Microsoft Azure Data Scientist Associate
225 Übungsfragen
Zuletzt überprüft: April 2026
Persönliche Notizen und Ressourcenlinks für Ihre Lernreise
Nach Zertifizierung Filtern
DP-100 validiert die täglichen Fähigkeiten eines Data Scientists, der auf Azure arbeitet: Entwurf von ML-Lösungen, Erkundung und Vorbereitung von Daten, Training und Bereitstellung von Modellen in Azure Machine Learning und – seit der Überarbeitung 2024 – Optimierung von Sprachmodellen für KI-Anwendungen. Die Zielgruppe sind praktizierende Data Scientists und ML Engineers, die Python gegen das Azure ML SDK / CLI v2 schreiben und das Azure ML Studio verwenden. Die Prüfung legt mehr Wert auf Azure-spezifische Implementierung als auf klassische Statistik oder Algorithmentheorie: Erwarten Sie 40–60 Fragen in 100 Minuten, darunter Drag-and-Drops zur Code-Vervollständigung, Szenario-Aufgaben und mindestens eine Fallstudie.
Etwa 22 %. Auswahl von Compute und Speicher für ML-Workloads, Azure ML Workspaces, Datastores und Datenressourcen, Umgebungen und Überlegungen zur verantwortungsvollen KI während des Designs.
Etwa 22 %. Azure ML Notebooks, AutoML für Klassifizierung / Regression / Prognose / NLP / CV, Azure ML Designer und grundlegende MLflow-Integration zur Experimentverfolgung.
Größter klassischer ML-Bereich mit 28 %. Trainingsjobs (Skript- und Kommandojobs), verteiltes Training, Hyperparameter-Sweep-Jobs, Modellregistrierung, Managed Online Endpoints, Batch Endpoints und Pipelines.
Neuer Bereich, der 2024 mit 28 % Gewicht hinzugefügt wurde. Prompt Flow, Fine-Tuning von Foundation Models in Azure ML / Azure AI Foundry, Evaluierung von LLM-Anwendungen, RAG-Muster und Responsible-AI-Kontrollen für generative Szenarien.
Services, die Sie in der Prüfung antreffen, und warum jeder davon wichtig ist.
End-to-End verwaltete ML-Plattform – Workspaces, Compute, Datastores, Umgebungen, Jobs, Registries und verwaltete Inferenz-Endpunkte über den gesamten Lebenszyklus hinweg.
Warum er in der Prüfung steht: Azure ML ist der übergreifende Dienst, der jede DP-100-Domäne abdeckt – erwarten Sie Fragen zur Workspace-Einrichtung, Compute-Auswahl, Asset-Versionierung und zur Verwendung der v2 CLI/SDK.
Webbasierter Workspace für Azure ML – Notebooks, Experiment-Tracking, Asset-Browser, Compute-Verwaltung und Ein-Klick-Modellbereitstellung.
Warum er in der Prüfung steht: Domäne 2 (Datenexploration und Experimente durchführen) prüft Studio als Oberfläche zum Starten von Jobs, Anzeigen von Run-Metriken und Vergleichen von Experimenten nebeneinander.
Visuelle Drag-and-Drop-Oberfläche zum Erstellen, Trainieren und Bereitstellen von ML-Pipelines ohne Code, mit integrierten Dataset- und Transform-Modulen.
Warum er in der Prüfung steht: Domäne 1 stellt Designer als den Low-Code-Pfad zur Datenvorbereitung und zum Zusammenstellen von Trainings-Pipelines dar – grenzen Sie ihn von SDK/CLI v2 Workflows ab.
Automatisiertes Training, das Algorithmen, Featurisierung und Hyperparameter über Klassifikations-, Regressions-, Forecasting-, NLP- und Vision-Aufgaben hinweg durchsucht.
Warum er in der Prüfung steht: Domäne 3 (Modelle trainieren und bereitstellen) prüft AutoML für Basismodelle, Modellauswahl in großem Maßstab und die Ermittlung des besten Laufs zur Registrierung.
Versionierte, mehrstufige Orchestrierung für Datenvorbereitung, Training, Evaluierung und Bereitstellung – deklariert über YAML-Jobs oder das Python SDK v2.
Warum er in der Prüfung steht: Reproduzierbarkeits- und Wiederverwendbarkeitsszenarien in den Domänen 2 und 3 nennen Pipelines als die kanonische Antwort gegenüber Ad-hoc-Skripten oder Notebooks.
Workspace-spezifische Registrierung von versionierten Modellen mit Stages, Tags und signierter Herkunft bis zum Trainings-Job und zur Dataset-Version.
