- Controleer eerst de actuele DP-100-examenpagina op Microsoft Learn, omdat examendoelen, taalopties, afnamevormen en beleid kunnen wijzigen.
- Oefen daarna end-to-end in Azure Machine Learning, van dataregistratie tot modeldeployment en monitoring.
- Plan de examendatum pas wanneer zowel de no-code flows in Studio als de code-first werkwijze met notebooks en SDK vertrouwd aanvoelen.
Gepubliceerd: 29 juli 2026. Laatst bijgewerkt: 29 juli 2026. Microsoft DP-100, Designing and Implementing a Data Science Solution on Azure, definieert de examenbasis voor professionals die machine learning-oplossingen ontwerpen, trainen, implementeren en beheren op Microsoft Azure. Het examen hoort bij de rol van Azure Data Scientist en vraagt meer dan theoretische kennis van algoritmen; kandidaten moeten begrijpen hoe Azure Machine Learning in de praktijk wordt gebruikt om experimenten reproduceerbaar, schaalbaar en beheerbaar te maken.
Een goede voorbereiding begint daarom niet bij het uit het hoofd leren van losse begrippen, maar bij het bouwen van een werkende workflow. DP-100 toetst of een kandidaat data kan voorbereiden, compute kan kiezen, training kan uitvoeren, modellen kan evalueren en een oplossing kan implementeren op een manier die past bij een realistisch scenario. Daarbij komen zowel visuele mogelijkheden in Azure Machine Learning Studio als code-first werkwijzen met Python, notebooks en SDK’s terug.
Wat DP-100 eigenlijk toetst
De officiële bron voor de examengegevens is Microsoft Learn. Daar staan de actuele skills measured, het examenbeleid, de registratie-informatie en eventuele wijzigingen in de inhoud. Kandidaten doen er goed aan die pagina vlak voor de voorbereiding én opnieuw vlak voor registratie te controleren, omdat Microsoft examendoelen periodiek aanpast aan productwijzigingen in Azure.
Inhoudelijk draait DP-100 om het ontwerpen en implementeren van data science-oplossingen op Azure. Terugkerende onderwerpen zijn het voorbereiden en registreren van data, het configureren van Azure Machine Learning-workspaces, het trainen van modellen, het gebruiken van compute resources, het beheren van experimenten, het evalueren van modelprestaties, het implementeren van modellen en het bewaken van oplossingen nadat ze in gebruik zijn genomen.
Het examen kan verschillende vraagvormen gebruiken, waaronder meerkeuzevragen, drag-and-drop, scenario’s en casusgerichte opdrachten. Kandidaten moeten daarom niet alleen definities herkennen, maar keuzes kunnen uitleggen. Een vraag kan bijvoorbeeld niet letterlijk vragen wat een datastore is, maar wel een situatie schetsen waarin data herbruikbaar, veilig en centraal beschikbaar moet zijn voor meerdere trainingsruns.
Scoring en tijdsduur moeten altijd op de officiële examenpagina worden nagekeken. Microsoft publiceert exameninformatie en beleid centraal, en kandidaten mogen niet aannemen dat oudere blogs, oefenvragen of trainingsnotities nog volledig actueel zijn. Wie met oefenexamens werkt, gebruikt die het best als diagnose-instrument: fout beantwoorde vragen laten vooral zien welke concepten opnieuw in Azure moeten worden geoefend.
De Azure ML-basis die vóór het studeren klaar moet staan
Veel kandidaten beginnen met documentatie, maar verliezen tijd doordat hun oefenomgeving niet stabiel is ingericht. Een praktische DP-100-werkruimte bevat bij voorkeur één Azure Machine Learning-workspace, een standaard compute cluster voor trainingsruns, een gekoppelde datastore naar Blob Storage, een beheerde identiteit voor toegang tot resources en budget- of quotawaarschuwingen om onverwachte kosten te voorkomen. Het doel is niet een productieplatform bouwen, maar een gecontroleerde omgeving waarin dezelfde patronen steeds opnieuw kunnen worden geoefend.
Die basis helpt ook om de samenhang tussen examenonderwerpen te zien. Een dataset staat niet los van een datastore, compute staat niet los van kosten en schaal, en een modelregistratie heeft pas waarde wanneer bijbehorende metadata, tags en versies goed worden vastgelegd. In DP-100-scenario’s zit de juiste keuze vaak in die verbindingen, niet in het herkennen van één afzonderlijke dienst.
Een veelgemaakte fout is dat environment- en conda-afhankelijkheden pas laat worden vastgelegd. Daardoor werkt een trainingsrun lokaal of in een notebook, maar is dezelfde run later moeilijk te reproduceren op een compute cluster of bij deployment. Een kandidaat die oefent met expliciete environments, geregistreerde modellen en experimentmetadata begrijpt beter waarom Azure ML zoveel nadruk legt op herhaalbaarheid.
