Microsoft Azure Data Scientist Associate
225 अभ्यास प्रश्न
अंतिम समीक्षा: April 2026
आपकी अध्ययन यात्रा के लिए व्यक्तिगत नोट्स और संसाधन लिंक
सर्टिफिकेशन द्वारा फ़िल्टर करें
DP-100 एक डेटा साइंटिस्ट के रोजमर्रा के कौशल को प्रमाणित करता है जो Azure पर काम करते हैं: ML समाधान डिज़ाइन करना, डेटा की खोज और तैयारी करना, Azure Machine Learning में मॉडल को प्रशिक्षित और तैनात करना, और — 2024 के रीफ्रेश के बाद से — AI एप्लिकेशनों के लिए भाषा मॉडल को अनुकूलित करना। लक्षित दर्शक ऐसे अभ्यास करने वाले डेटा साइंटिस्ट और ML इंजीनियर हैं जो Azure ML SDK / CLI v2 के विरुद्ध Python लिखते हैं और Azure ML studio का उपयोग करते हैं। यह परीक्षा शास्त्रीय सांख्यिकी या एल्गोरिथम सिद्धांत की तुलना में Azure-विशिष्ट कार्यान्वयन पर अधिक केंद्रित है: 100 मिनट में 40–60 प्रश्नों की अपेक्षा करें जिसमें कोड-पूर्णता ड्रैग-एंड-ड्रॉप, परिदृश्य आइटम और कम से कम एक केस स्टडी शामिल है।
लगभग 22%। ML वर्कलोड के लिए कंप्यूट और स्टोरेज का चयन करना, Azure ML वर्कस्पेस, डेटास्टोर और डेटा एसेट, वातावरण, और डिज़ाइन के समय जिम्मेदार-AI विचार।
लगभग 22%। Azure ML नोटबुक, वर्गीकरण / प्रतिगमन / पूर्वानुमान / NLP / CV के लिए AutoML, Azure ML डिजाइनर, और प्रयोग ट्रैकिंग के लिए बुनियादी MLflow एकीकरण।
28% पर सबसे बड़ा शास्त्रीय-ML डोमेन। प्रशिक्षण कार्य (स्क्रिप्ट और कमांड जॉब), वितरित प्रशिक्षण, हाइपरपैरामीटर स्वीप जॉब, मॉडल पंजीकरण, प्रबंधित ऑनलाइन एंडपॉइंट, बैच एंडपॉइंट और पाइपलाइन।
2024 में 28% भार के साथ नया डोमेन जोड़ा गया। प्रॉम्प्ट फ्लो, Azure ML / Azure AI Foundry में फाउंडेशन मॉडल का फाइन-ट्यूनिंग, LLM एप्लिकेशनों का मूल्यांकन, RAG पैटर्न, और जनरेटिव परिदृश्यों के लिए जिम्मेदार-AI नियंत्रण।
परीक्षा में आने वाली सेवाएँ और क्यों प्रत्येक महत्वपूर्ण है।
एंड-टू-एंड प्रबंधित ML प्लेटफ़ॉर्म — पूरे जीवनचक्र में वर्कस्पेस, कंप्यूट, डेटास्टोर्स, वातावरण, जॉब्स, रजिस्ट्री और प्रबंधित इन्फ़रेंस एंडपॉइंट्स।
यह परीक्षा में क्यों है: Azure ML हर DP-100 डोमेन में फैली एक छत्र सेवा है — वर्कस्पेस सेटअप, कंप्यूट चयन, एसेट वर्शनिंग और v2 CLI/SDK उपयोग पर प्रश्नों की अपेक्षा करें।
Azure ML के लिए वेब-आधारित वर्कस्पेस — नोटबुक्स, प्रयोग ट्रैकिंग, एसेट ब्राउज़र, कंप्यूट प्रबंधन और वन-क्लिक मॉडल डिप्लॉयमेंट।
यह परीक्षा में क्यों है: डोमेन 2 (डेटा एक्सप्लोर करें और प्रयोग चलाएँ) Studio का परीक्षण जॉब्स शुरू करने, रन मेट्रिक्स देखने और प्रयोगों की साइड-बाय-साइड तुलना करने के लिए सतह के रूप में करता है।