Warum er in der Prüfung steht: Szenarien zur Produktionsüberführung in Domäne 3 prüfen die Model Registry als auditable Übergabe zwischen Training und Inferenz-Bereitstellung.
Verwaltete Online- (geringe Latenz, Echtzeit) und Batch-Endpunkte für gehostete Inferenz, mit Traffic-Splitting, Autoscaling und Managed Identity.
Warum er in der Prüfung steht: Domäne 3 fragt häufig nach Abwägungen zwischen Online- und Batch-Inferenz sowie Blue/Green-Traffic-Split-Rollouts – verwaltete Endpunkte sind das benannte Primitive.
Einheitlicher Workspace zum Erstellen generativer KI-Anwendungen – Modellkatalog, Fine-Tuning, Evaluierungs-Flows, Prompt-Orchestrierung und Integration von Inhalts-Sicherheit.
Warum er in der Prüfung steht: Domäne 4 (Sprachmodelle für KI-Anwendungen optimieren) basiert auf AI Foundry als Plattform für die Auswahl von Foundation Models, Fine-Tuning und Evaluierung.
Verwaltete Apache Spark + Delta Lake Plattform mit MLflow Tracking, verteiltem Training und enger Azure ML Interop für großskalige Datenvorbereitung und Modellierung.
Warum er in der Prüfung steht: Domäne 1 Szenarien mit großen Datenmengen bevorzugen Databricks für verteiltes Feature Engineering und PySpark-Transformationen außerhalb von Azure ML Compute.
Einheitliche Analyseplattform, die dedizierte/serverlose SQL-Pools, Spark-Pools und Pipelines für die datenbankweite Datenvorbereitung zur Einspeisung in Azure ML kombiniert.
Warum er in der Prüfung steht: Domäne 1 Fragen zu Unternehmensdatenquellen für das Training nennen Synapse als Warehouse-seitigen Quell-Konnektor für Azure ML Datastores.
Hierarchischer Namespace-Blob-Speicher-Tier, optimiert für Analyse-Workloads – der Standard-Backing-Store für Azure ML Datastores und Trainings-Assets.
Warum er in der Prüfung steht: Jedes DP-100 Datenvorbereitungs-Szenario geht von ADLS Gen2 als Datensubstrat aus – Datastore-Registrierung, ACLs und Lebenszyklus-Richtlinien tauchen alle in Domäne 1 auf.
Verwalteter Zugriff auf OpenAI Foundation Models (GPT-4o, GPT-4.1, o-series, Embedding-Modelle) mit Fine-Tuning, Inhaltsfiltern und Entra-ID-Authentifizierung.
Warum er in der Prüfung steht: Domäne 4 Fine-Tuning-, Embedding- und Prompt-Engineering-Szenarien für Sprachmodell-Anwendungen sind im Azure OpenAI Service verankert.
Nativer MLflow Tracking-Server in jedem Azure ML Workspace – protokolliert Parameter, Metriken, Artefakte und Modelle mit dem offenen MLflow SDK.
Warum er in der Prüfung steht: Domäne 2 Experiment-Tracking-Fragen nennen MLflow als die kanonische API; erwarten Sie Distraktoren, die MLflow Autolog mit der manuellen Job-Ausgabeerfassung vergleichen.
Verwaltete Compute-Cluster (CPU/GPU), Compute-Instanzen und serverlose Trainingsoptionen mit Autoscaling, Low-Priority-Preisen und Spot-Tiers.
Warum er in der Prüfung steht: Domäne 3 Trainingsszenarien prüfen die Auswahl von CPU vs. GPU, die Cluster-Größe für verteiltes Training und die Kontingentplanung für Hyperparameter-Sweeps.
Visuelle und Code-First-Autorisierung von LLM-Workflows – Prompt-Vorlagen, verkettete Tool-Aufrufe, Evaluierungs-Flows und Batch-Run-Bewertung anhand von Test-Sets.
Warum er in der Prüfung steht: Domäne 4 RAG-, Prompt-Engineering- und Evaluierungs-Szenarien werden über Prompt Flow als produktionsreife Authoring-Oberfläche getestet.
Serverloses ereignisgesteuertes Compute für leichte Echtzeit-Inferenz, Nachbearbeitung von Modell-Outputs und das Verknüpfen von Azure ML-Aufrufen mit Geschäfts-Workflows.
Warum er in der Prüfung steht: Domäne 3 Fragen zu Bereitstellungsmustern unterscheiden verwaltete Online-Endpunkte von benutzerdefinierten Functions-basierten Inferenzen aus Gründen des Kaltstarts, der Payload-Größe oder der Kosten.
Identitätsplattform, die Benutzer-/Dienstprinzipal-Authentifizierung, Managed Identities, RBAC-Rollen und Conditional Access für jede Azure ML-Ressource bereitstellt.