Een tweede valkuil is dat compute targets, datastores en datasets pas worden aangemaakt wanneer een lab daarom vraagt. Dat lijkt efficiënt, maar het belemmert begrip van de architectuur. Wie vooraf een kleine, herbruikbare oefenomgeving opzet en resources na labs opruimt, leert meteen de operationele discipline die in echte Azure ML-projecten nodig is.
Oefenen met Studio én code-first workflows
DP-100 is geen examen voor uitsluitend notebookgebruikers en ook geen examen voor uitsluitend visuele designers. In Azure Machine Learning bestaan meerdere manieren om dezelfde oplossing te bouwen: via Studio, via AutoML, via Designer, via notebooks en via SDK’s. Kandidaten die slechts één aanpak kennen, lopen vast wanneer een scenario vraagt om de beste keuze tussen snelheid, controle, reproduceerbaarheid en governance.
No-code en low-code mogelijkheden zijn nuttig om snel een baseline te maken, dataflows te begrijpen of stakeholders te laten meekijken. Code-first flows zijn sterker wanneer versiebeheer, maatwerkfeature-engineering, herbruikbare componenten of integratie met MLOps-processen nodig zijn. In het examen wordt vaak impliciet getoetst of iemand tussen die werelden kan vertalen: wat in Studio een geregistreerde dataset lijkt, moet in code ook als herbruikbare asset en input kunnen worden begrepen.
Voor wie gestructureerde begeleiding zoekt, kan een DP-100-training met praktijklabs helpen om de losse examenonderwerpen in één end-to-end Azure ML-flow te plaatsen. De meeste waarde zit daarbij in het herhaaldelijk uitvoeren van dezelfde levenscyclus: data koppelen, experiment starten, resultaten vergelijken, model registreren, endpoint kiezen en de oplossing bewaken.
Een goed lab is klein genoeg om te herhalen, maar volledig genoeg om echte keuzes af te dwingen. Gebruik bijvoorbeeld een eenvoudige classificatie- of regressietaak, splits data reproduceerbaar, log metrics, registreer het model en voeg tags toe die aangeven welke datasetversie, environment en trainingsrun zijn gebruikt. Zo wordt zichtbaar hoe Azure ML de brug legt tussen data science en operationeel beheer.
Onderstaand voorbeeld is bedoeld als compacte oefening voor het trainen en loggen van een scikit-learn-model. Het vervangt geen volledige Azure ML-runconfiguratie, maar laat zien welke elementen later in Azure ML moeten terugkomen: reproduceerbare preprocessing, duidelijke metrics en een modelartefact dat geregistreerd kan worden.
Example — modeltraining met expliciete metrics
import joblib
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
customer_data = pd.read_csv("data/customer_churn_train.csv")
X = customer_data.drop(columns=["churned"])
y = customer_data["churned"]
numeric_features = ["tenure_months", "monthly_spend"]
categorical_features = ["contract_type", "support_plan"]
preprocess = ColumnTransformer(
transformers=[
("num", StandardScaler(), numeric_features),
("cat", OneHotEncoder(handle_unknown="ignore"), categorical_features),
]
)
model = Pipeline(
steps=[
("preprocess", preprocess),
("classifier", RandomForestClassifier(n_estimators=100, random_state=42)),
]
)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y
)
model.fit(X_train, y_train)
predictions = model.predict(X_test)
print({"accuracy": round(accuracy_score(y_test, predictions), 4)})
joblib.dump(model, "outputs/customer_churn_model.joblib")
De leerwaarde zit niet in de gekozen classifier, maar in de structuur. De preprocessing is onderdeel van dezelfde pipeline als het model, de splitsing is reproduceerbaar en het artefact staat klaar om als modelversie te worden vastgelegd. In een Azure ML-lab hoort daar vervolgens logging van metrics, registratie van het model en koppeling aan experimentmetadata bij.
Data, compute, environments en modelbeheer als één geheel
Een DP-100-kandidaat moet kunnen uitleggen waarom data assets, datastores en compute resources op een bepaalde manier worden ingericht. Data in Azure ML wordt idealiter niet behandeld als een losse CSV die telkens opnieuw wordt geüpload, maar als een beheerde input die meerdere experimenten kan ondersteunen. Dat maakt vergelijking tussen runs en samenwerking binnen teams veel eenvoudiger.
Compute vraagt een vergelijkbare afweging. Voor snelle experimenten kan een kleine compute-instantie voldoende zijn, terwijl herhaalde trainingsruns beter passen bij een compute cluster dat kan opschalen en daarna terugschalen. In examenvragen kan de juiste keuze afhangen van kosten, wachttijd, reproduceerbaarheid, samenwerking of de noodzaak om meerdere runs parallel uit te voeren.
