Microsoft Azure Data Scientist Associate
225 perguntas de prática
Última revisão: April 2026
Escritas do zero com base no guia oficial do exame Azure
Notas pessoais e links de recursos para sua jornada de estudo
Acompanhe seus exames, anotações e recursos dia a dia
O DP-100 valida as habilidades diárias de um cientista de dados trabalhando no Azure: projetar soluções de ML, explorar e preparar dados, treinar e implantar modelos no Azure Machine Learning e - desde a atualização de 2024 - otimizar modelos de linguagem para aplicações de IA. O público são cientistas de dados e engenheiros de ML que escrevem Python usando o Azure ML SDK / CLI v2 e utilizam o Azure ML studio. O exame foca mais na implementação específica do Azure do que em estatística clássica ou teoria de algoritmos: espere 40-60 questões em 100 minutos, incluindo arrastar e soltar para completar código, itens de cenário e pelo menos um estudo de caso.
Cerca de 22%. Escolha de computação e armazenamento para cargas de trabalho de ML, workspaces do Azure ML, datastores e ativos de dados, ambientes e considerações de IA responsável no momento do design.
Cerca de 22%. Notebooks do Azure ML, AutoML para classificação / regressão / previsão / NLP / CV, Azure ML designer e integração básica do MLflow para rastreamento de experimentos.
O maior domínio de ML clássico, com 28%. Trabalhos de treinamento (jobs de script e comando), treinamento distribuído, jobs de varredura de hiperparâmetros, registro de modelo, endpoints online gerenciados, endpoints de lote e pipelines.
Novo domínio adicionado em 2024 com peso de 28%. Prompt flow, ajuste fino de modelos de base no Azure ML / Azure AI Foundry, avaliação de aplicações LLM, padrões RAG e controles de IA responsável para cenários generativos.
Serviços que você encontrará no exame e por que cada um importa.
Plataforma de ML gerenciada de ponta a ponta - workspaces, computação, datastores, ambientes, jobs, registries e endpoints de inferência gerenciados ao longo de todo o ciclo de vida.
Por que está no exame: O Azure ML é o serviço abrangente que engloba todos os domínios do DP-100 - espere questões sobre configuração de workspace, seleção de computação, versionamento de ativos e uso da CLI/SDK v2.
Workspace baseado na web para Azure ML - notebooks, rastreamento de experimentos, navegadores de ativos, gerenciamento de computação e implantação de modelos com um clique.
Por que está no exame: O Domínio 2 (Exploração de dados e execução de experimentos) testa o Studio como a interface para iniciar jobs, visualizar métricas de execução e comparar experimentos lado a lado.
Interface visual de arrastar e soltar para construir, treinar e implantar pipelines de ML sem escrever código, com módulos de dataset e transformação integrados.
Por que está no exame: O Domínio 1 apresenta o Designer como o caminho low-code para preparar dados e montar pipelines de treinamento - distinga-o dos workflows da SDK/CLI v2.
Treinamento automatizado que varre algoritmos, featurização e hiperparâmetros em tarefas de classificação, regressão, previsão, NLP e visão.
Por que está no exame: O Domínio 3 (Treinamento e implantação de modelos) testa o AutoML para modelos de linha de base, seleção de modelos em escala e identificação da melhor execução para registro.
Orquestração multi-etapa versionada para preparação de dados, treinamento, avaliação e implantação - declarada via jobs YAML ou Python SDK v2.
Por que está no exame: Cenários de reprodutibilidade e reusabilidade nos Domínios 2 e 3 nomeiam Pipelines como a resposta canônica em vez de scripts ad-hoc ou notebooks.
Registro com escopo de workspace para modelos versionados com estágios, tags e linhagem assinada de volta ao job de treinamento e versão do dataset.
Por que está no exame: Cenários de promoção para produção no Domínio 3 testam o Model Registry como a entrega auditável entre o treinamento e a implantação de inferência.
Endpoints gerenciados online (baixa latência em tempo real) e batch para inferência hospedada, com divisão de tráfego, autoescalabilidade e identidade gerenciada.
Por que está no exame: O Domínio 3 frequentemente questiona tradeoffs entre online e batch e lançamentos blue/green com divisão de tráfego - os endpoints gerenciados são o primitivo nomeado.
Workspace unificado para construir aplicações de IA generativa - catálogo de modelos, fine-tuning, fluxos de avaliação, orquestração de prompts e integração de segurança de conteúdo.
Por que está no exame: O Domínio 4 (Otimização de modelos de linguagem para aplicações de IA) é ancorado no AI Foundry como a plataforma para seleção de modelos de fundação, fine-tuning e avaliação.
