اختبار مايكروسوفت التدريبي DP-100: تصميم وتنفيذ حلول علم البيانات على Azure

يوفر اختبار مايكروسوفت التدريبي DP-100 تجربة تدريبية شاملة وغامرة مصممة لإعدادك للحصول على شهادة Microsoft Certified: Azure Data Scientist Associate. تركز أداة التدريب الصارمة هذه على الكفاءات الأساسية المطلوبة لتصميم وتنفيذ حلول علم البيانات على Azure، والاستفادة من أدوات قوية مثل Azure Machine Learning وMLflow وتقنيات تحسين النماذج المتقدمة. من خلال استخدام هذا المورد، ستكتسب خبرة عملية في إدارة مساحات عمل تعلم الآلة (Machine Learning)، وتشغيل التجارب، وتدريب النماذج المعقدة، ونشرها بفعالية. سواء كنت تهدف إلى بدء مسيرة مهنية جديدة أو تطوير مهاراتك الحالية في علم البيانات، فإن هذا الاختبار التدريبي سيجسّر فجواتك المعرفية، مما يتيح لك التعامل مع امتحان الشهادة بثقة تامة وإتقان للنظام البيئي لتعلم الآلة في Azure.

ملاحظة: هذا مجرد اختبار تدريبي للتحضير لامتحان الحصول على الشهادة الاحترافية ولا يوجد له شهادة من المركز.

جرب النسخة التجريبية مجاناً

لماذا ينبغي عليّ استخدام اختبار DP-100 التدريبي للتحضير للامتحان الرسمي؟

يُعد التحضير لامتحان DP-100 خطوة هامة نحو التحقق من خبرتك كعالم بيانات على Azure. يتيح لك استخدام اختبار DP-100 التدريبي محاكاة بيئة الامتحان الفعلية، مما يساعدك على التعرف على أنواع الأسئلة وعمق المعرفة المطلوبة للحصول على الشهادة. من خلال التبديل بين وضع الشهادة ووضع التدريب، يمكنك قياس مدى جاهزيتك الحالية بدقة، وتحديد نقاط الضعف في معرفتك بعلم البيانات، والمشاركة في جلسات مراجعة مستهدفة. هذا النهج المنهجي لا يعزز فهمك النظري لنماذج تعلم الآلة ومسارات Azure فحسب، بل يبني أيضاً الثقة التقنية اللازمة لاجتياز الامتحان بنجاح، مما يثبت قدرتك المهنية على تصميم وتنفيذ حلول علم بيانات شاملة في السحابة.

تصميم وإعداد حل تعلم الآلة – 27 سؤالاً

تصميم حل تعلم الآلة

• تحديد هيكل وتنسيق مجموعات البيانات
• تحديد مواصفات الحوسبة لأعباء عمل تعلم الآلة
• اختيار نهج التطوير لتدريب النموذج

إنشاء وإدارة الموارد في مساحة عمل Azure Machine Learning

• إنشاء وإدارة مساحة عمل
• إنشاء وإدارة مخازن البيانات (Datastores)
• إنشاء وإدارة أهداف الحوسبة (Compute targets)
• إعداد تكامل Git للتحكم في الإصدار

إنشاء وإدارة الأصول في مساحة عمل Azure Machine Learning

• إنشاء وإدارة أصول البيانات
• إنشاء وإدارة البيئات
• مشاركة الأصول عبر مساحات العمل باستخدام السجلات (Registries)

استكشاف البيانات وتشغيل التجارب – 25 سؤالاً

استخدام تعلم الآلة المؤتمت (Automated machine learning)

• استخدام تعلم الآلة المؤتمت للبيانات الجدولية
• استخدام تعلم الآلة المؤتمت للرؤية الحاسوبية
• استخدام تعلم الآلة المؤتمت لمعالجة اللغات الطبيعية
• اختيار وفهم خيارات التدريب، بما في ذلك المعالجة المسبقة والخوارزميات
• تقييم تشغيل تعلم الآلة المؤتمت، بما في ذلك إرشادات الذكاء الاصطناعي المسؤول

استخدام دفاتر الملاحظات (Notebooks) والأدوات

• استخدام الجهاز الطرفي (Terminal) لتكوين مثيل الحوسبة
• الوصول إلى البيانات ومعالجتها في دفاتر الملاحظات
• معالجة البيانات بشكل تفاعلي باستخدام مجمعات Synapse Spark المرفقة وحوسبة Spark بدون خادم
• استرداد الميزات من مخزن الميزات (Feature store) لتدريب نموذج
• تتبع تدريب النموذج باستخدام MLflow
• تقييم نموذج، بما في ذلك إرشادات الذكاء الاصطناعي المسؤول