Environments vormen vaak het verschil tussen een geslaagde demo en een beheersbare ML-oplossing. Dependencies zoals scikit-learn, pandas, PyTorch of TensorFlow moeten expliciet worden vastgelegd, zodat dezelfde code later opnieuw kan draaien op andere compute of in een deploymentcontext. Wie dit tijdens het oefenen overslaat, mist een belangrijk deel van de reden waarom Azure ML met beheerde environments werkt.
Modelbeheer gaat vervolgens verder dan het opslaan van een bestand. Een geregistreerd model hoort metadata te bevatten over versie, doel, trainingsdata, gebruikte environment en relevante metrics. Die informatie helpt bij evaluatie, rollback, audit en samenwerking. Het examen kan dit toetsen via scenario’s waarin traceerbaarheid of governance belangrijker is dan pure modelscore.
Deployment: online endpoint of batch scoring
Deploymentvragen in DP-100 gaan meestal over de context waarin een model wordt gebruikt. Een managed online endpoint past goed bij realtime of bijna realtime voorspellingen, bijvoorbeeld wanneer een applicatie direct een antwoord nodig heeft. Batch scoring past beter bij periodieke verwerking van veel records, zoals nachtelijke risicoscores of maandelijkse segmentatie.
Die keuze heeft technische en financiële gevolgen. Een online endpoint kan rekening moeten houden met schaalinstellingen, latency, cold start-gedrag en doorlopende compute-kosten. Batch scoring vraagt eerder aandacht voor planning, throughput, foutafhandeling en outputlocaties. Kandidaten die deze afwegingen in eigen labs hebben gezien, herkennen examenvragen sneller als architectuurkeuzes in plaats van productvragen.
Ook monitoring hoort bij deployment. In echte teams wordt de waarde van een data scientist of ML engineer pas zichtbaar wanneer een model betrouwbaar blijft functioneren na ingebruikname. Daarom is het verstandig om tijdens de voorbereiding te oefenen met logging, basismonitoring, data drift-concepten en hertrainingstriggers. Dat sluit aan op de operationele kant van Azure ML en op de verwachtingen die organisaties hebben van production-grade machine learning.
Registratie, afname en examendag
Registratie voor DP-100 loopt via de officiële Microsoft-certificeringspagina en de afnamepartner Pearson VUE. Kandidaten kiezen daar tussen online proctoring en een testcenter wanneer die opties beschikbaar zijn in hun regio. De prijs, beschikbare talen, annuleringsvoorwaarden en rescheduling-regels kunnen per land en moment verschillen, waardoor de officiële registratieflow de enige betrouwbare bron is voor de actuele details.
Online afname vraagt extra voorbereiding. De kandidaat moet rekening houden met identiteitscontrole, systeemcheck, een rustige ruimte, cameravereisten en de regels van de proctor. Een testcenter neemt veel van die technische onzekerheid weg, maar vraagt reistijd en beschikbaarheid op locatie. De beste keuze hangt af van persoonlijke omstandigheden, niet van een algemene voorkeur.
Op examendag is tijdmanagement belangrijker dan last-minute studeren. Scenario’s kunnen lang zijn, en het is verstandig eerst de context, beperkingen en gevraagde uitkomst te lezen voordat naar antwoordopties wordt gekeken. Kandidaten mogen geen vertrouwelijke examenvragen delen of proberen te reconstrueren; de voorbereiding moet gebaseerd zijn op officiële examendoelen, documentatie, labs en legitieme oefenvragen.
Een studieplan voor één tot drie maanden
Een voorbereiding van enkele weken tot enkele maanden werkt het best wanneer theorie en labs elkaar afwisselen. Begin met de skills measured op Microsoft Learn en markeer per onderwerp of het bekend, onzeker of onbekend is. Gebruik die inventarisatie om labs te kiezen, niet andersom. Wie willekeurige tutorials volgt, krijgt vaak veel schermervaring maar weinig examengerichte samenhang.
In de eerste fase ligt de nadruk op Azure ML-basisbegrippen: workspace, compute, data assets, environments, jobs, experiments en modelregistratie. In de tweede fase hoort de kandidaat dezelfde workflow meerdere keren te doorlopen met variaties in data, modeltype of deploymentkeuze. In de derde fase verschuift de focus naar scenario’s, foutanalyse, monitoring en het kunnen uitleggen waarom een oplossing passend is.
Oefenvragen zijn nuttig aan het einde van elke fase, maar ze mogen labs niet vervangen. Een kandidaat die een vraag over deployment goed beantwoordt maar nooit een endpoint heeft aangemaakt, mist praktische context. Andersom is klikken door de portal zonder begrip van governance, schaal en reproduceerbaarheid ook onvoldoende. DP-100 beloont het combineren van beide vormen van kennis.
