DP-100 + PL-200: Azure ML und Power Platform – Kurs

In diesem Programm werden zwei Microsoft-Zertifizierungspfade gebündelt, die in modernen datengetriebenen Organisationen zunehmend zusammenwachsen: Die DP-100 befähigt zur Entwicklung und Operationalisierung von Machine-Learning-Modellen auf Azure, während die PL-200 den Fokus auf Power Platform-Entwicklung legt — also auf die Gestaltung von Power Apps, Power Automate-Workflows und Dataverse-Lösungen. Die Verbindung beider Kompetenzfelder erlaubt es, ML-Ergebnisse aus Azure direkt in nutzerfreundliche Power Platform-Anwendungen zu integrieren und so den Weg von der Datenwissenschaft zur produktiven Geschäftsanwendung vollständig abzudecken. Das Programm findet im Vollzeitformat als virtueller Live-Unterricht statt.

DP-100 — Arbeitsbereiche, Daten und Compute in Azure ML Der erste Block befasst sich mit dem Aufbau von Azure ML-Umgebungen. Teilnehmende lernen, Arbeitsbereiche einzurichten, Datenspeicher zu verknüpfen und Compute-Infrastruktur für Training und Inferenz zu konfigurieren. Besonderes Augenmerk liegt auf Datenregistrierung und Versionierung als Basis für reproduzierbare Experimente.

• Azure ML-Arbeitsbereiche und Konfigurationsgrundlagen
• Datenspeicher-Verbindungen: Azure Blob, Data Lake, Azure SQL
• Dataset-Registrierung und Versionierung im ML-Kontext
• Compute-Instanzen für interaktive Entwicklung, Cluster für paralleles Training
• Umgebungsmanagement: Docker-Container und Conda-Konfigurationen für reproduzierbare Läufe

DP-100 — Modellentwicklung, AutoML und Experiment-Tracking Im zweiten Block wird der ML-Entwicklungszyklus von der explorativen Datenanalyse bis zum trainierten und bewerteten Modell durchlaufen. AutoML erleichtert die Modellauswahl erheblich und wird besonders für strukturierte Tabellendaten eingesetzt, wie sie typischerweise in Power Platform-Szenarien vorliegen.

• Datenvorbereitung und Feature Engineering mit Python (scikit-learn, pandas)
• Training von Klassifikations-, Regressions- und Zeitreihenmodellen
• AutoML-Konfiguration und Ergebnisinterpretation
• Experiment-Tracking und Hyperparameter-Logging mit MLflow
• Modell-Bewertungsmetriken und Auswahl des besten Modells

DP-100 — Deployment und Betrieb Der dritte DP-100-Block überführt entwickelte Modelle in produktionsfähige Endpunkte. Für die spätere Power Platform-Integration ist das Deployment als REST-Endpunkt zentral — dieser Schritt macht ML-Vorhersagen für Power Apps und Power Automate zugänglich.

• Modellregistrierung und Versionsverwaltung im Model Registry
• Deployment als Managed Online Endpoint: Authentifizierung und REST-Interface
• Batch-Endpunkte für die Verarbeitung größerer Datenmengen
• Monitoring: Datendrift, Endpunktleistung, Alerting
• Troubleshooting bei Deployment-Problemen und Modell-Updates

PL-200 — Power Platform Entwicklung: Power Apps und Dataverse Der erste PL-200-Block führt in die Entwicklungsumgebung der Power Platform ein. Dataverse als zugrunde liegendes Datenmodell wird eingehend behandelt — Tabellen, Spalten, Beziehungen und Sicherheitsrollen bilden die Grundlage für alle darauf aufbauenden Apps und Flows.

• Datenmodellierung in Microsoft Dataverse: Tabellen, Spalten, Beziehungen, Auswahlwerte
• Power Apps canvas Apps: Layout, Datenquellen, Formeln und Benutzerinteraktion
• Modellgesteuerte Apps: Views, Formulare, Geschäftsregeln und Prozessabläufe
• Sicherheitsrollen und Teams in Dataverse konfigurieren
• Solution-Management: Export, Import und ALM-Grundlagen in Power Platform

PL-200 — Power Automate und Prozessautomatisierung

• Erstellen von Cloud Flows: Trigger, Aktionen, Bedingungen und Schleifen
• Geschäftsprozessflows für strukturierte Abläufe in modellgesteuerten Apps
• Fehlerbehandlung und Monitoring in Power Automate
• Power Automate mit Dataverse, SharePoint und Microsoft 365 verbinden
• Genehmigungsworkflows und Benachrichtigungsmechanismen