कोड लिखे बिना ML पाइपलाइन्स बनाने, ट्रेन करने और डिप्लॉय करने के लिए ड्रैग-एंड-ड्रॉप विज़ुअल इंटरफ़ेस, जिसमें बिल्ट-इन डेटासेट और ट्रांसफ़ॉर्म मॉड्यूल शामिल हैं।
यह परीक्षा में क्यों है: डोमेन 1 डिज़ाइनर को डेटा तैयार करने और ट्रेनिंग पाइपलाइन्स असेंबल करने के लिए लो-कोड मार्ग के रूप में प्रस्तुत करता है — इसे SDK/CLI v2 वर्कफ़्लो से अलग करें।
स्वचालित ट्रेनिंग जो क्लासिफ़िकेशन, रिग्रेशन, फ़ोरकास्टिंग, NLP और विज़न टास्क में एल्गोरिदम, फ़ीचराइज़ेशन और हाइपरपैरामीटर को स्वीप करती है।
यह परीक्षा में क्यों है: डोमेन 3 (मॉडल ट्रेन और डिप्लॉय करें) AutoML का परीक्षण बेसलाइन मॉडलों, बड़े पैमाने पर मॉडल चयन और पंजीकरण के लिए सर्वोत्तम रन को सतह पर लाने के लिए करता है।
डेटा तैयार करने, ट्रेनिंग, मूल्यांकन और डिप्लॉयमेंट के लिए वर्शन्ड मल्टी-स्टेप ऑर्केस्ट्रेशन — YAML जॉब्स या Python SDK v2 के माध्यम से घोषित।
यह परीक्षा में क्यों है: डोमेन 2 और 3 में रिप्रोड्यूसिबिलिटी और रियूजेबिलिटी परिदृश्यों में Pipelines को एड-हॉक स्क्रिप्ट या नोटबुक्स के बजाय कैनोनिकल उत्तर के रूप में नामित किया गया है।
स्टेजेस, टैग्स और ट्रेनिंग जॉब और डेटासेट वर्शन तक हस्ताक्षरित लीनेज के साथ वर्शन्ड मॉडलों का वर्कस्पेस-स्कोप्ड रजिस्ट्री।
यह परीक्षा में क्यों है: डोमेन 3 के उत्पादन-में-प्रमोशन परिदृश्य मॉडल रजिस्ट्री का परीक्षण ट्रेनिंग और इन्फ़रेंस डिप्लॉयमेंट के बीच ऑडिट करने योग्य हैंडऑफ़ के रूप में करते हैं।
होस्टेड इन्फ़रेंस के लिए प्रबंधित ऑनलाइन (कम-लेटेंसी रियल-टाइम) और बैच एंडपॉइंट्स, जिसमें ट्रैफ़िक स्प्लिटिंग, ऑटोस्केलिंग और प्रबंधित पहचान शामिल है।
यह परीक्षा में क्यों है: डोमेन 3 अक्सर ऑनलाइन-बनाम-बैच ट्रेडऑफ़ और ब्लू/ग्रीन ट्रैफ़िक-स्प्लिट रोलआउट्स पूछता है — प्रबंधित एंडपॉइंट्स नामित प्रिमिटिव हैं।
जेनरेटिव-AI ऐप्स बनाने के लिए एकीकृत वर्कस्पेस — मॉडल कैटलॉग, फ़ाइन-ट्यूनिंग, मूल्यांकन फ़्लो, प्रॉम्प्ट ऑर्केस्ट्रेशन और कंटेंट-सेफ़्टी इंटीग्रेशन।
यह परीक्षा में क्यों है: डोमेन 4 (AI एप्लिकेशन के लिए भाषा मॉडल को ऑप्टिमाइज़ करें) AI Foundry पर आधारित है, जो फ़ाउंडेशन-मॉडल चयन, फ़ाइन-ट्यूनिंग और मूल्यांकन के लिए प्लेटफ़ॉर्म है।
MLflow ट्रैकिंग, डिस्ट्रिब्यूटेड ट्रेनिंग और बड़े पैमाने पर डेटा तैयार करने और मॉडलिंग के लिए टाइट Azure ML इंटरॉप के साथ प्रबंधित Apache Spark + Delta Lake प्लेटफ़ॉर्म।
यह परीक्षा में क्यों है: डोमेन 1 के बड़े-डेटा परिदृश्य Azure ML कंप्यूट के बाहर डिस्ट्रिब्यूटेड फ़ीचर इंजीनियरिंग और PySpark ट्रांसफ़ॉर्म के लिए Databricks को प्राथमिकता देते हैं।
वेयरहाउस-स्केल डेटा तैयार करने के लिए समर्पित/सर्वरलेस SQL पूल्स, Spark पूल्स और पाइपलाइन्स को मिलाकर एकीकृत एनालिटिक्स प्लेटफ़ॉर्म जो Azure ML को फ़ीड करता है।
