- Officiële DP-100-examenpagina op Microsoft Learn als bron voor actuele examendetails, registratiebeleid, vaardigheidsdomeinen en eventuele retirement-updates.
- Een eigen Azure Machine Learning-werkruimte voor hands-on labs met compute, pipelines, modelregistratie en endpoints.
- Een studieaanpak waarin theorie telkens wordt gekoppeld aan een klein lab, een foutenlog en herhaling over meerdere dagen.
- Kostenbewaking vanaf de eerste labdag, met projectmatige resource groups, budgetalerts, tags en bewuste compute-keuzes.
DP-100 is het Microsoft-examen voor Azure Data Scientist Associate. Deze gids is gepubliceerd in 2026 en bijgewerkt in 2026, afgestemd op de officiële DP-100-examendoelen van Microsoft en gebruikt Microsoft Learn, de Azure Machine Learning-documentatie en documentatie rond Fairlearn en Responsible AI als inhoudelijke referentiepunten.
DP-100, Designing and Implementing a Data Science Solution on Azure, is bedoeld voor kandidaten die machine learning-oplossingen ontwerpen, trainen, implementeren en beheren met Azure Machine Learning. Het examen past vooral bij data scientists en machine learning engineers die verder willen gaan dan notebook-experimenten en willen aantonen dat zij modellen op een reproduceerbare en beheerbare manier naar Azure brengen.
Waar DP-100 in het Microsoft-certificeringspad past
DP-100 hoort bij de rolgebaseerde Microsoft Azure Data Scientist Associate-certificering. De kern ligt bij data science op Azure: datasets voorbereiden, trainingsjobs uitvoeren, modellen evalueren, pipelines bouwen, modellen registreren en inferentie-endpoints beheren. Wie vooral dataplatformen, ETL-processen en analytics-pipelines bouwt, zit inhoudelijk dichter bij DP-203 Data Engineering on Microsoft Azure. Wie nog weinig ervaring heeft met cloud, AI-diensten of Microsoft-certificeringen, kan eerst een fundamentalsniveau zoals Azure AI Fundamentals overwegen.
Die positionering voorkomt een veelgemaakte studiefout: starten met DP-100 omdat de titel aantrekkelijk klinkt, terwijl de dagelijkse rol eigenlijk data engineering, BI of algemene cloudadministratie is. DP-100 veronderstelt dat kandidaten vertrouwd zijn met basisbegrippen uit machine learning, Python, experimenttracking en modelbeoordeling. Het examen vraagt minder naar pure wiskundige theorie en meer naar de vraag hoe een data science-oplossing verantwoord en operationeel wordt ingericht op Azure.
Wat het DP-100-examen in de praktijk toetst
De officiële Microsoft Learn-examenpagina blijft de enige juiste plaats voor actuele informatie over registratie, examenvorm, beleid, talen, vaardigheidsdomeinen, wijzigingen en retirementstatus. Microsoft past examendoelen regelmatig aan wanneer Azure Machine Learning verandert. Kandidaten doen er daarom goed aan om de pagina niet alleen aan het begin van de voorbereiding te raadplegen, maar opnieuw in de laatste week voor het examen.
Inhoudelijk draait DP-100 rond het ontwerpen en voorbereiden van een machine learning-oplossing, het verkennen van data en trainen van modellen, het voorbereiden van implementatie en het beheren van modellevenscycli. Vragen kunnen scenario- en casegericht zijn: een kandidaat krijgt dan bijvoorbeeld een context rond datasets, compute, beveiliging, monitoring of endpoints en moet de meest passende ontwerpkeuze maken. De uitdaging is vaak niet het herkennen van één productnaam, maar het begrijpen van de consequenties van een keuze.
Een typisch scenario kan gaan over een team dat een model in een notebook heeft ontwikkeld en dit nu herhaalbaar wil trainen met vaste datasets, logging en modelregistratie. Een sterke DP-100-kandidaat herkent dan dat een beheerde training-run, MLflow-logging, een model registry en een gecontroleerd endpoint belangrijker zijn dan nog één extra notebookcel met preprocessingcode. Dat is precies het verschil tussen experimenteren en werken volgens MLOps-principes.
