Übungsprüfungen | MS Azure DP-100-Design & Implementieren von DS Sol

Kaufe jetzt

Preis: $19.99

Um realistische Erwartungen zu setzen, bitte beachten Sie: Diese Fragen sind KEINE offiziellen Fragen, die Sie in der offiziellen Prüfung finden. Diese Fragen decken das gesamte Material ab, das in den folgenden Wissensabschnitten beschrieben wird. Viele der Fragen basieren auf fiktiven Szenarien, in denen Fragen gestellt sind.

Die offiziellen Wissensanforderungen für die Prüfung werden regelmäßig überprüft, um sicherzustellen, dass die Inhalte den neuesten Anforderungen in den Übungsfragen entsprechen. Inhaltsaktualisierungen erfolgen oft ohne vorherige Ankündigung und können sich jederzeit ändern.

Jede Frage hat eine detaillierte Erklärung und Links zu Referenzmaterialien, um die Antworten zu unterstützen, die die Genauigkeit der Problemlösungen gewährleisten.

Die Fragen werden jedes Mal neu gemischt, wenn Sie die Tests wiederholen, sodass Sie wissen müssen, warum eine Antwort richtig ist, nicht nur, dass die richtige Antwort item war “B” das letzte mal hast du den test gemacht.

Der Azure Data Scientist wendet sein Wissen in Data Science und Machine Learning an, um Machine-Learning-Workloads in Azure zu implementieren und auszuführen; bestimmtes, mit Azure Machine Learning Service und Azure Databricks. Dazu gehört die Planung und Erstellung einer geeigneten Arbeitsumgebung für Data-Science-Workloads auf Azure, Durchführung von Datenexperimenten und Training von Vorhersagemodellen, Modelle verwalten und optimieren, und Bereitstellung von Modellen für maschinelles Lernen in der Produktion. Kandidaten für die Azure Data Scientist Associate-Zertifizierung sollten über Fachkenntnisse in der Anwendung von Datenwissenschaft und maschinellem Lernen zur Implementierung und Ausführung von Machine Learning-Workloads in Azure verfügen.

Zu den Aufgaben dieser Rolle gehört die Planung und Erstellung einer geeigneten Arbeitsumgebung für Data Science-Workloads in Azure. Du führst Datenexperimente durch und trainierst Vorhersagemodelle. In Ergänzung, Sie verwalten, optimieren, und Modelle für maschinelles Lernen in der Produktion bereitstellen.

Ein Kandidat für diese Zertifizierung sollte über Kenntnisse und Erfahrungen in Data Science und der Verwendung von Azure Machine Learning und Azure Databricks verfügen.

In der Microsoft Azure DP-100-Prüfung gemessene Fähigkeiten

Einrichten eines Azure Machine Learning-Arbeitsbereichs (30-35%)

Erstellen eines Azure Machine Learning-Arbeitsbereichs

• einen Azure Machine Learning-Arbeitsbereich erstellen

• Arbeitsbereichseinstellungen konfigurieren

• Verwalten eines Arbeitsbereichs mithilfe von Azure Machine Learning Studio

Verwalten von Datenobjekten in einem Azure Machine Learning-Arbeitsbereich

• Registrieren und Verwalten von Datenspeichern

• Datensätze erstellen und verwalten

Compute-Kontexte für Experimente verwalten

• eine Compute-Instanz erstellen

• Bestimmen geeigneter Rechenspezifikationen für eine Trainingsworkload

• Erstellen von Rechenzielen für Experimente und Schulungen

Experimente durchführen und Modelle trainieren (25-30%)

Erstellen Sie Modelle mit Azure Machine Learning Designer

• Erstellen einer Trainingspipeline mithilfe des Azure Machine Learning-Designers

• Daten in eine Designer-Pipeline aufnehmen

• Verwenden Sie Designer-Module, um einen Pipeline-Datenfluss zu definieren

• Verwenden Sie benutzerdefinierte Codemodule im Designer

Ausführen von Trainingsskripts in einem Azure Machine Learning-Arbeitsbereich

• Erstellen und Ausführen eines Experiments mithilfe des Azure Machine Learning SDK

• Ausführungseinstellungen für ein Skript konfigurieren

• Verbrauchen von Daten aus einem Dataset in einem Experiment mithilfe des Azure Machine Learning SDK

Messwerte aus einem Testlauf generieren

• Log-Messwerte aus einem Testlauf

• Testausgaben abrufen und anzeigen

• Verwenden Sie Protokolle, um Fehler bei der Testausführung zu beheben.

Automatisieren Sie den Modelltrainingsprozess

• Erstellen Sie eine Pipeline mit dem SDK

• Übergabe von Daten zwischen Schritten in einer Pipeline

• eine Pipeline betreiben

• Pipeline-Verläufe überwachen

Modelle optimieren und verwalten (20-25%)

Verwenden Sie Automated ML, um optimale Modelle zu erstellen

• Verwenden Sie die automatisierte ML-Schnittstelle in Azure Machine Learning Studio

• Verwenden Sie automatisierte ML aus dem Azure Machine Learning SDK

• Vorverarbeitungsoptionen auswählen

• zu durchsuchende Algorithmen bestimmen

• Definiere eine primäre Metrik

• Daten für einen automatisierten ML-Lauf abrufen

• das beste Modell abrufen

Verwenden Sie Hyperdrive zum Optimieren von Hyperparametern

• Wählen Sie eine Probenahmemethode aus

• Definiere den Suchraum

• Definieren Sie die primäre Metrik

• Optionen zur vorzeitigen Beendigung definieren

• Finden Sie das Modell mit optimalen Hyperparameterwerten

Verwenden Sie Modellerklärungen, um Modelle zu interpretieren

• Wählen Sie einen Modellinterpreter aus

• Daten zur Merkmalswichtigkeit generieren

Modelle verwalten

• ein trainiertes Modell registrieren

• Modellnutzung überwachen

• Datendrift überwachen

Modelle bereitstellen und nutzen (20-25%)

Erstellen Sie Compute-Ziele für die Produktion

• Berücksichtigen Sie die Sicherheit für bereitgestellte Dienste

• Evaluieren von Computeoptionen für die Bereitstellung

Bereitstellen eines Modells als Dienst

• Bereitstellungseinstellungen konfigurieren

• einen bereitgestellten Dienst nutzen

• Beheben von Problemen mit Bereitstellungscontainern

Erstellen Sie eine Pipeline für Batch-Inferencing

• eine Batch-Inferenz-Pipeline veröffentlichen

• Führen Sie eine Batch-Inferenz-Pipeline aus und erhalten Sie Ausgaben

Veröffentlichen Sie eine Designer-Pipeline als Webdienst

• eine Ziel-Rechenressource erstellen

• eine Inferenzpipeline konfigurieren

• einen bereitgestellten Endpunkt verbrauchen

Die Prüfung ist in den folgenden Sprachen verfügbar: Englisch, japanisch, Chinesisch (Vereinfacht), Koreanisch