أتمتة اختيار النموذج وضبطه

• اختيار طريقة أخذ العينات
• تحديد مساحة البحث
• تحديد المقياس الأساسي
• تحديد خيارات الإنهاء المبكر

تدريب النماذج ونشرها – 46 سؤالاً

تشغيل نصوص تدريب النماذج

• استهلاك البيانات في مهمة (Job)
• تكوين الحوسبة لتشغيل المهمة
• استخدام تعلم الآلة المؤتمت لاستكشاف النماذج المثلى
• استخدام دفاتر الملاحظات لتدريب النماذج المخصصة
• أتمتة ضبط المعلمات الفائقة (Hyperparameter tuning)

تنفيذ مسارات التدريب (Training pipelines)

• تكوين بيئة لتشغيل المهمة
• تتبع تدريب النموذج باستخدام MLflow في تشغيل المهمة
• تحديد معلمات المهمة
• تشغيل نص برمجي كمهمة
• استخدام السجلات لاستكشاف أخطاء تشغيل المهمة وإصلاحها
• إنشاء مكونات مخصصة
• إنشاء مسار عمل (Pipeline)
• نقل البيانات بين خطوات مسار العمل
• تشغيل وجدولة مسار العمل
• مراقبة مسارات العمل واستكشاف أخطائها وإصلاحها

إدارة النماذج

• تحديد التوقيع (Signature) في ملف MLmodel
• تغليف مواصفات استرداد الميزات مع أداة النموذج
• تسجيل نموذج MLflow
• تقييم نموذج باستخدام مبادئ الذكاء الاصطناعي المسؤول

نشر نموذج

• تكوين إعدادات النشر عبر الإنترنت
• نشر نموذج إلى نقطة نهاية عبر الإنترنت
• اختبار خدمة تم نشرها عبر الإنترنت
• تكوين الحوسبة للنشر الجماعي (Batch deployment)
• نشر نموذج إلى نقطة نهاية جماعية
• استدعاء نقطة النهاية الجماعية لبدء مهمة تسجيل جماعي

تحسين نماذج اللغة لتطبيقات الذكاء الاصطناعي – 30 سؤالاً

التحضير لتحسين النموذج

• اختيار ونشر نموذج لغة من كتالوج النماذج
• مقارنة نماذج اللغة باستخدام المعايير (Benchmarks)
• اختبار نموذج لغة منشور في بيئة الاختبار (Playground)
• اختيار نهج التحسين

التحسين من خلال هندسة الأوامر (Prompt engineering) وتدفق الأوامر (Prompt flow)

• اختبار الأوامر (Prompts) بالتقييم اليدوي
• تحديد وتتبع متغيرات الأوامر
• إنشاء قوالب الأوامر
• تحديد منطق التسلسل باستخدام Prompt flow SDK
• استخدام التتبع لتقييم تدفق عملك

التحسين من خلال التوليد المعزز بالاسترجاع (RAG)

• إعداد البيانات لـ RAG، بما في ذلك التنظيف والتقطيع (Chunking) والتضمين (Embedding)
• تكوين مخزن المتجهات (Vector store)
• تكوين مخزن فهرس قائم على Azure AI Search
• تقييم حل RAG الخاص بك

التحسين من خلال الضبط الدقيق (Fine-tuning)

• إعداد البيانات للضبط الدقيق
• اختيار نموذج أساسي مناسب
• تشغيل مهمة ضبط دقيق
• تقييم نموذجك الذي تم ضبطه بدقة

ملاحظات:

• النقاط التي تلي كل من المهارات المقاسة تهدف إلى توضيح كيفية تقييمنا لتلك المهارة. قد يتم تناول مواضيع ذات صلة في الامتحان.
• تغطي معظم الأسئلة الميزات المتاحة بشكل عام (GA). قد يحتوي الامتحان على أسئلة حول ميزات المعاينة (Preview) إذا كانت تلك الميزات مستخدمة بشكل شائع.

لا تترك نجاحك في الحصول على الشهادة للصدفة. باختيارك لاختبار DP-100 التدريبي، فإنك تستثمر في استراتيجية تحضير أثبتت فعاليتها ستعزز أداءك في الامتحان بشكل كبير. سلح نفسك بأداة الدراسة الشاملة هذه لصقل مهاراتك، وإتقان مساحة عمل Azure Machine Learning، واتخاذ خطوة حاسمة نحو تحقيق أهدافك المهنية. ابدأ جلسات ممارستك اليوم وشق طريقك لتصبح عالماً معتمداً في بيانات Azure!