De basisomgeving voor hands-on voorbereiding
Praktijkervaring is voor DP-100 moeilijk te vervangen door alleen theorie. Een kandidaat heeft idealiter een eigen Azure Machine Learning-werkruimte waarin zonder productierisico kan worden geoefend. Die omgeving hoeft niet groot te zijn, maar ze moet wel realistisch genoeg zijn om de belangrijkste onderdelen te raken: data assets, compute, jobs, environments, modelregistratie, endpoints en monitoring.
Voor de eerste labdag is het verstandig om een aparte resource group per studieproject te gebruiken, duidelijke tags toe te voegen en budgetalerts te configureren. Controleer ook de roltoewijzingen voordat er tijd verloren gaat aan foutmeldingen. Voor veel labs is een rol zoals Contributor op de resource group voldoende, maar sommige beheertaken rond Azure Machine Learning vereisen aanvullende rechten of een specifieke Azure Machine Learning-rol. Quota voor compute kunnen eveneens vertraging veroorzaken, vooral wanneer een kandidaat voor het eerst clusters of GPU-instances probeert aan te maken.
De goedkoopste leerlijn begint meestal met CPU-compute en kleine datasets. Low-priority compute kan nuttig zijn voor niet-kritische oefenjobs, zolang de kandidaat begrijpt dat jobs onderbroken kunnen worden. GPU’s zijn voor veel DP-100-oefeningen niet nodig. De examenwaarde zit vaker in het correct inrichten van een experiment, metric logging en deploymentkeuzes dan in het trainen van een groot model.
Onderstaand voorbeeld is bedoeld als controle vóór een lab. Het laat zien hoe een kandidaat met Azure CLI nagaat of de Azure Machine Learning-werkruimte bestaat en welke roltoewijzingen voor een gebruiker zichtbaar zijn.
Example — Azure ML-werkruimte en roltoewijzingen controleren
az extension add --name ml --upgrade
az ml workspace show \
--name aml-dp100-lab \
--resource-group rg-dp100-study
az role assignment list \
--assignee data.scientist@contoso.com \
--resource-group rg-dp100-study \
--output table
Dit voorbeeld traint geen model, maar voorkomt een klassiek probleem: pas tijdens het lab ontdekken dat de werkruimte, extensie of rechten niet kloppen. Na deze controle hoort de kandidaat een eenvoudige training-run uit te voeren, metrics te loggen met MLflow en het resultaat als model te registreren. Daarmee worden drie DP-100-thema’s in één korte leerloop geoefend.
Een realistisch studieplan van enkele weken
Een goed studieplan verdeelt de voorbereiding over concepten, labs en herhaling. Wie alleen video’s of documentatie doorneemt, bouwt vaak herkenning op maar geen beslissingsvermogen. DP-100 vraagt juist dat kandidaten in een scenario kunnen bepalen welke Azure Machine Learning-component past bij de behoefte, beperking of foutmelding.
Week 1: controleer de officiële examendoelen, richt de Azure ML-werkruimte in en voer een eenvoudige training-run uit met logging.
Week 2: oefen met data assets, environments, compute instances en compute clusters, inclusief quota- en kostenbewaking.
Week 3: bouw trainingsjobs en pipelines, registreer modellen en vergelijk metrics op een reproduceerbare manier.
Week 4: implementeer batch- en online inferentie, test endpoints en documenteer deploymentkeuzes.
Week 5: werk met Responsible AI, Fairlearn, feature importance, foutanalyse en modeluitlegbaarheid.
Week 6: simuleer examencases met timeboxing, herhaal zwakke onderwerpen en werk het foutenlog af.
