Microsoft Certified: Data Scientist Associate (DP-100) (DP-100) with Microsoft Certified: Business Applications Specialist (BA-100) (BA-100)

Im Mittelpunkt dieser Weiterbildung steht die Vorbereitung auf die DP-100-Prüfung von Microsoft: Azure Data Scientist Associate. Diese Zertifizierung bestätigt, dass Sie Maschinenlernen-Workloads auf Azure Machine Learning entwerfen, implementieren und überwachen können. Ergänzt wird dieser Kerninhalt durch ein trägerinternes Modul zu Business Applications, das die Perspektive der datengetriebenen Unternehmenssteuerung einbringt. Der kursgebende Bildungsträger hat dieses Zusatzmodul unter der Bezeichnung „BA-100" zusammengestellt – dabei handelt es sich um ein eigenes Curriculum ohne offizielle Microsoft-Prüfungscode. Wer den Kurs abschließt, erwirbt neben dem angestrebten Microsoft-Zertifikat eine trägerinterne Bescheinigung über das Business-Applications-Modul.

Modul 1: Azure Machine Learning – Workspace, Daten und Experimente Azure Machine Learning ist die zentrale Plattform für den gesamten ML-Lebenszyklus. Dieser Block behandelt den Aufbau und die Konfiguration des Arbeitsbereichs sowie die Vorbereitung von Daten für den Trainingsprozess.

• Workspace anlegen: Ressourcengruppen, verknüpfte Dienste und Zugriffssteuerung
• Compute-Instanzen und Compute-Cluster für Training und Inferenz einrichten
• Datasets und Datastores: Datenquellen registrieren, versionieren und referenzieren
• Experimente starten: Run-Objekte, Metriken protokollieren und auswerten
• Umgebungen verwalten: Docker-Images, Conda-Umgebungen und Kurated Environments
• Pipelines aufbauen: Schritte definieren, Abhängigkeiten verwalten und Pipelines planen

Modul 2: Modelltraining – AutoML, SDK und Hyperparameter-Tuning Dieser Block vertieft die verschiedenen Wege zum trainierten Modell – von vollautomatischem AutoML über SDK-gesteuerte Läufe bis hin zur gezielten Hyperparameter-Optimierung.

• AutoML-Konfiguration: Aufgabentyp wählen, Exit-Kriterien festlegen und Ergebnisse interpretieren
• Training mit dem Azure ML Python SDK: Estimators, ScriptRunConfig und Environments
• Featurization: automatische Feature-Behandlung in AutoML verstehen und anpassen
• Hyperdrive: Suchräume definieren, Sampling-Strategien und Early-Termination-Richtlinien
• Modellauswahl und -registrierung: beste Runs identifizieren, Modelle im Registry ablegen
• Interpretierbarkeit: SHAP-Erklärungen und das Azure ML Explainability-Toolkit nutzen

Modul 3: MLOps – Deployment und Monitoring Ein trainiertes Modell entfaltet erst in der Produktionsumgebung seinen Wert. Dieser Block behandelt den Weg vom registrierten Modell zum betriebssicheren Endpunkt.

• Managed Online Endpoints: Deployment konfigurieren, Traffic-Splitting und Canary-Releases
• Batch-Endpunkte für asynchrone Inferenz auf großen Datensätzen einrichten
• Monitoring: Daten-Drift erkennen, Modell-Performance überwachen und Alerts konfigurieren
• CI/CD-Integration: GitHub Actions oder Azure Pipelines für automatisierte ML-Läufe nutzen
• Logging und Nachvollziehbarkeit: Application Insights und MLflow-Tracking
• Sicherheit und Compliance: Managed Identity, Private Endpoints und Datenverschlüsselung

Modul 4: Business Applications – trägerinternes Modul Dieses Modul wurde vom Bildungsträger entwickelt und trägt die interne Bezeichnung BA-100. Es handelt sich nicht um eine offizielle Microsoft-Prüfung, sondern um ein ergänzendes Curriculum, das die geschäftliche Dimension datengetriebener Lösungen beleuchtet.

• Anforderungsanalyse für datengetriebene Anwendungen in Unternehmen
• Datenarchitektur: Data Lakehouse vs. klassisches Data Warehouse, Entscheidungskriterien
• Azure Synapse Analytics: Überblick über Pools, Pipelines und Integration mit ML-Modellen
• Power BI als Berichtsschicht: Datenmodelle, Measures und Drill-through-Berichte
• Szenario-Analysen: Predictive-Analytics-Ergebnisse für Nicht-IT-Stakeholder aufbereiten
• Governance und Datenschutz: DSGVO-Anforderungen in Business-Intelligence-Projekten

Praxisblock Die Laboraufgaben orientieren sich an realen ML-Projektsituationen und begleiten alle vier Module.

