Databricks · DB-MLP · Professional

Databricks Machine Learning Professional — Übungsfragen und Probeprüfung

Name: Pass-IT
Author: Pass-IT

Bereite dich mit eigens erstellten Übungsfragen und verständlichen Antworterklärungen auf DB-MLP vor. Frage Alex, deinen KI-Tutor, wenn du mehr Details brauchst. Deine Ergebnisse zeigen dir, welche Themen du wiederholen solltest, und zeitlich begrenzte Probeprüfungen helfen dir, deine Zeiteinteilung zu üben.

Kostenlos für DB-MLP üben Zugang für DB-MLP für $29.99 kaufen

Zugang für DB-MLP für $29.99 kaufen Kostenlos für DB-MLP üben

59Fragen der Probeprüfung

120minZeitlimit

Mit Angaben von Databricks abgeglichen · August 2026 · Aktuelle Prüfungsversion

Überblick

Über die Prüfung

Die Prüfung zum Databricks Certified Machine Learning Professional weist fortgeschrittene Kenntnisse im Aufbau produktionsreifer ML-Systeme auf Databricks nach, und zwar in großem Maßstab. Sie deckt fortgeschrittene Techniken der Modellentwicklung ab, das Management des MLOps-Lebenszyklus inklusive CI/CD und Monitoring sowie Strategien für das Model Deployment. Modellentwicklung und MLOps machen dabei jeweils 44 Prozent der Prüfung aus. Du musst zeigen, dass du produktive ML-Pipelines entwerfen und den Lebenszyklus von Modellen auch bei hohem Volumen steuern kannst.

Die Zertifizierung richtet sich an erfahrene ML Engineers und Data Scientists, die seit mindestens einem Jahr produktive ML-Systeme auf Databricks bauen. Sie belegt, dass du ML-Systeme in der Produktion zuverlässig und skalierbar betreiben kannst.

Übungsfragen ausprobieren

Fünf Fragen zu DB-MLP ausprobieren

Übe mit fünf Fragen aus dem aktuellen Fragenpool für Databricks Certified Machine Learning Professional in der App, jeweils mit Antwort und Erklärung.

MLOps1 / 5

Ein Machine-Learning-Engineer soll eine MLOps-Praxis umsetzen, bei der jeder Trainingslauf eines Modells mit dem exakten Git-Commit des Trainingscodes, der konkreten Version der Trainingsdaten und dem entstandenen Modellartefakt verknüpft ist. Was stellt diese durchgängige Nachvollziehbarkeit sicher?

AlexGanze Erklärung von Alex

MLOps-Provenance-Kette: 1) Code → Run: Databricks Repos: automatische Git-Integration. MLflow: loggt Notebook-Pfad und Git-Commit-SHA. Reproduzierbarkeit: Commit auschecken, Notebook erneut ausführen. 2) Daten → Run: Delta-Lake-Version: exakter Snapshot der Trainingsdaten. Daten-Hash: Fingerabdruck des Datensatzes. Feature-Store-Version: welche Version der Feature-Tabelle verwendet wurde. Time Travel: spark.read.format('delta').option('versionAsOf', 42).table('training_data'). 3) Run → Modell: Der MLflow-Run enthält: Parameter, Metriken, Artefakte. Aus dem Run registriertes Modell: über run_id verknüpft. Model Registry: Version → Run → Code + Daten. 4) Modell → Deployment: Deployment-Logs: welche Modellversion ausliefert. Endpoint: verweist auf die Modell-URI. Inference-Tabelle: loggt jede Vorhersage. 5) Vollständige Kette: Vorhersage → Modellversion → MLflow-Run → (Git-Commit + Datenversion) → ursprünglicher Quellcode und Daten. 6) Automatisierung: Autologging: erfasst die meisten Code-/Modell-Verknüpfungen automatisch. Daten-Logging: erfordert manuelles mlflow.log_param für die Datenversion. Unity Catalog: ergänzt eine Governance-Ebene (Berechtigungen, Audit-Logs). 7) Vorteile: Reproduzierbarkeit: jedes Modell wiederherstellen. Auditierbarkeit: Compliance-Anforderungen erfüllen. Debugging: herausfinden, was sich geändert hat, als das Modell schlechter wurde.