Praxisblock — Azure ML + Power Platform: Integration und End-to-End-Szenarien

• Azure ML Online Endpoint über Custom Connector in Power Automate einbinden
• ML-Vorhersagen in Power Apps anzeigen: Echtzeit-Scoring-Szenarien
• AI Builder und eigene Azure ML-Modelle kombinieren: Unterschiede und Einsatzszenarien
• Dataverse-Tabellen als Datenquelle für ML-Training in Azure vorbereiten
• ML-Batch-Ergebnisse automatisiert in Dataverse-Tabellen schreiben
• Power Apps als Frontend für Azure ML-gestützte Entscheidungsunterstützung entwickeln
• Zugriffssteuerung koordinieren: Azure Service Principal und Power Platform-Sicherheitsrollen
• Lösungsarchitekturen für datengetriebene Apps: ML-Backend, Power-Platform-Frontend
• Troubleshooting von Custom Connectors und API-Verbindungen zu Azure ML
• Datenpipelines: Von der Datenerfassung in Power Apps über Dataverse zu Azure ML und zurück
• Fallstudien: Prädiktive Apps für Wartungsplanung, Vertriebsprognose, Kundensegmentierung
• Skalierungs- und Governance-Konzepte für Power Platform-ML-Lösungen im Unternehmenskontext

Das Programm schließt mit integrativen Übungsszenarien, die den gesamten Kreislauf von der Datenwissenschaft bis zur Endanwendung durchlaufen — und vermittelt so nicht nur Prüfungswissen, sondern anwendbares Architekturverständnis.

Das Programm richtet sich an Fachkräfte, die an der Schnittstelle von Data Science und Low-Code-Applikationsentwicklung arbeiten oder arbeiten möchten.

• Data Scientists und ML-Engineers, die ihre Modelle in Power Platform-Lösungen integrieren
• Power Platform-Entwickler, die ihr Profil um Azure ML-Kompetenz erweitern
• Functional Consultants und Geschäftsprozessberater, die datengetriebene Apps konzipieren
• Softwareentwickler, die Microsoft-Ökosystem-Lösungen mit ML-Funktionen anreichern
• Personen, die eine Karriere als Microsoft-zertifizierter Lösungsarchitekt im Power Platform-ML-Umfeld anstreben

Das Programm verbindet theoretische Erläuterungen im Live-Unterricht mit praktischen Laborphasen in Azure- und Power-Platform-Umgebungen. Dozentinnen und Dozenten begleiten die Teilnehmenden durch Übungsaufgaben, die reale Integrationsszenarien beider Zertifizierungen nachbilden. Fallstudienarbeit vertieft das Verständnis für anwendungsnahe Architekturen. Das virtuelle Klassenzimmer ermöglicht vollwertige Interaktion — Homeoffice-Teilnahme ist vorgesehen.

Das Vollzeitprogramm ist auf mehr als einen Monat bis zu drei Monate ausgelegt. Beide Zertifizierungspfade — DP-100 für Azure ML und PL-200 für Power Platform — erfordern inhaltliche Tiefe; das Vollzeitformat ermöglicht die nötige Intensität. Die genaue Dauer wird individuell nach Modulauswahl festgelegt.

Die Weiterbildung bereitet auf die offiziellen Microsoft-Prüfungen DP-100 (Designing and Implementing a Data Science Solution on Azure) und PL-200 (Microsoft Power Platform Functional Consultant) vor. Beide Prüfungen werden separat bei einem akkreditierten Microsoft-Testcenter abgelegt. Nach Bestehen erhält man die Microsoft-Zertifikate „Azure Data Scientist Associate" und „Power Platform Functional Consultant Associate". Zusätzlich stellt der Kursanbieter eine trägerinterne Teilnahmebescheinigung aus.

Die Power Platform hat sich in vielen Unternehmen als schnelles und zugängliches Werkzeug für Prozessautomatisierung und App-Entwicklung etabliert — aber ihre Möglichkeiten werden erst dann voll ausgeschöpft, wenn ML-Modelle aus Azure als Backend verfügbar sind. Umgekehrt sind Data Scientists oft auf Entwicklungspartner angewiesen, wenn sie ihre Modelle in Endanwendungen einbetten wollen. Diese Lücke zu schließen ist der konkrete Nutzen dieses Programms. Wer DP-100 und PL-200 kombiniert beherrscht, kann durchgehende Lösungsarchitekturen entwickeln: Daten werden über Power Apps erfasst, in Dataverse gespeichert, in Azure ML verarbeitet, und die Ergebnisse fließen zurück in die Power Platform für den Endnutzer. Dieser End-to-End-Ansatz ist in mittelständischen Unternehmen ohne große IT-Abteilungen besonders gefragt. Für Karrieren als Microsoft Solution Architect, Power Platform Lead oder ML-Integrationsspezialist bietet diese Doppelzertifizierung eine handfeste Qualifikationsbasis. Microsoft-Partnerbetriebe und Unternehmensberatungen mit Microsoft-Schwerpunkt suchen aktiv nach Fachkräften, die beide Seiten des Ökosystems kennen — und können diese selten finden.