Warum er in der Prüfung steht: Domäne 1 Workspace-Einrichtung und Domäne 3 Bereitstellungs-Zugriffskontroll-Szenarien nennen Entra ID Managed Identities als die AAD-native Methode zur Autorisierung von Compute und Endpunkten.
Verwalteter Speicher für Geheimnisse, Schlüssel und Zertifikate für Verbindungszeichenfolgen, Modell-API-Schlüssel und kundenseitig verwaltete Schlüssel zum Schutz von Trainingsdaten und Artefakten.
Warum er in der Prüfung steht: Kundenseitig verwaltete Schlüsselverschlüsselung für Azure ML Workspace-Daten und der Abruf von Geheimnissen aus Trainings-Jobs nennen beide Key Vault als Antwort in Domäne 1.
Metriken, Logs, Alarme und Application Insights-Abdeckung für Azure ML-Endpunkte, Trainings-Jobs und Data-Drift-Signale über Log Analytics Workspaces.
Warum er in der Prüfung steht: Domäne 3 Produktionsüberwachungs-Szenarien prüfen Azure Monitor + Log Analytics für Endpunkt-Latenz-/Fehler-Alarme und die Weiterleitung von Model-Drift-Erkennungen an Ops-Teams.
Vereinheitlichte Data Governance zum Scannen von Datastores, Klassifizieren sensibler Daten, Abbilden von Lineage und Erzwingen von Zugriffsrichtlinien über die gesamte Analyseumgebung hinweg.
Warum er in der Prüfung steht: Responsible-AI- und Data-Governance-Fragen in den Domänen 1 und 4 verweisen auf Purview für die Herkunft von Trainingsdaten, PII-Klassifizierung und lineage-gesteuerte Modellfreigabegates.
$115k–$165k–$230k USD jährlich
Die Spanne umfasst US-basierte Data Scientists der mittleren bis oberen Ebene, bei denen Azure ML-Kenntnisse erforderlich sind. FAANG / Unicorn Applied Scientists erreichen oft über 300.000 US-Dollar TC. Das Zertifikat ist ein Screening-Signal; nachgewiesene Modellerfahrung und Veröffentlichungen / Kaggle / Open-Source-Präsenz treiben das obere Ende voran.
Quelle: levels.fyi 2025 für Data Scientist / ML Engineer Rollen, U.S. BLS OEWS Mai 2024 (15-2051 data scientists, 15-2099 ML scientists), Glassdoor 2025. Die Zahlen sind ungefähr; die tatsächliche Vergütung hängt von der Rolle, der Region und der Erfahrung ab.
DP-100 hat eine konstante Nachfrage erfahren, da Unternehmen ML auf Azure ML und zunehmend auf Azure AI Foundry operationalisieren. Recruiter betrachten es als den kanonischen Azure ML Nachweis – am nützlichsten für Data Scientists, die zeigen müssen, dass sie über ein Notebook hinaus in Managed Endpoints und Pipelines liefern können. Der 2024 hinzugefügte Bereich der LLM-Optimierung hat DP-100 auch für GenAI Engineers attraktiver gemacht. Es passt gut zu AI-102 für Ingenieure, die Produktions-GenAI-Anwendungen entwickeln, und zu DP-203 / DP-700 für ML-Praktiker mit Fokus auf Data Engineering.
Es gibt keine formalen Voraussetzungen, aber DP-100 setzt voraus, dass bereits praxisbezogene Data-Science-Fähigkeiten vorhanden sind. Microsofts Gliederung erwartet fließende Kenntnisse in Python, dem scikit-learn / pandas / NumPy Stack und dem grundlegenden ML-Workflow (Split, Train, Evaluate, Deploy). DP-900 ist ein nützlicher konzeptioneller Einstieg für Kandidaten, die neu bei Azure-Datendiensten sind, ist aber nicht erforderlich.
Der offizielle Microsoft Learn-Pfad deckt alle vier Bereiche in etwa 30–40 Stunden ab, wobei der Fokus auf Azure ML SDK / CLI v2 und Prompt Flow liegt. Praktische Erfahrung ist unerlässlich: ein persönliches Azure-Abonnement mit einem kleinen Azure ML Workspace sowie mehr als 10 Stunden für die Durchführung realer Trainingsjobs, Modellbereitstellungen und Prompt-Flow-Ausführungen. Der 2024 hinzugefügte LLM-Optimierungsbereich ist in älteren Materialien von Drittanbietern unterrepräsentiert, daher sollten sich Kandidaten für diesen Bereich auf Microsoft Learn-Module verlassen.
