Экзамен Microsoft DP-100

Варианты оплаты и стоимость экзамена

1. Оплата по нашему счету. Стоимость экзамена Microsoft DP-100 по выставленному нами счету уточняйте у менеджера. По окончании тестирования выдаются закрывающие документы (акт и договор), а также результат экзамена в распечатанном виде.
2. Прямая оплата банковской картой. Вы можете самостоятельно зарегистрироваться на экзамен DP-100 по стоимости вендора, оплатив его своей банковской картой. В этом случае наш центр тестирования не требует от вас дополнительной оплаты каких либо услуг, после сдачи экзамена выдается только распечатка результата.

Правила отмены и переноса экзаменов Microsoft

Изменения от 01.05.2017

Exam Replay

Описание экзамена

Аудитория:

Кандидат на экзамен DP-100 Designing and Implementing a Data Science Solution on Azure является специалистом по данным (data scientist), обладающим навыками использоввания Azure Machine Learning Service, а также знаниями для создания, обучения и развертывания решений машинного обучения в облаке Azure.

Tехнология:

MS Azure

Зачет в сертификацию: при успешной сдаче экзамена DP-100 Designing and Implementing a Data Science Solution on Azure, Вы получаете сертификацию:

Microsoft Certified: Azure Data Scientist Associate

Этот экзамен проводит оценку ваших способностей для выполнения технических задач, перечисленных ниже.

• Настройка рабочей области Azure Machine Learning Workspace (30–35%)
• Создание рабочей области Azure Machine Learning Workspace

Создание рабочей области Azure Machine Learning Workspace, настройка параметров рабочего пространства, управление рабочим пространством с помощью Azure Machine Learning Studio

• Управление объектами данных в рабочей области Azure Machine Learning Workspace

Регистрация и поддержка хранилища данных, создание и управление наборами данных

• Настройка вычислительного контекста эксперимента

Создание экземпляра вычисления, определение соответствующих вычислительных спецификаций нагрузки при обучении, создание целевых показателей вычислений для экспериментов и обучения

• Запуск экспериментов и обучение моделей (30–35%)
• Создание моделей с помощью Azure Machine Learning Designer

Создание конвейера обучения с помощью Designer, внедрение данных в конвейер, использование модулей Designer для определения потока данных конвейера, использование пользовательских модулей кода

• Запуск сценариев в рабочей области Azure Machine Learning

Создание и запуск эксперимента с помощью Azure Machine Learning, использование данных из хранилища данных в эксперименте с помощью Azure Machine Learning SDK, использование данные из набора данных в эксперименте с помощью Azure Machine Learning SDK, выбор методики оценки.

• Генерация метрик эксперимента

Журналирование метрик эксперимента, получение и просмотр результатов эксперимента, использование журналов для устранения ошибок эксперимента

• Автоматизация процесса обучения модели

Создание конвейера с помощью SDK, передача данных между этапами в конвейере, запуск конвейера, мониторинг работы конвейера

• Оптимизация и управление моделями (20-25%)
• Использование Automated ML для создания оптимальных моделей

Использование интерфейса Automated ML в Studio, использование интерфейса Automated ML из Azure ML SDK, выбор функции масштабирования и опций предварительной обработки, определение алгоритмов, определение первичной метрики, получение данных для Automated ML, получение лучшей модели.

• Использование Hyperdrive для настройки гиперпараметров

Выбор метода сэмплирования, определение пространства поиска, определение основного показателя, определение вариантов досрочного прекращения, поиск модели с оптимальными значениями гиперпараметра

• Использование интерпретаторов моделей

Выбор интерпретатора модели, генерация данных о важности признаков

• Управление моделями

Регистрация обученной модели, отслеживание истории моделей, контроль дрейфа данных

• Развертывание и использование модели (20-25%)
• Создание целевых показателей вычислений

Безопасность развернутых служб, оценка параметров вычислений для развертывания

• Развертывание модели как службы

Настройка параметров развертывания, использование готовой службы, устранение проблем с контейнерами развертывания

• Создание конвейера для пакетного вывода

Публикация конвейера вывода, запуск конвейера вывода и получение выходных данных

• Публикация конвейера Designer как веб-службы

Создание целевого вычислительного ресурса, настройка конвейера вывода, использование конечных точек (endpoint).

Для подготовки к этому экзамену, Microsoft Learning рекомендует иметь практический опыт работы с технологией, использовать учебные ресурсы. Учебные ресурсы не обязательно охватывают все области в теме экзамена.

• Обучение в классах: DP-100 Designing and Implementing a Data Science Solution on Azure (3 дня)

• Интернет-ресурсы Microsoft:
  • Microsoft Learning Community: чтение новостей и посещение форумов для общения с другими людьми и обмена опытом;
  • TechNet: Разработан для ИТ-специалистов, этот сайт содержит инструкции, как решать конкретные, практические задачи, материалы для скачивания, технические ресурсы, группы новостей и чаты.
  • Microsoft Learn: интерактивный портал для обучения.