■ 考試名稱

Azure Data Scientist Associate

■ 版本編號(hào)

DP-100

■ 技能概覽

? 設(shè)計(jì)和準(zhǔn)備機(jī)器學(xué)習(xí)解決方案 (20–25%)
? 瀏覽數(shù)據(jù)和運(yùn)行試驗(yàn) (20–25%)
? 訓(xùn)練和部署模型 (25–30%)
? 優(yōu)化 AI 應(yīng)用程序的語言模型 (25–30%)

■ 設(shè)計(jì)和準(zhǔn)備機(jī)器學(xué)習(xí)解決方案 (20–25%)

設(shè)計(jì)機(jī)器學(xué)習(xí)解決方案

識(shí)別數(shù)據(jù)集的結(jié)構(gòu)和格式
確定機(jī)器學(xué)習(xí)工作負(fù)載的計(jì)算規(guī)范
選擇訓(xùn)練模型的開發(fā)方法

創(chuàng)建和管理 Azure 機(jī)器學(xué)習(xí)工作區(qū)的資源

創(chuàng)建和管理工作區(qū)
創(chuàng)建和管理數(shù)據(jù)存儲(chǔ)
創(chuàng)建和管理計(jì)算目標(biāo)
為源代碼管理設(shè)置 Git 集成

創(chuàng)建和管理 Azure 機(jī)器學(xué)習(xí)服務(wù)工作區(qū)的資產(chǎn)

創(chuàng)建和管理數(shù)據(jù)資產(chǎn)
創(chuàng)建和管理環(huán)境
使用注冊(cè)表跨工作區(qū)共享資產(chǎn)

■ 瀏覽數(shù)據(jù)和運(yùn)行試驗(yàn) (20–25%)

使用自動(dòng)化機(jī)器學(xué)習(xí)探索最佳模型

將自動(dòng)化機(jī)器學(xué)習(xí)用于表格數(shù)據(jù)
將自動(dòng)化機(jī)器學(xué)習(xí)用于計(jì)算機(jī)視覺
將自動(dòng)化機(jī)器學(xué)習(xí)用于自然語言處理
選擇并了解訓(xùn)練選項(xiàng)，包括預(yù)處理和算法
評(píng)估自動(dòng)化機(jī)器學(xué)習(xí)運(yùn)行，包括負(fù)責(zé)任 AI 準(zhǔn)則

使用筆記本進(jìn)行自定義模型訓(xùn)練

使用終端配置計(jì)算實(shí)例
在筆記本中訪問和整理數(shù)據(jù)
使用附加的 Synapse Spark 池和無服務(wù)器 Spark 計(jì)算以交互方式整理數(shù)據(jù)
在特征存儲(chǔ)中檢索特征以訓(xùn)練模型
使用 MLflow 跟蹤模型訓(xùn)練
評(píng)估模型，包括負(fù)責(zé)任 AI 準(zhǔn)則

自動(dòng)超參數(shù)優(yōu)化

選擇采樣方法
定義搜索空間
定義主要指標(biāo)
定義提前終止選項(xiàng)

■ 訓(xùn)練和部署模型 (25–30%)

運(yùn)行模型訓(xùn)練腳本

在作業(yè)中使用數(shù)據(jù)
為作業(yè)運(yùn)行配置計(jì)算
為作業(yè)運(yùn)行配置環(huán)境
在作業(yè)運(yùn)行中使用 MLflow 跟蹤模型訓(xùn)練
定義作業(yè)的參數(shù)
將腳本作為作業(yè)運(yùn)行
使用日志排查作業(yè)運(yùn)行錯(cuò)誤

實(shí)現(xiàn)訓(xùn)練管道

創(chuàng)建自定義組件
創(chuàng)建管道
在管道中的步驟之間傳遞數(shù)據(jù)
運(yùn)行和計(jì)劃管道
監(jiān)視管道運(yùn)行并對(duì)其進(jìn)行故障排除

管理模型

在 MLmodel 文件中定義簽名
將特征檢索規(guī)范與模型項(xiàng)目打包
注冊(cè) MLflow 模型
使用負(fù)責(zé)任 AI 原則評(píng)估模型

部署模型

為聯(lián)機(jī)部署配置設(shè)置
將模型部署到聯(lián)機(jī)終結(jié)點(diǎn)
測(cè)試聯(lián)機(jī)部署的服務(wù)
為批處理部署配置計(jì)算
將模型部署到批處理終結(jié)點(diǎn)
調(diào)用批處理終結(jié)點(diǎn)以啟動(dòng)批量評(píng)分作業(yè)

■ 優(yōu)化 AI 應(yīng)用程序的語言模型 (25–30%)

準(zhǔn)備模型優(yōu)化

從模型目錄中選擇和部署語言模型
使用基準(zhǔn)比較語言模型
在操場(chǎng)中測(cè)試已部署的語言模型
選擇優(yōu)化方法

通過提示工程和提示流進(jìn)行優(yōu)化

使用手動(dòng)評(píng)估測(cè)試提示
定義和跟蹤提示變體
創(chuàng)建提示模板
使用提示流 SDK 定義鏈接邏輯
使用跟蹤評(píng)估流

通過檢索增強(qiáng)生成 (RAG) 進(jìn)行優(yōu)化

為 RAG 準(zhǔn)備數(shù)據(jù)，包括清理、分塊和嵌入
配置矢量存儲(chǔ)
配置基于 Azure AI 搜索的索引存儲(chǔ)
評(píng)估 RAG 解決方案

通過微調(diào)進(jìn)行優(yōu)化

準(zhǔn)備數(shù)據(jù)進(jìn)行微調(diào)
選擇適當(dāng)?shù)幕A(chǔ)模型
運(yùn)行微調(diào)作業(yè)
評(píng)估經(jīng)過微調(diào)的模型