DP-100 gehört zur Associate-Stufe und gilt allgemein als mittelschwer – einfacher als AZ-204 / AI-102 für erfahrene Data Scientists, schwieriger für Ingenieure, die neu in ML sind. Planen Sie 60–100 Stunden Lernzeit über 6–10 Wochen mit vorheriger Data-Science-Erfahrung ein; wesentlich länger, wenn Python ML neu für Sie ist. Die Prüfung dauert etwa 100 Minuten mit 40–60 Fragen in Multiple-Choice, Multiple-Response, Drag-and-Drop (einschließlich Code-Vervollständigung), Hot-Area und Fallstudienformaten.
Das häufigste Stolperstein sind Azure ML SDK / CLI v2-Besonderheiten – Microsofts kürzliche Migration von SDK v1 zu v2 hat viele Lernmaterialien von Drittanbietern unbrauchbar gemacht, sodass älteres Material veraltete YAML- und Befehlsstrukturen aufweisen kann. Der neue LLM-Optimierungsbereich (Prompt Flow, Fine-Tuning, Evaluierung) hat eine eigene Lernkurve und überrascht oft Kandidaten, die DP-100 als eine klassische ML-Prüfung betrachtet haben.
Große Überarbeitung, die den LLM-Optimierungsbereich (28 % Gewichtung) hinzufügt, Trainingsjob- und Bereitstellungsmaterial auf Azure ML SDK / CLI v2 modernisiert und Azure AI Foundry-Konzepte integriert. Microsoft überarbeitet DP-100 etwa alle 12–18 Monate, ohne den Prüfungscode zu ändern.
Migration von Azure ML SDK v1 zu SDK / CLI v2-Rahmenwerk, Einstellung von Azure ML Designer-lastigen Fragen und Hinzufügung der MLflow-Integrationsabdeckung.
Erste GA, ersetzt den eingestellten DP-100 (Legacy-Code). Die ursprüngliche Gliederung konzentrierte sich auf Azure ML Designer, AutoML und SDK v1.
DP-100 (Microsoft Azure Data Scientist Associate) ist eine eine mittelschwere Prüfung, die praktische Erfahrung sowie ein solides Verständnis der Best Practices erwartet Associate-Level-Prüfung. Die meisten Kandidaten benötigen 80–150 Stunden Lernzeit, verteilt über 6–12 Wochen, für Prüfungen auf Associate-Niveau. Die meisten Kandidaten, die bei Übungsprüfungen konstant über der Bestehensschwelle liegen, bestehen beim ersten Versuch.
Die meisten Kandidaten benötigen 80–150 Stunden Lernzeit, verteilt über 6–12 Wochen, für Prüfungen auf Associate-Niveau. Die benötigte Zeit bis zum Bestehen variiert stark je nach Vorerfahrung. Ingenieure mit praktischer Produktionserfahrung in der zugrunde liegenden Technologie benötigen in der Regel weniger; Kandidaten, die neu auf der Plattform sind, sollten sich am oberen Ende dieses Bereichs orientieren.
DP-100 ist ein anerkanntes Zeugnis im Azure-Ökosystem und signalisiert Arbeitgebern, Personalvermittlern und Kunden validiertes Wissen. Ob es sich für Sie lohnt, hängt von Ihrer Rolle und Ihren Zielen ab – es zahlt sich am meisten für Cloud-Ingenieure, Architekten und Berater aus, die täglich mit Azure arbeiten oder in solche Rollen wechseln möchten.
Die Bestehensgrenze für DP-100 beträgt 700 / 1000. Die Prüfung enthält 50 Fragen und dauert 1 Std 40 Min.
Die Prüfungsgebühr für DP-100 beträgt $165 USD. Die Gebühren werden von Azure festgelegt und können je nach Region variieren; bestätigen Sie immer den aktuellen Preis auf der offiziellen Azure Zertifizierungsseite, bevor Sie buchen.
Microsoft rollenbasierte Zertifizierungen verfallen nach 1 Jahr, können aber kostenlos über eine unüberwachte Online-Bewertung auf Microsoft Learn erneuert werden, beginnend 6 Monate vor dem Ablaufdatum.
Ja. Sie können die Prüfung online (über den sicheren Browser des Anbieters, in den meisten Regionen rund um die Uhr verfügbar) oder in einem persönlichen Pearson VUE Testzentrum während der Geschäftszeiten ablegen. Beide Formate verwenden die gleichen Fragen, Zeitlimits und Bestehensgrenzen.
CertLabPro bietet 15 Lernmodi für die Übungsfragenbank für DP-100. Der Prüfungssimulationsmodus bildet die echte Prüfung ab: 50 Fragen in 1 Std 40 Min, mit der gleichen Bestehensschwelle von 700 / 1000. Im Browsing-Modus können Sie jede Frage und Antwort statisch lesen.