Plataforma Apache Spark + Delta Lake gerenciada com rastreamento MLflow, treinamento distribuído e forte interoperabilidade com Azure ML para preparação de dados e modelagem em larga escala.
Por que está no exame: Cenários de Domínio 1 com grandes volumes de dados preferem Databricks para engenharia de features distribuída e transformações PySpark fora da computação do Azure ML.
Plataforma de análise unificada que combina pools SQL dedicados/serverless, pools Spark e pipelines para preparação de dados em escala de data warehouse alimentando o Azure ML.
Por que está no exame: Questões do Domínio 1 sobre fontes de dados corporativos para treinamento nomeiam o Synapse como o conector de origem do lado do data warehouse para datastores do Azure ML.
Camada de armazenamento de blobs com namespace hierárquico otimizada para cargas de trabalho de análise - o armazenamento de apoio padrão para datastores e ativos de treinamento do Azure ML.
Por que está no exame: Todo cenário de preparação de dados do DP-100 assume o ADLS Gen2 como o substrato de dados - registro de datastore, ACLs e políticas de ciclo de vida aparecem no Domínio 1.
Acesso gerenciado a modelos de fundação OpenAI (GPT-4o, GPT-4.1, o-series, modelos de embedding) com fine-tuning, filtros de conteúdo e autenticação Entra ID.
Por que está no exame: Cenários de fine-tuning, embedding e prompt-engineering do Domínio 4 para aplicações de modelos de linguagem são ancorados no Azure OpenAI Service.
Servidor de rastreamento MLflow nativo dentro de cada workspace do Azure ML - registra parâmetros, métricas, artefatos e modelos com o MLflow SDK aberto.
Por que está no exame: Questões de rastreamento de experimentos do Domínio 2 nomeiam MLflow como a API canônica; espere distratores comparando autolog do MLflow com captura manual de saída de job.
Clusters de computação gerenciados (CPU/GPU), instâncias de computação e opções de treinamento serverless com autoescalabilidade, precificação de baixa prioridade e camadas spot.
Por que está no exame: Cenários de treinamento do Domínio 3 testam a seleção CPU-vs-GPU, dimensionamento de cluster para treinamento distribuído e planejamento de cota para varreduras de hiperparâmetros.
Criação visual + code-first de workflows de LLM - templates de prompt, chamadas de ferramenta encadeadas, fluxos de avaliação e classificação de execuções em lote contra conjuntos de teste.
Por que está no exame: Cenários de RAG, prompt-engineering e avaliação do Domínio 4 são testados através do Prompt Flow como a superfície de autoria de nível de produção.
Computação serverless orientada a eventos para inferência leve em tempo real, pós-processamento de saída de modelo e integração de chamadas do Azure ML em workflows de negócio.
Por que está no exame: Questões de padrões de implantação do Domínio 3 distinguem endpoints online gerenciados de inferência personalizada baseada em Functions por razões de cold-start, tamanho de payload ou custo.
Plataforma de identidade que fornece autenticação de usuário/service-principal, identidades gerenciadas, roles RBAC e Acesso Condicional para cada recurso do Azure ML.
Por que está no exame: Cenários de configuração de workspace do Domínio 1 e controle de acesso de implantação do Domínio 3 nomeiam identidades gerenciadas do Entra ID como a forma nativa do AAD de autorizar computação e endpoints.
Armazenamento gerenciado de segredos, chaves e certificados para strings de conexão, chaves de API de modelo e chaves gerenciadas pelo cliente protegendo dados de treinamento e artefatos.
Por que está no exame: A criptografia de dados do workspace do Azure ML com chaves gerenciadas pelo cliente e a recuperação de segredos de jobs de treinamento nomeiam o Key Vault como a resposta no Domínio 1.
Métricas, logs, alertas e cobertura de Application Insights para endpoints do Azure ML, jobs de treinamento e sinais de data drift via workspaces do Log Analytics.
Por que está no exame: Cenários de monitoramento de produção do Domínio 3 testam o Azure Monitor + Log Analytics para alertas de latência/erro de endpoints e para apresentar detecções de model-drift às equipes de operações.
Governança de dados unificada para escanear datastores, classificar dados sensíveis, mapear linhagem e impor políticas de acesso em todo o ambiente analítico.
Por que está no exame: Questões de IA Responsável e governança de dados nos Domínios 1 e 4 referenciam o Purview para linhagem de dados de treinamento, classificação de PII e portões de liberação de modelo cientes da linhagem.
$115k-$165k-$230k USD anual
A faixa cobre cientistas de dados de nível médio a sênior baseados nos EUA, onde a proficiência em Azure ML é exigida. Cientistas aplicados em empresas FAANG / unicórnios frequentemente superam $300 mil TC. A certificação é um sinal de triagem; experiência comprovada em modelagem e presença em publicações / kaggle / código aberto impulsionam o limite superior.
