Azure DP-100：数据科学家助理的6周学习计划

DP-100 是 Azure 上设计和实施数据科学解决方案的考试。费用为 165 美元，100 分钟内有 40-60 道题（题数因案例研究而异），包含一到两个案例研究部分，通过分数为 700/1000（按比例）。它是针对在 Azure Machine Learning 上工作的数据科学家的基于角色的助理认证。

如果您已经了解 Python、scikit-learn 和基本的 ML 概念，那么每周 8-10 小时、持续六周的学习时间就足够了。如果您是从零开始学习 ML，DP-100 还不是适合您的考试——请先去学习一门模型训练课程。该考试测试的是 Azure ML，而不是您是否理解混淆矩阵。

DP-100 实际考什么

当前的考试指南（2024 年更新，移除了 SDK v1 并完全侧重于 v2）大致分为：

• 管理 Azure ML 资源（工作区、计算、数据存储、环境）— 约 25%
• 运行实验和训练模型（作业、MLflow 跟踪、AutoML、HyperDrive）— 约 25%
• 部署和操作化 ML 解决方案（托管在线端点、批处理端点、监控）— 约 25%
• 实施负责任的 ML（公平性、可解释性、差分隐私）— 约 25%

实际操作中，这意味着：您需要熟练使用 Azure ML Python SDK v2，熟悉 Azure ML Studio（设计器和笔记本），并清楚 Azure ML 中 MLflow 跟踪、用于表格/图像/NLP 的 AutoML 以及用于超参数调整的 HyperDrive / sweep 作业 之间的区别。部署部分要求您了解托管在线端点（实时、带流量拆分和蓝绿部署）与批处理端点（大规模评分）之间的区别。

实际所需的先决条件

在第 1 周之前，您应该具备以下能力：

• Python，熟练掌握。能够读写函数、类、装饰器、虚拟环境。
• pandas + numpy，达到工作水平。
• scikit-learn，包括 Pipeline、train_test_split、基本的回归器和分类器，以及 ColumnTransformer。
• ML 概念：训练/验证/测试集划分、交叉验证、过拟合、正则化、回归和分类指标之间的区别。
• 一些 Azure 经验 — 至少要了解 AZ-900 的词汇。资源组、RBAC、存储账户和 Key Vault 不会在考试中重新解释。

如果上述几点感觉不扎实，请在开始以下计划之前花两周时间巩固它们。

第 1 周：工作区和计算

首先亲自动手操作平台。暂不要从头到尾阅读考试指南。

1. 如果您没有 Azure 免费账户，请创建一个。通过门户创建 Azure ML 工作区。注意同时创建的资源：存储账户、Key Vault、容器注册表、Application Insights。考试会涉及这些。
2. 预置一个计算实例（一个小型实例 — D2s_v3 即可）和一个最小节点数为 0 的计算集群。请注意，即使计算实例处于空闲状态也会计费，但集群节点可以缩放到零。这是考试内容。
3. 浏览 Azure ML Studio UI。点击进入数据存储、数据集/数据资产、环境、模型、端点。您现在不是在构建，而是在熟悉布局。
4. 在计算实例上附加一个笔记本。安装 azure-ai-ml（SDK v2 包 — 而非 azureml-core，后者是 v1 且已弃用）。使用 DefaultAzureCredential 进行身份验证并创建 MLClient。打印工作区名称。这就是您的“hello world”。

周末检查点：您可以在 60 秒内，无需查阅任何资料，从笔记本连接到您的工作区。

第 2 周：数据、环境、作业

现在开始构建实际的东西。

1. 将 CSV 注册为 Data 资产（URI 文件或 MLTable）。使用 ml_client.data.get(...) 从笔记本中读取它。考试非常喜欢区分 uri_file、uri_folder 和 mltable 数据资产类型——请记住每种类型的使用场景。
2. 构建一个自定义环境。可以编写 conda.yaml 文件，或者使用一个精选环境并添加额外的 pip 依赖。提交一个运行训练脚本的 command 作业（在一个您刚注册的数据集上运行一个 30 行的 scikit-learn 分类器）。
3. 在您的脚本中使用 MLflow 自动日志记录（mlflow.sklearn.autolog() 然后 fit）。观察作业中显示的指标和 Artifact。将其与使用 mlflow.log_metric() 手动日志记录进行比较。
4. 将作业提交到您的计算集群而不是计算实例。观察集群从 0 启动再关闭。