यह परीक्षा में क्यों है: ट्रेनिंग के लिए एंटरप्राइज़ डेटा स्रोतों पर डोमेन 1 के प्रश्न Synapse को Azure ML डेटास्टोर्स के लिए वेयरहाउस-साइड सोर्स कनेक्टर के रूप में नामित करते हैं।
एनालिटिक्स वर्कलोड के लिए ऑप्टिमाइज़ किया गया हाइरार्किकल-नेमस्पेस ब्लब स्टोरेज टियर — Azure ML डेटास्टोर्स और ट्रेनिंग एसेट्स के लिए डिफ़ॉल्ट बैकिंग स्टोर।
यह परीक्षा में क्यों है: हर DP-100 डेटा-प्रेप परिदृश्य ADLS Gen2 को डेटा सबस्ट्रेट मानता है — डेटास्टोर पंजीकरण, ACLs और लाइफ़साइकल नीतियाँ सभी डोमेन 1 में सामने आती हैं।
OpenAI फ़ाउंडेशन मॉडल्स (GPT-4o, GPT-4.1, o-सीरीज़, एम्बेडिंग मॉडल्स) तक प्रबंधित पहुँच, जिसमें फ़ाइन-ट्यूनिंग, कंटेंट फ़िल्टर और Entra-ID प्रमाणीकरण शामिल है।
यह परीक्षा में क्यों है: भाषा-मॉडल ऐप्स के लिए डोमेन 4 के फ़ाइन-ट्यूनिंग, एम्बेडिंग और प्रॉम्प्ट-इंजीनियरिंग परिदृश्य Azure OpenAI Service पर आधारित हैं।
हर Azure ML वर्कस्पेस के अंदर नेटिव MLflow ट्रैकिंग सर्वर — ओपन MLflow SDK के साथ पैरामीटर्स, मेट्रिक्स, आर्टिफैक्ट्स और मॉडल्स को लॉग करें।
यह परीक्षा में क्यों है: डोमेन 2 के प्रयोग-ट्रैकिंग प्रश्नों में MLflow को कैनोनिकल API के रूप में नामित किया गया है; MLflow autolog की तुलना मैनुअल जॉब-आउटपुट कैप्चर से करने वाले डिस्ट्रैक्टर की अपेक्षा करें।
ऑटोस्केलिंग, कम-प्राथमिकता वाले मूल्य निर्धारण और स्पॉट टियर के साथ प्रबंधित कंप्यूट क्लस्टर (CPU/GPU), कंप्यूट इंस्टेंसेस और सर्वरलेस ट्रेनिंग विकल्प।
यह परीक्षा में क्यों है: डोमेन 3 के ट्रेनिंग परिदृश्य CPU-बनाम-GPU चयन, डिस्ट्रिब्यूटेड ट्रेनिंग के लिए क्लस्टर साइज़िंग और हाइपरपैरामीटर स्वीप के लिए कोटा योजना का परीक्षण करते हैं।
LLM वर्कफ़्लो का विज़ुअल + कोड-फ़र्स्ट ऑथरिंग — प्रॉम्प्ट टेम्प्लेट, चेन्ड टूल कॉल्स, मूल्यांकन फ़्लो और टेस्ट सेट्स के विरुद्ध बैच-रन ग्रेडिंग।
यह परीक्षा में क्यों है: डोमेन 4 के RAG, प्रॉम्प्ट-इंजीनियरिंग और मूल्यांकन परिदृश्यों का परीक्षण प्रॉम्प्ट फ़्लो के माध्यम से उत्पादन-ग्रेड ऑथरिंग सतह के रूप में किया जाता है।
हल्के रियल-टाइम इन्फ़रेंस, मॉडल-आउटपुट पोस्ट-प्रोसेसिंग और Azure ML कॉल्स को बिज़नेस वर्कफ़्लो में जोड़ने के लिए सर्वरलेस इवेंट-ड्रिवन कंप्यूट।
यह परीक्षा में क्यों है: डोमेन 3 के डिप्लॉयमेंट-पैटर्न प्रश्न कोल्ड-स्टार्ट, पेलोड-साइज़ या लागत कारणों से प्रबंधित ऑनलाइन एंडपॉइंट्स को कस्टम फंक्शंस-आधारित इन्फ़रेंस से अलग करते हैं।
पहचान प्लेटफ़ॉर्म जो हर Azure ML रिसोर्स के लिए उपयोगकर्ता/सेवा-प्राथमिक प्रमाणीकरण, प्रबंधित पहचान, RBAC रोल्स और Conditional Access प्रदान करता है।