Fonte: funções de cientista de dados / engenheiro de ML no levels.fyi 2025, U.S. BLS OEWS maio de 2024 (15-2051 cientistas de dados, 15-2099 cientistas de ML), Glassdoor 2025. Os valores são aproximados; a compensação real depende da função, região e experiência.
O DP-100 manteve uma demanda constante à medida que as empresas operacionalizam ML no Azure ML e, cada vez mais, no Azure AI Foundry. Recrutadores o consideram o ponto de prova canônico do Azure ML - mais útil para cientistas de dados que precisam demonstrar que podem ir além de um notebook para endpoints e pipelines gerenciados. O domínio de otimização de LLM de 2024 também tornou o DP-100 mais atraente para engenheiros de GenAI. Ele combina naturalmente com o AI-102 para engenheiros que constroem aplicações GenAI de produção e com o DP-203 / DP-700 para profissionais de ML com foco em engenharia de dados.
Não há pré-requisitos formais, mas o DP-100 assume habilidades de ciência de dados em nível de praticante. O esboço da Microsoft espera fluência em Python, o stack scikit-learn / pandas / NumPy e o fluxo de trabalho central de ML (dividir, treinar, avaliar, implantar). O DP-900 é uma rampa de acesso conceitual útil para candidatos novos em serviços de dados do Azure, mas não é obrigatório.
O caminho oficial do Microsoft Learn cobre todos os quatro domínios em aproximadamente 30-40 horas, focado no Azure ML SDK / CLI v2 e prompt flow. O tempo de prática é essencialmente exigido: uma assinatura pessoal do Azure com um pequeno workspace do Azure ML, mais de 10 horas executando trabalhos de treinamento reais, implantações de modelos e execuções de prompt-flow. O domínio de otimização de LLM de 2024 é pouco coberto por material de terceiros mais antigo, então os candidatos devem confiar nos módulos do Microsoft Learn para essa área.
O DP-100 está no nível Associado e é geralmente considerado de dificuldade moderada - mais fácil que AZ-204 / AI-102 para cientistas de dados experientes, mais difícil para engenheiros novos em ML. Planeje de 60-100 horas de estudo ao longo de 6-10 semanas com experiência prévia em ciência de dados; consideravelmente mais se ML com Python for novo para você. O exame dura cerca de 100 minutos com 40-60 questões em formatos de múltipla escolha, múltiplas respostas, arrastar e soltar (incluindo completar código), hot-area e estudo de caso.
O obstáculo mais comum são os detalhes do Azure ML SDK / CLI v2 - a recente migração da Microsoft do SDK v1 para o v2 quebrou muitos guias de estudo de terceiros, então materiais mais antigos podem mostrar YAML e formatos de comando desatualizados. O novo domínio de otimização de LLM (prompt flow, ajuste fino, avaliação) tem sua própria curva de aprendizado e tende a surpreender candidatos que consideravam o DP-100 um exame de ML clássico.
Grande atualização adicionando o domínio de otimização de LLM (28% de peso), modernizando o material de treinamento e implantação para Azure ML SDK / CLI v2, e integrando conceitos do Azure AI Foundry. A Microsoft atualiza o DP-100 aproximadamente a cada 12-18 meses sem alterar o código do exame.
Migração do Azure ML SDK v1 para a estrutura SDK / CLI v2, aposentadoria de questões focadas no Azure ML designer e adição de cobertura de integração do MLflow.
Lançamento inicial (GA), substituindo o DP-100 aposentado (código legado). O esboço original focava no Azure ML designer, AutoML e SDK v1.
É a certificação de nível associado da Microsoft para executar workloads de machine learning no Azure - projetando e preparando soluções de ML, treinando e avaliando modelos, e implantando e gerenciando-os, principalmente com o Azure Machine Learning. O exame tem cerca de 50 questões em 100 minutos, com aprovação em 700/1000. Veja o hub do DP-100 para o escopo completo.
Moderado, e assume familiaridade real com data science e Python/ML, além de experiência prática com Azure Machine Learning - trata-se menos de teoria de ML e mais de como fazer isso no Azure (pipelines, compute, deployment, MLOps). Se você tem experiência em data science, é razoável; sem ela, ambas as partes exigirão estudo. Questões práticas com explicações identificam as lacunas.
Sim, se você é um data scientist ou profissional de ML trabalhando no Azure - ela valida as habilidades práticas para construir e operacionalizar modelos no Azure ML, que é o que essas funções realmente fazem. É especializada, então é mais valiosa quando você já está ou está caminhando para uma função de data science; veja como ela se compara em nosso relatório Estado das Certificações.