• Azure ML Workspace einrichten und ersten Compute-Cluster starten
• Tabellendaten als Dataset registrieren und in einem Notebook explorieren
• AutoML-Experiment für eine Klassifikationsaufgabe konfigurieren und auswerten
• Trainings-Skript mit SDK schreiben, als Experiment starten und Metriken vergleichen
• Hyperdrive-Lauf mit Zufalls-Sampling und Bandits-Early-Termination durchführen
• Modell registrieren und mit Explainability-Bericht versehen
• Managed Online Endpoint erstellen, testen und Latenz messen
• Daten-Drift-Monitor einrichten und Benachrichtigung auslösen
• MLflow-Tracking in bestehenden Trainings-Skripts integrieren
• Synapse-Analytics-Workspace erkunden und Linked Service zu ML konfigurieren
• Power BI-Bericht auf Basis eines ML-Scoring-Outputs aufbauen
• Abschlussaufgabe: End-to-End-Szenario von der Datenaufnahme bis zum bereitgestellten Endpunkt dokumentieren

Diese Weiterbildung richtet sich an Data Scientists, Datenanalytikerinnen und -analytiker sowie Machine-Learning-Engineers, die ihre praktischen Azure-ML-Kenntnisse systematisch vertiefen und mit einer Microsoft-Zertifizierung nachweisen möchten. Weitere geeignete Profile finden sich in diesen Bereichen.

• Softwareentwicklerinnen und -entwickler mit Python-Kenntnissen, die in ML-Projekte wechseln
• BI-Spezialistinnen und -Spezialisten, die ihre Arbeit um prädiktive Modelle erweitern
• IT-Beraterinnen und -Berater, die Azure-ML-Projekte begleiten oder leiten
• Personen, die eine Spezialisierung auf Cloud-basiertes Machine Learning anstreben

Der Unterricht ist als Combined Learning im virtuellen Klassenzimmer aufgebaut. Konzeptvorstellungen durch die Dozentin oder den Dozenten wechseln mit eigenständigen Laborphasen in der Azure-Umgebung ab. Für das Business-Applications-Modul kommen Fallbesprechungen hinzu, bei denen Analyseergebnisse kommuniziert und bewertet werden. Das Live-Format ermöglicht direkte Diskussionen und schnelles Feedback bei Laboraufgaben.

Die Weiterbildung erstreckt sich über mehr als einen Monat bis zu drei Monaten in Vollzeit. Modulare Anpassungen und Teilzeit-Varianten sind auf Anfrage möglich.

Wer die externe DP-100-Prüfung bei einem akkreditierten Pearson-VUE-Testcenter besteht, erhält den Titel Microsoft Certified: Azure Data Scientist Associate. Diese Zertifizierung ist ein Jahr gültig und kann durch ein kostenloses Online-Assessment bei Microsoft Learn erneuert werden. Für das trägerinterne BA-100-Modul stellt der Bildungsträger eine separate Teilnahmebescheinigung aus. Eine offizielle Microsoft-Zertifizierung für BA-100 existiert nicht.

Die DP-100-Zertifizierung ist in der Data-Science-Welt ein gut erkennbares Signal: Sie zeigt, dass Sie nicht nur Modelle in einem Notebook entwickeln können, sondern auch in der Lage sind, ML-Workloads in einer produktionsreifen Cloud-Infrastruktur zu entwerfen und zu betreiben. Gerade die MLOps-Komponenten – Monitoring, CI/CD-Integration und skalierbare Deployment-Strategien – werden in Stellenausschreibungen für Senior-Data-Scientist- und ML-Engineer-Rollen immer häufiger explizit gefordert. Das ergänzende Business-Applications-Modul erweitert dieses technische Profil um eine wichtige Dimension: die Fähigkeit, ML-Ergebnisse für Entscheidungsträgerinnen und Entscheidungsträger aufzubereiten und in Geschäftsprozesse einzubetten. Data Scientists, die sowohl technisch kompetent als auch in der Lage sind, ihre Ergebnisse verständlich zu kommunizieren, sind auf dem Arbeitsmarkt besonders gesucht. Die Kombination beider Inhalte in einem Kurs erlaubt es, beide Perspektiven in direkten Dialog zu bringen: Technische Entscheidungen im ML-Bereich lassen sich besser treffen, wenn die geschäftlichen Anforderungen von Anfang an klar sind – und das Business-Applications-Modul liefert genau diesen Rahmen.