Quelledocs.databricks.com

Modell-Deployment2 / 5

Ein Machine-Learning-Engineer soll eine Lösung umsetzen, die unterschiedlichen geografischen Regionen unterschiedliche Modellversionen ausliefert. Die EU-Region benötigt ein Modell, das mit DSGVO-konformen Daten (ohne personenbezogene Kennungen) trainiert wurde, während die US-Region alle Features nutzen darf. Wie wird dieses Multi-Region-Serving konfiguriert?

AlexGanze Erklärung von Alex

Regulatorisch bewusstes Model Serving: 1) DSGVO-Anforderungen: Datenminimierung: Das Modell für die EU darf nur auf Features trainiert werden, die keine personenbezogenen Kennungen enthalten. Zweckbindung: Features nur für den angegebenen Zweck nutzen. Recht auf Vergessenwerden: Das Modell darf keine Einzeldaten auswendig lernen. 2) Feature-Kategorien: PII: Name, E-Mail, Telefon, Adresse, IP. Quasi-Identifikatoren: Alter + Postleitzahl + Geschlecht (die Kombination kann identifizieren). Aggregiert: durchschnittlicher Transaktionsbetrag (letzte 30 Tage). Verhaltensbezogen: Anzahl der Logins (keine Identifikation einzelner Personen). 3) Warum zwei registrierte Versionen: Die Compliance-Grenze sind die Trainingsdaten selbst, deshalb brauchst du zwei getrennt trainierte Artefakte — eines auf dem DSGVO-konformen Feature-Set trainiert, eines auf allen Features — die nebeneinander in der Model Registry registriert sind, wo jede Version ihre eigene Lineage, Stage und ihren eigenen Audit-Trail hat. 4) Request-Routing: Eine Routing-Schicht vor dem Serving-Endpoint prüft den Region-Header der Anfrage und leitet EU-Anfragen an die konforme Version und US-Anfragen an die Version mit allen Features. Databricks Model Serving kann mehrere Modelle und mehrere Versionen eines Modells gleichzeitig ausliefern und erlaubt es, ein einzelnes hinter einem Endpoint bereitgestelltes Modell gezielt abzufragen — Routing pro Anfrage auf eine bestimmte registrierte Version ist also ein unterstütztes Muster. 5) Testen: konforme Version: prüfen, dass in ihrer Input-Signatur keine PII-Features vorkommen. Version mit allen Features: prüfen, dass alle Features verfügbar sind. Routing: prüfen, dass ein EU-Region-Header immer auf der konformen Version landet. 6) Compliance-Dokumentation: Model Cards pro registrierter Version dokumentieren, welche Features verwendet werden. Die Lineage der Model Registry verfolgt die Herkunft der Trainingsdaten jeder Version. Zugriffslogs halten fest, welche Version jede Anfrage bedient hat.

Quelledocs.databricks.com

Modellentwicklung3 / 5

Was ist beim Hyperparameter-Tuning mit Hyperopt auf Databricks der wichtigste Vorteil, wenn du SparkTrials statt der Standardklasse Trials verwendest?

AlexGanze Erklärung von Alex

Hyperopt ist eine Bibliothek zur Hyperparameter-Optimierung, die Tree-structured Parzen Estimators (TPE) und Random-Search-Algorithmen unterstützt. Die Standardklasse Trials führt die Trials sequenziell auf einer einzelnen Maschine aus. SparkTrials erweitert das, indem die Trials über ein Spark-Cluster verteilt werden, wobei jeder Worker parallel ein Modell mit anderen Hyperparametern trainiert. Das ist besonders wirkungsvoll bei ML-Modellen für einen einzelnen Knoten (scikit-learn, XGBoost), bei denen jeder Trial auf einen Worker passt.

Quelledocs.databricks.com

Model Lifecycle Management4 / 5

Ein Model-Monitoring-System erkennt, dass sich die Verteilungen der Eingabe-Features deutlich von der Verteilung der Trainingsdaten verschoben haben. Die Performance-Metriken des Modells bleiben jedoch stabil. Was sollte der ML Engineer tun?