Niet elke kandidaat heeft zes weken nodig, maar de volgorde is belangrijk. Eerst moet de omgeving stabiel zijn, daarna komen pipelines en deployment, en pas dan wordt simulatie zinvol. Een begeleide route zoals de DP-100 training met instructeur kan nuttig zijn voor kandidaten die feedback willen op labs en sneller willen zien waar hun kennishiaten zitten. Het blijft echter essentieel dat elke kandidaat zelf code uitvoert, foutmeldingen analyseert en deploymentkeuzes onderbouwt.
Een effectieve oefenvorm is een examensimulatie zonder echte examenvragen. Neem drie scenario-blokken en besteed per blok een vaste tijd aan het lezen van de case, het schetsen van een oplossing, het kiezen van compute, het plannen van modelregistratie en het bepalen van het type endpoint. Markeer twijfelpunten en herbekijk ze pas na afloop. Die timeboxing lijkt eenvoudig, maar helpt om te voorkomen dat kandidaten te lang blijven hangen bij één detail en daardoor bredere scenario’s missen.
Van notebook naar MLOps: de vaardigheid die vaak ontbreekt
Veel kandidaten starten vanuit notebooks, en dat is logisch. Notebooks zijn geschikt voor data-exploratie, visualisaties en snelle experimenten. DP-100 vraagt echter dat kandidaten begrijpen wanneer een notebook niet meer voldoende is. Zodra een model herhaald moet worden getraind, door anderen moet worden beoordeeld of als endpoint beschikbaar moet zijn, worden versiebeheer, pipeline-stappen, environments, modelregistratie en monitoring belangrijk.
Een notebook-only aanpak leidt in de praktijk vaak tot onduidelijke afhankelijkheden, ontbrekende metrics en modellen die moeilijk opnieuw te trainen zijn. Azure Machine Learning lost dat niet automatisch op; de kandidaat moet zelf consistente environments definiëren, datasets of data assets beheren, MLflow-logging gebruiken en beslissen welke artefacten geregistreerd worden. In een DP-100-context betekent dit dat hyperparameterafstemming pas zinvol is wanneer de metric vastligt en logging betrouwbaar is. Zonder vaste metric optimaliseert een team vooral op gevoel.
Modelregistratie vormt de brug tussen experiment en deployment. Een geregistreerd model kan gekoppeld worden aan een versie, een environment en later een endpoint. In productiewerk komen daar CI/CD, goedkeuringsstappen, monitoring van datadrift en performance, en rollback-scenario’s bij. DP-100 toetst niet elk DevOps-detail, maar kandidaten moeten begrijpen waarom reproduceerbaarheid en beheerbaarheid belangrijk zijn voor machine learning-oplossingen op Azure.
Kosten, governance en Responsible AI tijdens het oefenen
Kostenbeheersing hoort vanaf het begin bij de voorbereiding, niet pas nadat er onverwachte cloudkosten zijn gemaakt. Een aparte resource group per project maakt opruimen eenvoudiger. Tags zoals project, omgeving en eigenaar helpen om resources terug te vinden. Gescheiden dev-, test- en productieomgevingen zijn in echte organisaties belangrijk, maar voor studie kan een compacte dev-omgeving volstaan zolang de kandidaat het principe begrijpt.
Compute-keuze is een inhoudelijke én financiële beslissing. Een compute instance is handig voor interactieve ontwikkeling, terwijl compute clusters geschikt zijn voor schaalbare trainingjobs. Voor batchinferentie kan een ander patroon passen dan voor een realtime endpoint. Kandidaten die dit verschil begrijpen, beantwoorden scenario’s beter omdat zij de operationele gevolgen van hun keuze kunnen toelichten.
Responsible AI is eveneens meer dan een apart onderwerp aan het einde van de voorbereiding. Microsoft-documentatie rond Responsible AI, Fairlearn en modeluitlegbaarheid helpt kandidaten om eerlijkheid, foutanalyse en interpretatie in de modellevenscyclus te plaatsen. Een praktisch lab kan bijvoorbeeld een classificatiemodel trainen, performance per subgroep vergelijken en vervolgens documenteren welke beperkingen het model heeft. Dat maakt duidelijk dat fairness-checks geen formaliteit zijn, maar een onderdeel van modelbeoordeling en governance.
