Databricks Machine Learning Associate — Übungsfragen und Probeprüfung

Die Prüfung Databricks Certified Machine Learning Associate weist nach, dass du Machine-Learning-Modelle auf der Databricks-Plattform bauen, trainieren und deployen kannst. Sie deckt die Databricks-eigenen ML-Werkzeuge ab: MLflow für Experiment Tracking und die Model Registry, den Feature Store für die Verwaltung von Features und AutoML für schnelles Prototyping. Dazu kommen Datenverarbeitung, Modellentwicklung und Model Deployment. Du musst zeigen, dass du ML-Modelle im Databricks Machine Learning Workspace zuverlässig in den produktiven Betrieb bringst.

Die Zertifizierung richtet sich an Data Scientists und ML Engineers, die Databricks seit mindestens sechs Monaten für Machine-Learning-Aufgaben nutzen. Sie belegt grundlegende Kompetenz im Databricks-ML-Lifecycle, von der Datenverarbeitung bis zum Deployment.

Databricks Machine Learning ist mit 38 % die am stärksten gewichtete Domäne. Es geht um Experiment-Tracking mit MLflow, die Model Registry im Unity Catalog, Feature-Store-Tabellen und AutoML, also um Databricks-eigenes Tooling statt um allgemeine ML-Theorie. Danach folgt Model Development mit 31 %: Auswahl von Algorithmen, Hyperparameter-Tuning mit Hyperopt oder Cross-Validation und die Metriken für Klassifikation und Regression, die unabhängig von der Plattform gelten.

Data Processing (19 %) und Model Deployment (12 %) runden die Prüfung ab: Feature Engineering auf Spark DataFrames inklusive Imputation, Encoding und Umgang mit Ausreißern sowie der Vergleich von Batch, Streaming und Real-time Serving für einen gegebenen Endpoint. Zusammen machen Databricks Machine Learning und Model Development 69 % der Prüfung aus. Sicherheit auf der Plattform zählt also genauso viel wie allgemeines ML-Wissen.

Die Prüfung besteht aus 48 gewerteten Fragen in einem Zeitfenster von 90 Minuten, gemischt aus Multiple-Choice- und Multiple-Select-Formaten; dazu können ungewertete Pilotfragen kommen. Rechne mit Databricks-spezifischen Szenarien: einen Run über die MLflow Client API loggen, ein Modell in der Unity-Catalog-Registry registrieren oder für einen gegebenen Use Case eine Online-Feature-Tabelle von einer Offline-Tabelle unterscheiden.

Der DB-MLA-Pool deckt jede Domain ab und wird laufend um neue Fragen erweitert. Eine Probeprüfung stellt dir 48 Fragen am Stück, mit derselben 90-Minuten-Uhr wie am Prüfungstag.

Wie lange du brauchst, hängt davon ab, wie viel Praxiserfahrung du mitbringst. Den Rest legt der Anbieter fest: wie die Prüfung abläuft, wie schnell du wiederholen darfst und wie lange das Zertifikat gültig bleibt.

Die Prüfung läuft online mit Remote-Proctor oder in einem Testcenter und wird auf Englisch, Japanisch, Portugiesisch (BR) und Koreanisch angeboten. Das Zertifikat gilt zwei Jahre; für die Rezertifizierung legst du die aktuelle Version der Prüfung ab.

Die Domäne Databricks Machine Learning belohnt Sicherheit im konkreten Tooling mehr als allgemeine MLOps-Theorie: Du musst wissen, wann ein Challenger-Modell per Alias zum Champion befördert wird, warum Feature-Store-Tabellen auf Account-Ebene für die teamübergreifende Wiederverwendung besser taugen als solche auf Workspace-Ebene und in welchem Panel der MLflow-UI die geloggten Artifacts eines Runs auftauchen. Die Fragen zu Data Processing sind handfeste Spark-DataFrame-Arbeit: die Entscheidung zwischen Imputation mit Mittelwert, Median oder Modus, oder das Erkennen der Fälle, die wirklich eine Log-Transformation verlangen, statt sie standardmäßig anzuwenden. Model Development schöpft genauso aus allgemeinem ML-Wissen wie aus dem Databricks-Tooling. Der Bias-Variance-Tradeoff und die gängigen Evaluationsmetriken sollten dir deshalb in Fleisch und Blut übergegangen sein und nicht erst kurz vor der Prüfung als frisch gelernte Definitionen im Kopf herumliegen.