreichem Bestehen führt man die Bezeichnungen „Microsoft Certified: Azure Data Scientist Associate" und „Microsoft Certified: Azure Security Engineer Associate". Ergänzend stellt der Kursanbieter eine Teilnahmebescheinigung aus.

Security-Themen gehören zu den am stärksten nachgefragten Qualifikationen im Cloud-Bereich — und gleichzeitig wächst der Bedarf an Data Scientists, die verstehen, wie sichere ML-Infrastrukturen aussehen. Dieses Programm adressiert genau diese Doppelkompetenz: Wer sowohl die DP-100 als auch die AZ-500 beherrscht, kann ML-Projekte von der technischen Entwicklung bis zur sicheren Produktion eigenverantwortlich betreuen. Besonders in regulierten Branchen wie Finanzdienstleistung, Gesundheitswesen oder öffentlicher Verwaltung sind Fachkräfte gefragt, die Datenschutz- und Compliance-Anforderungen (DSGVO, BSI-Grundschutz, branchenspezifische Standards) technisch umsetzen können. Ein Data Scientist, der auch Azure-Sicherheitsmechanismen konfigurieren kann, ist in diesen Umgebungen deutlich wertvoller als jemand mit reinem ML-Fokus. Langfristig eröffnet die Kombination Karrierewege als Cloud Security Architect mit ML-Verständnis, als technischer Lead in Data-Science-Teams großer Organisationen oder als Berater für die sichere Einführung von KI-Systemen. Die Nachfrage nach diesem Schnittstellenprofil wächst — und wer frühzeitig beide Zertifikate vorweist, positioniert sich klar für diese Rollen.