यह परीक्षा में क्यों है: डोमेन 1 के वर्कस्पेस सेटअप और डोमेन 3 के डिप्लॉयमेंट एक्सेस-कंट्रोल परिदृश्य Entra ID प्रबंधित पहचानों को कंप्यूट और एंडपॉइंट्स को अधिकृत करने के लिए AAD-नेटिव तरीके के रूप में नामित करते हैं।
कनेक्शन स्ट्रिंग्स, मॉडल API कीज़ और ट्रेनिंग डेटा तथा आर्टिफैक्ट्स की सुरक्षा करने वाली कस्टमर-मैनेज्ड कीज़ के लिए प्रबंधित सीक्रेट्स, कीज़ और सर्टिफिकेट्स स्टोर।
यह परीक्षा में क्यों है: Azure ML वर्कस्पेस डेटा के लिए कस्टमर-मैनेज्ड की एन्क्रिप्शन और ट्रेनिंग जॉब्स से सीक्रेट रिट्रीवल दोनों में डोमेन 1 में Key Vault को उत्तर के रूप में नामित किया गया है।
Log Analytics वर्कस्पेस के माध्यम से Azure ML एंडपॉइंट्स, ट्रेनिंग जॉब्स और डेटा ड्रिफ्ट सिग्नलों के लिए मेट्रिक्स, लॉग्स, अलर्ट्स और Application Insights कवरेज।
यह परीक्षा में क्यों है: डोमेन 3 के प्रोडक्शन-मॉनिटरिंग परिदृश्य एंडपॉइंट लेटेंसी/एरर अलर्ट्स और मॉडल-ड्रिफ्ट डिटेक्शन को ऑप्स टीमों तक पहुँचाने के लिए Azure Monitor + Log Analytics का परीक्षण करते हैं।
डेटास्टोर्स को स्कैन करने, संवेदनशील डेटा को वर्गीकृत करने, लीनेज मैप करने और एनालिटिक्स एस्टेट में एक्सेस नीतियों को लागू करने के लिए एकीकृत डेटा गवर्नेंस।
यह परीक्षा में क्यों है: डोमेन 1 और 4 में जिम्मेदार-AI और डेटा-गवर्नेंस के प्रश्न ट्रेनिंग-डेटा लीनेज, PII क्लासिफ़िकेशन और लीनेज-अवेयर मॉडल रिलीज़ गेट्स के लिए Purview का संदर्भ देते हैं।
$115k–$165k–$230k USD वार्षिक
यह रेंज यूएस-आधारित मिड-टू-सीनियर डेटा साइंटिस्ट को कवर करती है जिनके लिए Azure ML प्रवीणता आवश्यक है। FAANG / यूनिकॉर्न अप्लाइड साइंटिस्ट अक्सर $300k TC से अधिक कमाते हैं। यह सर्ट एक स्क्रीनिंग संकेत है; प्रदर्शित मॉडलिंग अनुभव और प्रकाशन / kaggle / ओपन-सोर्स उपस्थिति उच्च अंत को संचालित करती है।
स्रोत: levels.fyi 2025 डेटा साइंटिस्ट / ML इंजीनियर भूमिकाएँ, U.S. BLS OEWS मई 2024 (15-2051 डेटा साइंटिस्ट, 15-2099 ML साइंटिस्ट), Glassdoor 2025. आंकड़े अनुमानित हैं; वास्तविक मुआवजा भूमिका, क्षेत्र और अनुभव पर निर्भर करता है।
DP-100 की मांग स्थिर बनी हुई है क्योंकि उद्यम Azure ML पर और तेजी से Azure AI Foundry पर ML का संचालन कर रहे हैं। भर्तीकर्ता इसे प्रमाणिक Azure ML प्रमाण बिंदु मानते हैं — यह उन डेटा साइंटिस्ट के लिए सबसे उपयोगी है जिन्हें यह प्रदर्शित करने की आवश्यकता है कि वे नोटबुक से आगे प्रबंधित एंडपॉइंट और पाइपलाइन में शिपिंग कर सकते हैं। 2024 के LLM-अनुकूलन डोमेन ने DP-100 को GenAI इंजीनियरों के लिए भी अधिक आकर्षक बना दिया है। यह उत्पादन GenAI ऐप्स बनाने वाले इंजीनियरों के लिए AI-102 के साथ और डेटा-इंजीनियर-उन्मुख ML प्रैक्टिशनर्स के लिए DP-203 / DP-700 के साथ स्वाभाविक रूप से जुड़ता है।