DP-100, DP-203 of AI-102: het juiste vervolgpad kiezen
DP-100 past het best bij professionals die machine learning-oplossingen willen bouwen, trainen, implementeren en beheren op Azure. DP-203 ligt dichter bij data engineering: data-integratie, transformatie, opslag en analytische pipelines. AI-102 richt zich meer op Azure AI Engineer-werk, zoals cognitieve services, AI-toepassingen en integratie van taal- en visionmogelijkheden in softwareoplossingen.
Voor teams is die afbakening belangrijk. Een data engineer die vooral lakehouse- of pipelinewerk doet, heeft doorgaans meer aan DP-203 dan aan DP-100. Een developer die AI-diensten in applicaties integreert, zal sneller richting AI-102 bewegen. Een data scientist of ML engineer die modellen operationaliseert in Azure ML, vindt in DP-100 de meest directe aansluiting.
Na DP-100 ligt de logische verdieping vaak in MLOps, monitoring, responsible AI en samenwerking met data engineering. In de praktijk ontstaan sterke teams wanneer rollen elkaar aanvullen: data engineers leveren betrouwbare datafundamenten, data scientists ontwikkelen en evalueren modellen, en ML engineers zorgen voor pipelines, deployment, observability en hertraining. DP-100 raakt vooral dat middelste en operationele deel van de keten.
Veelgestelde vragen over Microsoft DP-100
Wat is het formaat van het DP-100-examen?
DP-100 kan verschillende vraagvormen bevatten, zoals meerkeuzevragen, drag-and-drop, scenario’s en casusgerichte opdrachten. De actuele examenvorm, duur en voorwaarden moeten altijd worden gecontroleerd op Microsoft Learn, omdat Microsoft exameninformatie kan wijzigen.
Welke onderwerpen komen terug in DP-100?
De kernonderwerpen zijn data voorbereiden, Azure Machine Learning-workspaces gebruiken, compute configureren, modellen trainen en evalueren, experimenten beheren, modellen registreren, oplossingen implementeren en monitoring toepassen. De officiële skills measured op Microsoft Learn blijven de leidende bron.
Is programmeerkennis nodig voor DP-100?
Ja, programmeerkennis is belangrijk, vooral Python en gangbare machine learning-bibliotheken zoals scikit-learn, PyTorch of TensorFlow. Tegelijk moet een kandidaat ook Azure Machine Learning Studio, AutoML en Designer-concepten begrijpen, omdat het examen zowel visuele als code-first werkwijzen kan raken.
Hoeveel praktijkervaring is verstandig vóór registratie?
Een kandidaat is beter voorbereid wanneer hij of zij minstens één volledige Azure ML-workflow zelfstandig kan uitvoeren: data koppelen, compute gebruiken, een model trainen, metrics beoordelen, het model registreren en een passende deploymentvorm kiezen. Het aantal oefenuren is minder belangrijk dan de vraag of die workflow begrepen en herhaald kan worden.
Waar kan iemand zich registreren voor DP-100?
Registratie verloopt via de officiële Microsoft-certificeringspagina en Pearson VUE. Daar staan de beschikbare afnameopties, regionale prijsinformatie, identiteitsvereisten en regels voor verplaatsen of annuleren van het examen.
Van examenvoorbereiding naar toepasbare Azure ML-vaardigheid
DP-100 is het meest waardevol wanneer de voorbereiding leidt tot vaardigheden die direct bruikbaar zijn in projecten. Kandidaten die alleen oefenvragen maken, missen vaak het gevoel voor afhankelijkheden tussen data, compute, environments, modelregistratie en deployment. Kandidaten die alleen labs volgen zonder de examendoelen te toetsen, bouwen soms handigheid op zonder te weten welke concepten Microsoft expliciet meet.
Een evenwichtige aanpak combineert officiële Microsoft Learn-bronnen, herhaalbare Azure ML-labs, scenario-oefening en bewuste reflectie op ontwerpkeuzes. Wie daarna meerdere Microsoft-certificeringen wil plannen, kan via Microsoft-trainingen en Unlimited Microsoft-training een breder leerpad samenstellen. Readynez kan daarbij helpen met gestructureerde begeleiding, maar de kern blijft hetzelfde: oefen alsof het model later beheerd, gemonitord en verbeterd moet worden.
De praktische volgende stap is het vergelijken van de officiële DP-100-skills met een eigen Azure ML-labomgeving en vervolgens gericht de zwakke onderdelen te oefenen. Neem contact op met Readynez als er behoefte is aan advies over een passend Microsoft-certificeringspad of een trainingsaanpak voor een team.