AlexGanze Erklärung von Alex

Model Monitoring unterscheidet zwischen Data Drift (Änderungen der Verteilung von Eingabe-Features) und Concept Drift (Änderungen der Beziehung zwischen Features und Target). Data Drift kann ohne unmittelbare Auswirkungen auf die Performance auftreten, wenn das Modell gut auf den verschobenen Bereich generalisiert. Anhaltender Data Drift geht jedoch häufig Concept Drift voraus. Best Practice ist, sowohl Drift-Metriken als auch Performance-Metriken zu monitoren, Alerts mit unterschiedlichen Schweregraden einzurichten und Retraining Pipelines bereitzuhalten, die ausgelöst werden, wenn sich die Performance tatsächlich verschlechtert.

Quelledocs.databricks.com

Modell-Deployment5 / 5

Ein Machine-Learning-Engineer soll eine Model-Serving-Lösung umsetzen, die nicht nur eine Vorhersage zurückgibt, sondern zusätzlich einen Confidence Score und die wichtigsten beitragenden Features für jede Vorhersage. Die Antwort muss alle drei Informationen enthalten. Wie sollte der Endpoint entworfen werden?

AlexGanze Erklärung von Alex

Reichhaltige Antworten beim Model Serving: 1) Einfach: {'prediction': 1}. 2) Mit Confidence: {'prediction': 1, 'confidence': 0.92}. 3) Mit Erklärung: {'prediction': 1, 'confidence': 0.92, 'top_features': [{'name': 'credit_score', 'impact': 0.15}, {'name': 'debt_ratio', 'impact': -0.08}]}. 4) Mit Metadaten: model_version, timestamp, request_id ergänzen. 5) Implementierungsmuster: pyfunc predict → gibt ein DataFrame zurück. Jede Spalte wird Teil der Antwort. Komplexe Strukturen: als JSON-String in einer Spalte serialisieren. 6) Performance-Abwägungen: nur Vorhersage: ~10ms. Vorhersage + Confidence: ~10ms (die Wahrscheinlichkeiten sind bereits berechnet). Vorhersage + SHAP: ~50-200ms (die SHAP-Berechnung kostet zusätzlich). Optimierung: SHAP nur berechnen, wenn es angefordert wird (optionales Flag in der Anfrage). 7) Client-Integration: REST API: JSON-Antwort mit allen Feldern. SDK: in typisierte Objekte geparst. Dashboard: Vorhersage + Confidence-Anzeige + Feature-Waterfall-Chart darstellen.

Quelledocs.databricks.com

Kostenloses Konto erstellen

Die Fragen in der App sind derzeit auf Englisch. Übersetzungen in dieser Vorschau gelten nur für die Vorschau. Welche Sprachen für die offizielle Prüfung verfügbar sind, erfährst du beim Prüfungsanbieter.

Fragenpool

325 Übungsfragen

Der Pass-IT-Fragenpool bietet dir Aufgaben zur Vorbereitung auf DB-MLP. Eine Probeprüfung auf Pass-IT umfasst 59 Fragen bei einem Zeitlimit von 120 Minuten. Diese Einstellungen gelten für die Übung.

Angaben zum Fragenpool: DB-MLP

Prüfungsangaben mit Databricks abgeglichen13. August 2026

Datum des letzten Abgleichs mit der offiziellen Quelle von Databricks

Prüfungsziele im Leitfaden47 im offiziellen Leitfaden aufgeführte Prüfungsziele

verteilt auf 3 Bereiche im offiziellen Prüfungsleitfaden

Größe des Fragenpools325 Fragen

= Der Umfang des Fragenpools entspricht rechnerisch 5 Zusammenstellungen mit je 59 Fragen. Daraus folgt nicht, dass jede Probeprüfung andere Fragen verwendet.

