آموزش آزمون های عملی | طراحی و پیاده سازی MS Azure DP-100 DS Sol

به منظور ایجاد انتظارات واقع بینانه، لطفاً توجه داشته باشید: این سؤالات سؤالات رسمی نیستند که در آزمون رسمی پیدا کنید. این سوالات تمام مطالبی را که در بخش‌های دانش زیر بیان شده‌اند را پوشش می‌دهد. بسیاری از سؤالات بر اساس سناریوهای ساختگی است که سؤالاتی در درون آنها مطرح شده است.

الزامات دانش رسمی برای امتحان به طور معمول بررسی می شود تا اطمینان حاصل شود که محتوا دارای آخرین الزامات گنجانده شده در سؤالات تمرینی است. به روز رسانی محتوا اغلب بدون اطلاع قبلی انجام می شود و در هر زمان ممکن است تغییر کند.

هر سؤال دارای توضیح مفصل و پیوندهایی به مواد مرجع برای پشتیبانی از پاسخ‌ها است که صحت راه‌حل‌های مشکل را تضمین می‌کند.

هر بار که تست‌ها را تکرار می‌کنید، سؤالات به هم می‌ریزند، بنابراین باید بدانید که چرا یک پاسخ صحیح است، نه اینکه آخرین باری که آزمون را انجام دادید، پاسخ صحیح مورد «B» بود.

توجه: این دوره نباید تنها مطالب آموزشی شما برای آمادگی برای آزمون رسمی باشد. این آزمون‌های تمرینی برای تکمیل مطالب مطالعه موضوعی است.

کاندیداهای این آزمون باید در کاربرد علم داده و یادگیری ماشین برای پیاده‌سازی و اجرای بارهای کاری یادگیری ماشین در Azure تخصص موضوعی داشته باشند.

مسئولیت‌های این نقش شامل طراحی و ایجاد یک محیط کاری مناسب برای حجم کاری علم داده است. کاوش داده ها؛ آموزش مدل های یادگیری ماشینی؛ اجرای خطوط لوله؛ اجرای مشاغل برای آماده شدن برای تولید؛ و مدیریت، استقرار، و نظارت بر راه حل های یادگیری ماشین مقیاس پذیر.

یک داوطلب برای این آزمون باید با استفاده از یادگیری ماشینی Azure و MLflow دانش و تجربه در علم داده داشته باشد.

مهارت های اندازه گیری شده در آزمون Microsoft Azure DP-100

• یک راه حل یادگیری ماشین (20 تا 25%) طراحی و آماده کنید

• کاوش داده‌ها و مدل‌های قطار (۳۵–۴۰%)

• یک مدل برای استقرار (20-25٪) آماده کنید

• استقرار و آموزش مجدد یک مدل (10-15٪)

این آزمون توانایی شما را برای انجام وظایف فنی زیر اندازه گیری می کند: طراحی و آماده سازی راه حل یادگیری ماشین. کاوش داده ها و مدل های قطار؛ تهیه مدل برای استقرار؛ و یک مدل را مستقر و دوباره آموزش دهید.

گروه های عملکردی

یک راه حل یادگیری ماشین (20-25٪) طراحی و آماده کنید

یک راه حل یادگیری ماشین طراحی کنید

• مشخصات محاسباتی مناسب برای حجم کار آموزشی را تعیین کنید

• شرایط استقرار مدل را شرح دهید

• رویکرد توسعه برای ساخت یا آموزش مدل را انتخاب کنید

یک فضای کاری یادگیری ماشینی Azure را مدیریت کنید

• یک فضای کاری یادگیری ماشینی Azure ایجاد کنید

• با استفاده از ابزارهای توسعه دهنده برای تعامل با فضای کاری، یک فضای کاری را مدیریت کنید

• یکپارچه سازی Git را برای کنترل منبع تنظیم کنید

داده ها را در یک فضای کاری یادگیری ماشینی Azure مدیریت کنید

• منابع Azure Storage را انتخاب کنید

• ذخیره‌های داده را ثبت و نگهداری کنید

• ایجاد و مدیریت دارایی های داده

محاسبه را برای آزمایش‌ها در یادگیری ماشینی Azure مدیریت کنید

• اهداف محاسباتی برای آزمایش‌ها و آموزش ایجاد کنید

• محیطی را برای یک مورد استفاده از یادگیری ماشین انتخاب کنید

• پیکربندی منابع محاسباتی پیوست شده، از جمله Azure Databricks و Azure Synapse Analytics

• بررسی استفاده از محاسبات

داده‌ها و مدل‌های قطار را کاوش کنید (35–40%)

