سوالات آزمون Microsoft Data Scientist (DP-100) - می 2025 - آخرین آپدیت

آماده شوید: بیش از 400 تست تمرینی DP-100 به همراه توضیحات برای کسب مدرک Microsoft Data Scientist Associate

آیا می خواهید مدرک Microsoft Certified: Data Scientist Associate را کسب کنید؟ این مجموعه تست تمرینی DP-100 به شما کمک می کند تا برای امتحان آماده شوید و شانس موفقیت خود را افزایش دهید.

با استفاده از این تست های تمرینی، یاد می گیرید که چگونه:

• ایجاد و پیکربندی فضاهای کاری Azure Machine Learning برای حجم های کاری علم داده و آزمایش ها.
• ساخت، آموزش و ارزیابی مدل های یادگیری ماشین با استفاده از SDK ها و ابزارهای Azure ML مانند Jupyter Notebooks و AutoML.
• مدیریت خطوط لوله ML، اجرای آزمایش ها و استفاده از تنظیم هایپرپارامتر برای بهینه سازی عملکرد مدل.
• استقرار مدل ها به عنوان سرویس های وب و نظارت بر آنها در محیط تولید با استفاده از Azure Machine Learning برای مقیاس پذیری و قابلیت اطمینان.

پیش نیازها:

دانشجویان باید درک اولیه ای از پایتون، مفاهیم یادگیری ماشین و آشنایی با سرویس های Azure داشته باشند.

مهارت ها در یک نگاه

• طراحی و آماده سازی یک راه حل یادگیری ماشین (20-25٪)
• اکتشاف داده ها و اجرای آزمایش ها (20-25٪)
• آموزش و استقرار مدل ها (25-30٪)
• بهینه سازی مدل های زبانی برای برنامه های هوش مصنوعی (25-30٪)

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

طراحی یک راه حل یادگیری ماشین

• شناسایی ساختار و فرمت برای مجموعه داده ها
• 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 datastores
• ایجاد و مدیریت اهداف محاسباتی
• تنظیم ادغام Git برای کنترل منبع

ایجاد و مدیریت دارایی ها در یک فضای کاری Azure Machine Learning

• ایجاد و مدیریت دارایی های داده
• ایجاد و مدیریت محیط ها
• به اشتراک گذاری دارایی ها در فضاهای کاری با استفاده از رجیستری ها

اکتشاف داده ها و اجرای آزمایش ها (20-25٪)

استفاده از یادگیری ماشین خودکار برای کشف مدل های بهینه

• استفاده از یادگیری ماشین خودکار برای داده های جدولی
• استفاده از یادگیری ماشین خودکار برای بینایی کامپیوتری
• استفاده از یادگیری ماشین خودکار برای پردازش زبان طبیعی
• انتخاب و درک گزینه های آموزشی، از جمله پیش پردازش و الگوریتم ها
• ارزیابی اجرای یادگیری ماشین خودکار، از جمله دستورالعمل های هوش مصنوعی مسئولانه

استفاده از نوت بوک ها برای آموزش مدل سفارشی

• استفاده از ترمینال برای پیکربندی یک نمونه محاسباتی
• دسترسی و دستکاری داده ها در نوت بوک ها
• دستکاری داده ها به صورت تعاملی با استخرهای Synapse Spark متصل و محاسبات Spark بدون سرور
• بازیابی ویژگی ها از یک فروشگاه ویژگی برای آموزش یک مدل
• پیگیری آموزش مدل با استفاده از MLflow
• ارزیابی یک مدل، از جمله دستورالعمل های هوش مصنوعی مسئولانه

خودکارسازی تنظیم هایپرپارامتر

• انتخاب یک روش نمونه برداری
• تعریف فضای جستجو
• تعریف متریک اصلی
• تعریف گزینه های خاتمه زودهنگام

آموزش و استقرار مدل ها (25-30٪)

اجرای اسکریپت های آموزش مدل

• مصرف داده ها در یک کار
• پیکربندی محاسبات برای اجرای یک کار
• پیکربندی یک محیط برای اجرای یک کار
• پیگیری آموزش مدل با MLflow در اجرای یک کار
• تعریف پارامترها برای یک کار
• اجرای یک اسکریپت به عنوان یک کار
• استفاده از لاگ ها برای عیب یابی خطاهای اجرای کار

پیاده سازی خطوط لوله آموزشی

• ایجاد اجزای سفارشی
• ایجاد یک خط لوله
• انتقال داده ها بین مراحل در یک خط لوله
• اجرا و زمان بندی یک خط لوله
• نظارت و عیب یابی اجرای خط لوله

مدیریت مدل ها

• تعریف امضا در فایل MLmodel
• بسته بندی 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 دسته ای
• استقرار یک مدل در یک نقطه پایانی دسته ای
• فراخوانی نقطه پایانی دسته ای برای شروع یک کار امتیازدهی دسته ای

بهینه سازی مدل های زبانی برای برنامه های هوش مصنوعی (25-30٪)

آماده شدن برای بهینه سازی مدل

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

بهینه سازی از طریق مهندسی پرامپت و جریان پرامپت

• تست پرامپت ها با ارزیابی دستی
• تعریف و پیگیری انواع پرامپت
• ایجاد قالب های پرامپت
• تعریف منطق زنجیره ای با SDK جریان پرامپت
• استفاده از ردیابی برای ارزیابی جریان خود

بهینه سازی از طریق تولید تقویت شده با بازیابی (RAG)

• آماده سازی داده ها برای RAG، از جمله تمیز کردن، تکه تکه کردن و جاسازی
• پیکربندی یک فروشگاه برداری
• پیکربندی یک فروشگاه شاخص مبتنی بر Azure AI Search
• ارزیابی راه حل RAG خود

بهینه سازی از طریق تنظیم دقیق

• آماده سازی داده ها برای تنظیم دقیق
• انتخاب یک مدل پایه مناسب
• اجرای یک کار تنظیم دقیق
• ارزیابی مدل تنظیم شده دقیق خود