需要牢记的陷阱：在 SDK v2 中，作业是通过 azure.ai.ml 中的 command 函数提交的，而不是通过 ScriptRunConfig（那是 v1 的方式）。考试中会在错误选项中给出 v1 风格的代码。训练您的眼睛来识别它。

第 3 周：AutoML、HyperDrive、管道

更注重 ML 的一周。

1. 从 SDK 对同一数据集运行 AutoML 分类作业。将其限制在 30 分钟和 max_trials=10，以免消耗过多积分。查看排行榜。
2. 对自定义训练脚本运行一个 sweep / HyperDrive 作业。首先尝试 random 采样，然后是 bayesian（它不支持提前终止——这是一个考题）。
3. 阅读有关提前终止策略的资料：bandit、median stopping、truncation selection。了解每种策略的接口——特别是 bandit 的 slack_factor 和 slack_amount 开关。
4. 构建一个至少包含两个组件（一个数据准备组件和一个训练组件）并连接在一起的管道作业。管道在考试中不是重点，但出现的频率足以让您不想在考试当天猜测 YAML。

周末检查点：您可以清晰地口头描述 Random、Grid 和 Bayesian 采样的工作原理，何时使用哪种，以及为什么 Bayesian 不能与 bandit 结合使用。

第 4 周：部署

这是大多数考生失分的地方。

1. 从作业输出中注册模型。两种方式都练习：使用 SDK 的 ml_client.models.create_or_update，以及通过 Studio UI。
2. 将模型部署到托管在线端点。在同一个端点后面建立至少两个部署，并以 90/10 的比例拆分流量。这是 Microsoft 直接测试的蓝绿部署模式。
3. 将同一模型部署到批处理端点。对一个输入文件文件夹进行评分。请注意，批处理端点不会使计算资源闲置；它们在每次调用时都会启动集群。
4. 在部署上设置数据漂移监控。配置 Application Insights 警报。考试中至少会有一个问题涉及到 Model Monitor（SDK v1 中曾被称为 Data Drift Monitor 的新名称）。

陷阱：托管在线端点是根据底层 VM 收费的，无论您是否发送流量。考试会设置一个场景，其中最便宜的答案是批处理端点，而错误的答案都默认为在线端点。在选择之前，请阅读问题中是否有“预测不需要实时”的字样。

第 5 周：负责任的 ML 和案例研究

代码更少，阅读更多。

1. 浏览 Microsoft 针对已训练模型的 Responsible AI 仪表板。生成公平性指标、错误分析、模型可解释性 (SHAP) 值。考试测试的是词汇，而非实现深度。
2. 阅读有关 Azure ML 中差分隐私的资料 — azureml-opendp-smartnoise 存在，但考试将其保持在概念层面。
3. 在计时条件下进行您的第一次全长模拟考试。连续两个案例研究会消耗 30 多分钟。适应这种节奏。
4. 根据练习分数找出薄弱领域。对于大多数考生来说，这要么是部署内部机制，要么是超参数调整策略——请回到第 3 或第 4 周的内容。

第 6 周：练习并交付

每隔一天进行模拟考试。每次考试后，记下您做错的服务或概念。模式会浮现出来——通常围绕环境（精选与自定义与注册）、数据资产类型，以及哪种监控工具是正确答案（Application Insights 与 Azure Monitor 与 Log Analytics 工作区）。

将考试安排在本周末。如果您在计时条件下连续两次模拟考试得分超过 80%，就说明您准备好了。低于 70% 则意味着再推迟一周——165 美元的补考费用加上 24 小时冷静期，这比再花七天时间更昂贵。

DP-100 如何与 AI-102 和 DP-900 结合

DP-100 是数据科学家路线；AI-102 是 AI 工程师路线。两者的重叠很小。DP-100 要求您在 Azure ML 中训练和部署自定义模型；AI-102 要求您将 Azure AI 服务（视觉、语言、OpenAI）集成到应用程序中。如果您是数据科学家，单独考 DP-100 就足够了。如果您是构建 Copilot 风格功能的软件工程师，AI-102 更适合，而 DP-100 则大材小用。

DP-900 是一个友好的热身——如果您是 Azure 数据服务的新手，它会很有用；如果您已经在使用 Azure ML 进行交付，那么它就是多余的。

当您准备好刷题时，请在 CertLabPro 上浏览 DP-100 题库或开始计时模拟。案例研究问题是时间压力最大的地方——请在计时下练习，而不是在咖啡馆的下午阅读。