Examens de pratique | MS Azure DP-100 Design & Implement DS Sol

Acheter maintenant

Prix: $19.99

In order to set realistic expectations, please note: These questions are NOT official questions that you will find on the official exam. These questions DO cover all the material outlined in the knowledge sections below. Many of the questions are based on fictitious scenarios which have questions posed within them.

The official knowledge requirements for the exam are reviewed routinely to ensure that the content has the latest requirements incorporated in the practice questions. Updates to content are often made without prior notification and are subject to change at any time.

Chaque question a une explication détaillée et des liens vers des documents de référence pour soutenir les réponses, ce qui garantit l'exactitude des solutions aux problèmes..

Les questions seront mélangées à chaque fois que vous répéterez les tests, vous devrez donc savoir pourquoi une réponse est correcte., pas seulement que la bonne réponse était item “B” la dernière fois que tu as passé le test.

L'Azure Data Scientist applique ses connaissances en science des données et en apprentissage automatique pour implémenter et exécuter des charges de travail d'apprentissage automatique sur Azure; en particulier, using Azure Machine Learning Service and Azure Databricks. Cela implique de planifier et de créer un environnement de travail adapté aux charges de travail de science des données sur Azure, exécuter des expériences de données et former des modèles prédictifs, gestion et optimisation des modèles, and deploying machine learning models into production.Candidates for the Azure Data Scientist Associate certification should have subject matter expertise applying data science and machine learning to implement and run machine learning workloads on Azure.

Les responsabilités pour ce rôle incluent la planification et la création d'un environnement de travail adapté aux charges de travail de science des données sur Azure. Vous exécutez des expériences de données et formez des modèles prédictifs. en outre, vous gérez, optimiser, et déployer des modèles d'apprentissage automatique en production.

A candidate for this certification should have knowledge and experience in data science and using Azure Machine Learning and Azure Databricks.

Skills measured on Microsoft Azure DP-100 Exam

Set up an Azure Machine Learning Workspace (30-35%)

Créer un espace de travail Azure Machine Learning

• create an Azure Machine Learning workspace

• configure workspace settings

• manage a workspace by using Azure Machine Learning studio

Manage data objects in an Azure Machine Learning workspace

• register and maintain datastores

• create and manage datasets

Manage experiment compute contexts

• create a compute instance

• determine appropriate compute specifications for a training workload

• create compute targets for experiments and training

Run Experiments and Train Models (25-30%)

Create models by using Azure Machine Learning Designer

• create a training pipeline by using Azure Machine Learning designer

• ingest data in a designer pipeline

• use designer modules to define a pipeline data flow

• use custom code modules in designer

Run training scripts in an Azure Machine Learning workspace

• create and run an experiment by using the Azure Machine Learning SDK

• configure run settings for a script

• consume data from a dataset in an experiment by using the Azure Machine Learning SDK

Générer des métriques à partir d'une exécution de test

• log metrics from an experiment run

• retrieve and view experiment outputs

• use logs to troubleshoot experiment run errors

Automate the model training process

• create a pipeline by using the SDK

• pass data between steps in a pipeline

• run a pipeline

• monitor pipeline runs

Optimize and Manage Models (20-25%)

Use Automated ML to create optimal models

• use the Automated ML interface in Azure Machine Learning studio

• use Automated ML from the Azure Machine Learning SDK

• select pre-processing options

• determine algorithms to be searched

• define a primary metric

• get data for an Automated ML run

• retrieve the best model

Use Hyperdrive to tune hyperparameters

• select a sampling method

• define the search space

• define the primary metric

• define early termination options

• find the model that has optimal hyperparameter values

Utiliser des explicateurs de modèles pour interpréter les modèles

• select a model interpreter

• generate feature importance data

Manage models

• register a trained model

• monitor model usage

• monitor data drift

Deploy and Consume Models (20-25%)

Create production compute targets

• consider security for deployed services

• evaluate compute options for deployment

Déployer un modèle en tant que service

• configure deployment settings

• consume a deployed service

• troubleshoot deployment container issues

Create a pipeline for batch inferencing

• publish a batch inferencing pipeline

• run a batch inferencing pipeline and obtain outputs

Publish a designer pipeline as a web service

• create a target compute resource

• configure an Inference pipeline

• consume a deployed endpoint

L'examen est disponible dans les langues suivantes: Anglais, Japonais, chinois (Simplifié), coréen