داده‌ها را با استفاده از دارایی‌های داده و ذخیره‌های داده

• بارگیری و تبدیل داده ها

• داده ها را با استفاده از Azure Data Explorer تجزیه و تحلیل کنید

• از حریم خصوصی دیفرانسیل استفاده کنید

با استفاده از طراح یادگیری ماشین Azure

• یک خط لوله آموزشی ایجاد کنید

• دارایی های داده را از طراح مصرف کنید

• از اجزای طراح برای تعریف جریان داده خط لوله استفاده کنید

• از اجزای کد سفارشی در طراح استفاده کنید

• مدل، از جمله دستورالعمل‌های هوش مصنوعی مسئول را ارزیابی کنید

از یادگیری ماشینی خودکار برای کشف مدل‌های بهینه استفاده کنید

• از یادگیری ماشین خودکار برای داده های جدولی استفاده کنید

• از یادگیری ماشین خودکار برای بینایی رایانه استفاده کنید

از یادگیری ماشین خودکار برای پردازش زبان طبیعی (NLP) استفاده کنید

• گزینه های آموزشی، از جمله پیش پردازش و الگوریتم ها را انتخاب و درک کنید

• یک اجرای یادگیری ماشین خودکار، از جمله دستورالعمل‌های هوش مصنوعی مسئول را ارزیابی کنید

برای آموزش مدل های سفارشی از نوت بوک استفاده کنید

• با استفاده از یک نمونه محاسباتی کد ایجاد کنید

• داده ها را در نوت بوک مصرف کنید

• آموزش مدل را با استفاده از MLflow ردیابی کنید

• یک مدل را ارزیابی کنید

• با استفاده از Python SDK یک مدل را آموزش دهید

• از پایانه برای پیکربندی یک نمونه محاسباتی استفاده کنید

هایپرپارامترها را با یادگیری ماشینی Azure تنظیم کنید

• یک روش نمونه گیری را انتخاب کنید

• فضای جستجو را تعریف کنید

• متریک اولیه را تعریف کنید

• گزینه های خاتمه زودهنگام را تعریف کنید

یک مدل برای استقرار (20-25٪) آماده کنید

اسکریپت های آموزشی مدل را اجرا کنید

• تنظیمات اجرای کار را برای یک اسکریپت پیکربندی کنید

• محاسبات را برای اجرای کار پیکربندی کنید

• مصرف داده از دارایی داده در یک کار

• یک اسکریپت را با استفاده از یادگیری ماشینی Azure به عنوان کار اجرا کنید

• از MLflow برای ثبت معیارهای یک کار اجرا شده استفاده کنید

• از گزارش‌ها برای عیب‌یابی خطاهای اجرای کار استفاده کنید

• محیطی را برای اجرای کار پیکربندی کنید

• پارامترهای یک کار را تعریف کنید

خطوط لوله آموزشی

• یک خط لوله ایجاد کنید

• داده‌ها را بین مراحل در خط لوله انتقال دهید

• یک خط لوله را اجرا و برنامه ریزی کنید

• نظارت بر اجرای خط لوله

• ایجاد اجزای سفارشی

• از خطوط لوله مبتنی بر مؤلفه استفاده کنید

مدل‌ها را در یادگیری ماشینی Azure مدیریت کنید

• خروجی مدل MLflow را توضیح دهید

• یک چارچوب مناسب برای بسته بندی یک مدل شناسایی کنید

یک مدل را با استفاده از دستورالعمل‌های هوش مصنوعی مسئول ارزیابی کنید

استقرار و آموزش مجدد یک مدل (10-15٪)

استقرار یک مدل

• تنظیمات را برای استقرار در زمان واقعی پیکربندی کنید

• محاسبات را برای استقرار دسته ای پیکربندی کنید

• استقرار یک مدل در نقطه پایانی هم‌زمان

• استقرار یک مدل در نقطه پایانی دسته ای

• یک سرویس مستقر در زمان واقعی را آزمایش کنید

• برای شروع یک کار امتیازدهی دسته ای، نقطه پایان دسته را فراخوانی کنید

اعمال عملیات یادگیری ماشین (MLOps)

• راه‌اندازی خط لوله یادگیری ماشینی Azure، از جمله از Azure DevOps یا GitHub

• آموزش مجدد مدل را بر اساس افزودن داده‌ها یا تغییرات داده‌های جدید به‌طور خودکار انجام دهید

• محرک‌های بازآموزی مبتنی بر رویداد را تعریف کنید

آزمون به زبان‌های زیر موجود است: انگلیسی، ژاپنی، چینی (ساده‌شده)، کره‌ای، آلمانی، چینی (سنتی)، فرانسوی، اسپانیایی، پرتغالی (برزیل)، روسی، عربی (عربستان سعودی)، ایتالیایی، اندونزیایی (اندونزی)