Prüfungsvorbereitung und Exam DP-100 Designing and Implementing a Data Science Solution on Azure

DP-100 (Designing and Implementing a Data Science Solution on Azure) ist die Microsoft Azure Data Scientist Associate Zertifizierung. Diese Schulung ist die intensive Examen-Vorbereitung für Profis, die bereits Data-Science-Erfahrung haben und kompakt zur Zertifizierung kommen wollen. Examensthemen entsprechend Microsoft Skills Outline: 1. Design and Prepare a Machine Learning Solution (20-25%) — Azure Machine Learning Workspace Design (Region-Auswahl, Cost, Compliance), Compute (Compute Instances für Entwicklung, Compute Clusters für Training, Inference Clusters für AKS, Attached Compute für Synapse/Databricks). Workspace-Assets (Datastores, Data Assets, Environments, Components, Models). Authentication (Managed Identity, Service Principal). 2. Explore Data and Run Experiments (20-25%) — Daten in Azure ML registrieren (URI File, URI Folder, MLTable), Datenvisualisierung in Notebooks (Jupyter, VS Code mit Azure ML Extension). Automated ML (AutoML) für Classification, Regression, Forecasting, NLP, Computer Vision — Featurization-Einstellungen, Algorithm Allowlist/Blocklist, Primary Metric, Exit Criteria, Featurization-Steps. AutoML mit Python SDK v2. MLflow-Integration für Experiment-Tracking (Log Parameters, Metrics, Artifacts, Models). 3. Train and Deploy Models (25-30%) — Custom Training Jobs mit Python SDK v2 (Job-Type Command/Sweep/Pipeline), Curated Environments oder Custom Docker Images. Distributed Training (PyTorch DDP, TensorFlow MirroredStrategy, Horovod). Hyperparameter Tuning Jobs (Search Spaces, Sampling Strategien Random/Grid/Bayesian, Early Termination Bandit/Median/Truncation). Model Registry (Versionierung), Model Stages. Deployment (Managed Online Endpoints für Real-Time, Managed Batch Endpoints für Async/Batch). Endpoint-Konfiguration (Instance Type, Instance Count, Authentication). Blue-Green-Deployments für sichere Updates. 4. Optimize Language Models for AI Applications (25-30%) — neu in 2024: Generative AI Workloads in Azure ML. Prompt Flow für LLM-Apps (Visual Flow Designer mit Nodes für LLM-Calls, Python, Tools), Evaluation Flows (Groundedness, Relevance, Coherence, Fluency Metrics). Fine-Tuning Foundation Models mit Azure ML (LoRA, QLoRA für effiziente Anpassung). RAG-Patterns mit Azure AI Search Integration. Responsible AI Dashboard (Error Analysis, Fairness mit Demographic Parity/Equalized Odds, Explainability mit SHAP, Counterfactuals, Causal Inference). Praxis-Übungen mit eigenem Azure ML Workspace. Examen DP-100: ~50 Fragen, 100 Minuten, 700/1000 Pass.