कोई औपचारिक पूर्वापेक्षाएँ नहीं हैं, लेकिन DP-100 प्रवेश के लिए प्रैक्टिशनर-स्तर के डेटा-विज्ञान कौशल को मानता है। माइक्रोसॉफ्ट की रूपरेखा में Python, scikit-learn / pandas / NumPy स्टैक और कोर ML वर्कफ़्लो (स्प्लिट, ट्रेन, मूल्यांकन, डिप्लॉय) में निपुणता की अपेक्षा की जाती है। DP-900 Azure डेटा सेवाओं के लिए नए उम्मीदवारों के लिए एक उपयोगी वैचारिक ऑन-रैंप है, लेकिन आवश्यक नहीं है।
आधिकारिक Microsoft Learn पथ लगभग 30-40 घंटों में सभी चार डोमेन को कवर करता है, जो Azure ML SDK / CLI v2 और प्रॉम्प्ट फ्लो पर केंद्रित है। व्यावहारिक समय अनिवार्य रूप से आवश्यक है: एक छोटे Azure ML वर्कस्पेस के साथ एक व्यक्तिगत Azure सब्सक्रिप्शन, साथ ही वास्तविक प्रशिक्षण जॉब, मॉडल डिप्लॉयमेंट और प्रॉम्प्ट-फ्लो रन चलाने के 10+ घंटे। 2024 का LLM-अनुकूलन डोमेन पुराने तृतीय-पक्ष सामग्री द्वारा कम कवर किया गया है, इसलिए उम्मीदवारों को उस क्षेत्र के लिए Microsoft Learn मॉड्यूल पर निर्भर रहना चाहिए।
DP-100 एसोसिएट टियर में आता है और आमतौर पर मध्यम रूप से कठिन माना जाता है — अनुभवी डेटा साइंटिस्ट के लिए AZ-204 / AI-102 से आसान, ML में नए इंजीनियरों के लिए कठिन। डेटा-विज्ञान के पिछले अनुभव के साथ 6–10 सप्ताह में 60–100 घंटे के अध्ययन की योजना बनाएं; यदि Python ML आपके लिए नया है तो काफी अधिक समय लगेगा। परीक्षा लगभग 100 मिनट की होती है जिसमें बहुविकल्पीय, बहु-प्रतिक्रिया, ड्रैग-एंड-ड्रॉप (कोड-पूर्णता सहित), हॉट-एरिया और केस-स्टडी प्रारूपों में 40–60 प्रश्न होते हैं।
सबसे आम बाधा Azure ML SDK / CLI v2 विशिष्टताएँ हैं — Microsoft का SDK v1 से v2 में हालिया माइग्रेशन ने कई तृतीय-पक्ष अध्ययन गाइडों को तोड़ दिया, इसलिए पुरानी सामग्री में पुराना YAML और कमांड आकार दिख सकता है। नए LLM-अनुकूलन डोमेन (प्रॉम्प्ट फ्लो, फाइन-ट्यूनिंग, मूल्यांकन) का अपना सीखने का वक्र है और यह उन उम्मीदवारों को आश्चर्यचकित करता है जिन्होंने DP-100 को एक शास्त्रीय-ML परीक्षा माना था।
LLM-अनुकूलन डोमेन (28% भार) को जोड़ते हुए एक बड़ा रीफ्रेश, प्रशिक्षण-जॉब और डिप्लॉयमेंट सामग्री को Azure ML SDK / CLI v2 में आधुनिक बनाना, और Azure AI Foundry अवधारणाओं को एकीकृत करना। माइक्रोसॉफ्ट परीक्षा कोड बदले बिना लगभग हर 12-18 महीने में DP-100 को रीफ्रेश करता है।
Azure ML SDK v1 से SDK / CLI v2 फ्रेमिंग में माइग्रेट किया गया, Azure ML डिजाइनर-भारी प्रश्नों को हटा दिया गया, और MLflow एकीकरण कवरेज जोड़ा गया।