Wie Responsible AI verder wil verkennen, kan de officiële Microsoft-documentatie combineren met interne richtlijnen van de eigen organisatie. Voor bredere Microsoft-leertrajecten kan een overzicht van Microsoft-trainingen helpen om DP-100 te plaatsen naast Azure-, security- en data-engineeringonderwerpen.
Veelgemaakte fouten tijdens de voorbereiding
De meest voorkomende fout is theorie stapelen zonder voldoende hands-on herhaling. Kandidaten herkennen dan termen zoals compute cluster, endpoint, registry en MLflow, maar weten niet hoe foutmeldingen, rechten of ontbrekende dependencies zich gedragen in een echte werkruimte. Een beter patroon is korte leerloops gebruiken: concept lezen, mini-lab uitvoeren, resultaat controleren, fout noteren en enkele dagen later opnieuw oefenen.
Een tweede fout is hyperparameterafstemming te vroeg inzetten. Tuning klinkt geavanceerd, maar zonder vaste evaluatiemetric, train-testverdeling, dataversie en logging blijft het resultaat moeilijk te interpreteren. Voor DP-100 is het belangrijker dat een kandidaat kan uitleggen welke metric past bij het probleem en hoe resultaten worden bijgehouden dan dat er veel tuningruns worden gestart.
Een derde fout is endpoints onderschatten. Training voelt voor veel kandidaten vertrouwd, maar implementatie brengt andere vragen mee: batch of online, authenticatie, compute, latency, monitoring en rollback. Het examen kan die keuzes in scenario’s verpakken. Daarom hoort elke studieplanning minstens één oefening te bevatten waarin een model wordt geregistreerd, als endpoint beschikbaar wordt gemaakt en daarna gecontroleerd wordt met een eenvoudige voorspelling.
De laatste week voor het examen
De laatste week is geen geschikt moment om grote nieuwe projecten op te starten. Het is beter om het foutenlog te herlezen, zwakke examendomeinen opnieuw te oefenen en de officiële DP-100-pagina op Microsoft Learn te controleren op wijzigingen. Kandidaten moeten ook het examenbeleid, identiteitscontrole, toegestane hulpmiddelen en eventuele platforminstructies raadplegen via de officiële registratiekanalen.
Een nuttige afsluitende oefening is een volledige scenario-review. De kandidaat krijgt een korte projectcontext, kiest een data-aanpak, bepaalt compute, beschrijft de pipeline, registreert het model en benoemt het endpointtype. Daarna volgt een korte reflectie: welke beslissing was onzeker, welke documentatie bevestigt de keuze en welk lab bewijst dat de vaardigheid beheerst wordt. Deze werkwijze houdt de voorbereiding dicht bij de manier waarop DP-100 scenario’s benadert.
Voor organisaties of teams die meerdere Microsoft-certificeringen plannen, kan Unlimited Microsoft Training een manier zijn om DP-100 te combineren met aanverwante Azure- en dataonderwerpen. De keuze voor zo’n traject moet afhangen van rol, beschikbare studietijd en de mate waarin hands-on begeleiding nodig is.
DP-100 gebruiken als stap naar volwassen machine learning op Azure
DP-100 is waardevol wanneer de voorbereiding niet stopt bij het examen. De vaardigheden worden sterker wanneer kandidaten ze blijven toepassen in projecten met datasetversies, modelregistratie, pipeline-automatisering, endpointmonitoring en Responsible AI-controles. Daarmee wordt de certificering een middel om betrouwbaarder machine learning-werk te leveren, in plaats van een los bewijs van examenkennis.
De meest effectieve volgende stap is een klein intern of persoonlijk project kiezen en dit volgens DP-100-principes uitwerken: data voorbereiden, training automatiseren, metrics loggen, het model registreren, een endpoint testen en governancebeslissingen documenteren. Wie ondersteuning wil bij het kiezen van een passend Microsoft-leerpad of een begeleid DP-100-traject, kan contact opnemen met Readynez.