O DP-100 está atual - ele continua sendo o exame de Azure Data Scientist Associate da Microsoft, mantido atualizado à medida que o Azure Machine Learning evolui. A Microsoft atualiza periodicamente seus objetivos (normal para certificações baseadas em função), então estude com base no esboço de habilidades mais recente, mas ele não foi descontinuado.
É composto por questões de múltipla escolha, múltipla seleção e estudos de caso; um laboratório ao vivo pode aparecer, mas a Microsoft alterna os laboratórios. De qualquer forma, é supervisionado e sem consulta - sem anotações, IDE ou internet - portanto, a prática prática com Azure ML antecipadamente é a melhor preparação.
Sim - ela expira 12 meses após ser obtida, renovável gratuitamente por meio de uma avaliação online curta e não supervisionada no Microsoft Learn, que é disponibilizada seis meses antes do vencimento. Ser aprovado nela estende a certificação por mais um ano, sem a necessidade de refazer o exame ou pagar taxas.
Obtenha experiência prática com Azure Machine Learning - preparação de dados, treinamento, ajuste de hiperparâmetros, implantação e pipelines de MLOps - e reforce os fundamentos de Python/ML, se necessário, então pratique questões de cenário. Nosso banco de questões DP-100 abrange todos os domínios com explicações, e o laboratório prático reforça o fluxo de trabalho do Azure ML testado no exame.
DP-100 (Microsoft Azure Data Scientist Associate) é um exame de nível Associate um exame de dificuldade moderada que exige experiência prática e um sólido entendimento das melhores práticas. A maioria dos candidatos precisa de 80 a 150 horas de estudo distribuídas em 6 a 12 semanas para exames de nível associado. A maioria dos candidatos que pontuam consistentemente acima do limite de aprovação em exames práticos é aprovada na primeira tentativa.
A maioria dos candidatos precisa de 80 a 150 horas de estudo distribuídas em 6 a 12 semanas para exames de nível associado. O tempo para aprovação varia amplamente de acordo com a experiência prévia. Engenheiros com experiência prática de produção na tecnologia subjacente geralmente precisam de menos tempo; candidatos novos na plataforma devem planejar-se para o limite superior dessa faixa.
Sim - para engenheiros de nuvem, arquitetos e consultores que trabalham com Azure, DP-100 geralmente vale a pena. É uma credencial reconhecida que comprova conhecimento validado para empregadores, recrutadores e clientes; se o tempo e a taxa compensam para você depende da sua função e dos seus objetivos.
A pontuação de aprovação para DP-100 é 700 / 1000. O exame contém 50 questões e dura 1 h 40 min.
A taxa do exame DP-100 é $165 USD. As taxas são definidas por Azure e podem variar por região; sempre confirme o preço atual na página oficial de certificação Azure antes de agendar.
As certificações Microsoft baseadas em função expiram após 1 ano, mas podem ser renovadas gratuitamente por meio de uma avaliação online não supervisionada no Microsoft Learn, a partir de 6 meses antes do vencimento.
Sim. Você pode fazer o exame online (supervisionado através do navegador seguro do provedor, disponível 24 horas por dia, 7 dias por semana na maioria das regiões) ou em um centro de testes Pearson VUE presencial durante o horário comercial. Ambos os formatos usam as mesmas perguntas, limite de tempo e pontuação de aprovação.
O modo de simulação de exame do DP-100 no CertLabPro reproduz o exame real: 50 questões em 1 h 40 min, com o mesmo limite de aprovação de 700 / 1000. Você ainda tem 15 modos de estudo no total, e o modo Explorar mostra cada questão com sua resposta e explicação de forma estática.
$115k-$230k USD é a faixa salarial típica nos EUA para cargos que valorizam DP-100, segundo funções de cientista de dados / engenheiro de ML no levels.fyi 2025, U.S. BLS OEWS maio de 2024 (15-2051 cientistas de dados, 15-2099 cientistas de ML), Glassdoor 2025. O salário real depende da senioridade, da localização e do cargo - posições sênior e de arquiteto tendem a ser mais altas, e as de nível inicial, mais baixas.
Sim - um mês de estudo focado é realista para a maioria dos candidatos. A maioria dos candidatos precisa de 80 a 150 horas de estudo distribuídas em 6 a 12 semanas para exames de nível associado. Se a plataforma da Azure for nova para você, reserve mais tempo; com experiência prática, talvez precise de menos.
Alguma experiência prática com Azure ajuda, mas DP-100 é viável para iniciantes motivados que aprendem os fundamentos primeiro.