प्रारंभिक GA, सेवानिवृत्त DP-100 (लेगेसी कोड) की जगह ले रहा है। मूल रूपरेखा Azure ML डिजाइनर, AutoML और SDK v1 पर केंद्रित थी।
DP-100 (Microsoft Azure Data Scientist Associate) एक एक मध्यम कठिन परीक्षा जो व्यावहारिक अनुभव और सर्वोत्तम प्रथाओं की ठोस समझ की अपेक्षा करती है Associate-स्तरीय परीक्षा है। एसोसिएट-स्तरीय परीक्षाओं के लिए अधिकांश उम्मीदवारों को 6-12 सप्ताह में फैले 80-150 घंटे के अध्ययन की आवश्यकता होती है। अधिकांश उम्मीदवार जो अभ्यास परीक्षाओं में उत्तीर्ण होने की सीमा से लगातार ऊपर स्कोर करते हैं, वे अपने पहले प्रयास में उत्तीर्ण हो जाते हैं।
एसोसिएट-स्तरीय परीक्षाओं के लिए अधिकांश उम्मीदवारों को 6-12 सप्ताह में फैले 80-150 घंटे के अध्ययन की आवश्यकता होती है। उत्तीर्ण होने में लगने वाला समय पूर्व अनुभव के आधार पर व्यापक रूप से भिन्न होता है। अंतर्निहित तकनीक में व्यावहारिक उत्पादन अनुभव वाले इंजीनियरों को आमतौर पर कम समय लगता है; प्लेटफ़ॉर्म के लिए नए उम्मीदवारों को उस सीमा के ऊपरी छोर की ओर योजना बनानी चाहिए।
DP-100 Azure इकोसिस्टम में एक मान्यता प्राप्त क्रेडेंशियल है और नियोक्ताओं, भर्तीकर्ताओं और ग्राहकों को मान्य ज्ञान का संकेत देता है। क्या यह आपके लिए समय और शुल्क के लायक है, यह आपकी भूमिका और लक्ष्यों पर निर्भर करता है - यह क्लाउड इंजीनियरों, आर्किटेक्ट्स और सलाहकारों के लिए सबसे अधिक फायदेमंद होता है जो Azure के साथ प्रतिदिन काम करते हैं या उन भूमिकाओं में जाना चाहते हैं।
DP-100 के लिए उत्तीर्ण अंक 700 / 1000 है। परीक्षा में 50 प्रश्न होते हैं और यह 1 घंटा 40 मिनट तक चलती है।
DP-100 परीक्षा का शुल्क $165 USD है। शुल्क Azure द्वारा निर्धारित किए जाते हैं और क्षेत्र के अनुसार भिन्न हो सकते हैं; बुकिंग से पहले हमेशा आधिकारिक Azure प्रमाणन पृष्ठ पर वर्तमान कीमत की पुष्टि करें।
माइक्रोसॉफ्ट भूमिका-आधारित प्रमाणन 1 साल के बाद समाप्त हो जाते हैं लेकिन समाप्ति से 6 महीने पहले शुरू होने वाले माइक्रोसॉफ्ट लर्न पर एक अनप्रोक्टर्ड ऑनलाइन मूल्यांकन के माध्यम से मुफ्त में नवीनीकृत किए जा सकते हैं।
हाँ। आप परीक्षा ऑनलाइन (प्रदाता के सुरक्षित ब्राउज़र के माध्यम से प्रोक्टर्ड, अधिकांश क्षेत्रों में 24/7 उपलब्ध) या व्यावसायिक घंटों के दौरान व्यक्तिगत पियर्सन VUE परीक्षण केंद्र पर दे सकते हैं। दोनों प्रारूपों में समान प्रश्न, समय सीमा और उत्तीर्ण अंक होते हैं।
CertLabPro DP-100 के लिए अभ्यास प्रश्न बैंक में 15 अध्ययन मोड प्रदान करता है। परीक्षा-सिमुलेशन मोड वास्तविक परीक्षा को दर्शाता है: 1 घंटा 40 मिनट में 50 प्रश्न, 700 / 1000 की समान उत्तीर्ण सीमा के साथ। ब्राउज़ मोड आपको प्रत्येक प्रश्नोत्तर को स्थिर रूप से पढ़ने की अनुमति देता है।