آزمون DP-100: طراحی و پیاده سازی راهکارهای علم داده - می 2025 - آخرین آپدیت

آماده‌اید برای قبولی در آزمون DP-100؟ بیش از ۳۵۰ سوال تمرینی با توضیحات کامل برای کسب مدرک Microsoft Azure Data Science!

این آزمون مهارت‌های شما را در زمینه‌های زیر ارزیابی می‌کند:

• طراحی و ایجاد یک محیط کار مناسب برای پردازش داده‌های علم داده.
• اجرای وظایف برای آماده‌سازی برای تولید.
• مدیریت، استقرار و نظارت بر راه‌حل‌های مقیاس‌پذیر یادگیری ماشین.
• آموزش مدل‌های یادگیری ماشین.

پیش‌نیازها: برای شرکت در این آزمون، باید دانش و تجربه کافی در علم داده با استفاده از ابزارهای زیر را داشته باشید:

• Azure Machine Learning
• MLflow
• سرویس‌های Azure AI (شامل Azure AI Search و Azure AI Foundry)

مروری بر مهارت‌ها:

• طراحی و آماده‌سازی یک راه‌حل یادگیری ماشین (20–25%)
• کاوش در داده‌ها و اجرای آزمایش‌ها (20–25%)
• آموزش و استقرار مدل‌ها (25–30%)
• بهینه‌سازی مدل‌های زبانی برای برنامه‌های هوش مصنوعی (25–30%)

طراحی و آماده‌سازی یک راه‌حل یادگیری ماشین (20–25%)

طراحی یک راه‌حل یادگیری ماشین

• شناسایی ساختار و قالب برای مجموعه‌های داده
• تعیین مشخصات محاسباتی برای حجم کار یادگیری ماشین
• انتخاب رویکرد توسعه برای آموزش یک مدل

ایجاد و مدیریت منابع در یک فضای کاری Azure Machine Learning

• ایجاد و مدیریت یک فضای کاری
• ایجاد و مدیریت ذخیره‌گاه‌های داده
• ایجاد و مدیریت اهداف محاسباتی
• راه‌اندازی یکپارچه‌سازی Git برای کنترل منبع

ایجاد و مدیریت دارایی‌ها در یک فضای کاری Azure Machine Learning

• ایجاد و مدیریت دارایی‌های داده
• ایجاد و مدیریت محیط‌ها
• به اشتراک‌گذاری دارایی‌ها در بین فضاهای کاری با استفاده از رجیستری‌ها

کاوش در داده‌ها و اجرای آزمایش‌ها (20–25%)

استفاده از یادگیری ماشین خودکار برای کاوش در مدل‌های بهینه

• استفاده از یادگیری ماشین خودکار برای داده‌های جدولی
• استفاده از یادگیری ماشین خودکار برای بینایی کامپیوتر
• استفاده از یادگیری ماشین خودکار برای پردازش زبان طبیعی
• انتخاب و درک گزینه‌های آموزشی، از جمله پیش‌پردازش و الگوریتم‌ها
• ارزیابی یک اجرای یادگیری ماشین خودکار، از جمله دستورالعمل‌های هوش مصنوعی مسئولانه

استفاده از نوت‌بوک‌ها برای آموزش مدل سفارشی

• استفاده از ترمینال برای پیکربندی یک نمونه محاسباتی
• دسترسی و دستکاری داده‌ها در نوت‌بوک‌ها
• دستکاری تعاملی داده‌ها با استخرهای Synapse Spark متصل و محاسبات Spark بدون سرور
• بازیابی ویژگی‌ها از یک فروشگاه ویژگی برای آموزش یک مدل
• پیگیری آموزش مدل با استفاده از MLflow
• ارزیابی یک مدل، از جمله دستورالعمل‌های هوش مصنوعی مسئولانه

خودکارسازی تنظیم ابرپارامتر

• انتخاب یک روش نمونه‌گیری
• تعریف فضای جستجو
• تعریف متریک اصلی
• تعریف گزینه‌های خاتمه زودهنگام

آموزش و استقرار مدل‌ها (25–30%)

اجرای اسکریپت‌های آموزش مدل

• مصرف داده‌ها در یک شغل
• پیکربندی محاسبات برای یک اجرای شغلی
• پیکربندی یک محیط برای یک اجرای شغلی
• پیگیری آموزش مدل با MLflow در یک اجرای شغلی
• تعریف پارامترها برای یک شغل
• اجرای یک اسکریپت به عنوان یک شغل
• استفاده از لاگ‌ها برای عیب‌یابی خطاهای اجرای شغلی

پیاده‌سازی پایپ‌لاین‌های آموزش

• ایجاد اجزای سفارشی
• ایجاد یک پایپ‌لاین
• انتقال داده‌ها بین مراحل در یک پایپ‌لاین
• اجرا و زمان‌بندی یک پایپ‌لاین
• نظارت و عیب‌یابی اجراهای پایپ‌لاین

مدیریت مدل‌ها

• تعریف امضا در فایل MLmodel
• بسته‌بندی یک مشخصات بازیابی ویژگی با مصنوع مدل
• ثبت یک مدل MLflow
• ارزیابی یک مدل با استفاده از اصول هوش مصنوعی مسئولانه

استقرار یک مدل

• پیکربندی تنظیمات برای استقرار آنلاین
• استقرار یک مدل در یک نقطه پایانی آنلاین
• تست یک سرویس مستقر شده آنلاین
• پیکربندی محاسبات برای یک استقرار دسته‌ای
• استقرار یک مدل در یک نقطه پایانی دسته‌ای
• فراخوانی نقطه پایانی دسته‌ای برای شروع یک شغل امتیازدهی دسته‌ای

بهینه‌سازی مدل‌های زبانی برای برنامه‌های هوش مصنوعی (25–30%)

آماده شدن برای بهینه‌سازی مدل

• انتخاب و استقرار یک مدل زبانی از کاتالوگ مدل
• مقایسه مدل‌های زبانی با استفاده از معیارها
• تست یک مدل زبانی مستقر شده در زمین بازی
• انتخاب یک رویکرد بهینه‌سازی

بهینه‌سازی از طریق مهندسی پرامپت و جریان پرامپت

• تست پرامپت‌ها با ارزیابی دستی
• تعریف و پیگیری انواع پرامپت
• ایجاد قالب‌های پرامپت
• تعریف منطق زنجیره‌ای با SDK جریان پرامپت
• استفاده از ردیابی برای ارزیابی جریان خود

بهینه‌سازی از طریق تولید افزایش یافته بازیابی (RAG)

• تهیه داده‌ها برای RAG، از جمله تمیز کردن، تکه‌تکه کردن و جاسازی
• پیکربندی یک فروشگاه برداری
• پیکربندی یک فروشگاه شاخص مبتنی بر Azure AI Search
• ارزیابی راه‌حل RAG خود

بهینه‌سازی از طریق تنظیم دقیق

• تهیه داده‌ها برای تنظیم دقیق
• انتخاب یک مدل پایه مناسب
• اجرای یک شغل تنظیم دقیق
• ارزیابی مدل تنظیم شده خود