Bereiche im Prüfungsplan3 Bereiche im Prüfungsplan

Model Development 132 · MLOps 118 · Model Deployment 75

Als mit Quellen abgeglichen erfasst325 von 325

Fragen, deren Antwort, Antwortoptionen und Erklärung als mit der offiziellen Dokumentation von Databricks abgeglichen erfasst sind

So entstehen die Fragen →

Prüfungsbereiche

Inhalte der Prüfung

Model Development und MLOps liegen mit je 44 % gleichauf und decken zusammen den weitaus größten Teil der Prüfung ab. Model Development umfasst verteiltes Training mit SparkML, Ray und Optuna, point-in-time-korrektes Feature Engineering sowie verschachtelte MLflow-Runs für komplexe Experimente. MLOps behandelt CI/CD für ML, Lakehouse Monitoring, Drift-Erkennung und automatisches Retraining, das bei nachlassender Performance ausgelöst wird.

Auf Model Deployment entfallen die restlichen 12 %. Geprüft werden Blue-Green- und Canary-Rollouts und der Zugriff auf eigene PyFunc-Modelle über einen Serving Endpoint statt nur über die UI. Die gleichmäßige Aufteilung zwischen Entwicklung und Betrieb spiegelt wider, was Senior ML Engineers wirklich tun: Modelle zu bauen ist die eine Hälfte des Jobs, sie in Produktion gesund zu halten die andere.

Prüfungsplan: DB-MLP

Model Development44%

Fortgeschrittene Modellentwicklung, verteiltes Training, Feature Engineering im großen Maßstab, Versuchsdesign, Hyperparameter-Optimierung mit Ray/Optuna und eigene Modellarchitekturen.

≈ 53 h

MLOps44%

MLOps practices, CI/CD for ML, Databricks Asset Bundles for ML, model testing strategies, A/B testing, model monitoring, drift detection, and pipeline automation.

≈ 53 h

Model Deployment12%

Produktives Model Serving, Batch- versus Echtzeit-Inferenz, Skalierung von Serving-Endpoints und Deployment-Automatisierung.

≈ 14 h

Format

Prüfungsformat und Fragetypen

Die Prüfung besteht aus 59 gewerteten Multiple-Choice-Fragen in einem Zeitfenster von 120 Minuten, dazu können ungewertete Pilotfragen kommen. Rechne mit ausführlicher Szenarienarbeit: Ray oder Spark für einen verteilten Trainingsjob auswählen, einen Lakehouse-Monitoring-Alert für Drift oberhalb eines Schwellenwerts entwerfen oder eine Rollout-Strategie für einen stark frequentierten Serving Endpoint festlegen.

Fragetypen: DB-MLP

Multiple Choice100%

Wähle die einzelne Antwort aus, die die Anforderungen der Frage am besten erfüllt.

Offizielle Informationen zu den Frageformaten findest du bei Databricks. Die dargestellten Anteile beziehen sich auf den Pass-IT-Fragenpool und geben keine Verteilung für die offizielle Prüfung vor.

Planung

Vorbereitung auf DB-MLP

Die Prüfung legst du online mit Remote-Proctor oder in einem Testcenter ab, angeboten wird sie nur auf Englisch. Das Zertifikat gilt zwei Jahre. Für die Rezertifizierung bestehst du die dann aktuelle Version der Prüfung.

Vorbereitung und Organisation: DB-MLP

Vorbereitung

Beispielhafter Lernaufwand70–180 h

Beispiel für die Planung: von 70 h mit einschlägiger Erfahrung bis 180 h beim Einstieg; dein Bedarf kann außerhalb dieser Spanne liegen

NiveauProfessional

Empfohlene VorkenntnisseKeine formalen Voraussetzungen. Empfohlen wird mindestens ein Jahr praktische Erfahrung mit ML auf Databricks.

Prüfung und Erhalt der Zertifizierung

DurchführungOnline beaufsichtigt oder Prüfungszentrum

WiederholungsregelnKeine verpflichtende Wartezeit. Es fällt eine Wiederholungsgebühr an.

Gültigkeit der Zertifizierung2 Jahre

Alle zwei Jahre ist eine Rezertifizierung fällig: Du legst dafür einfach die aktuelle Version der Prüfung erneut ab.

Offizieller LeitfadenAuf der Website des Anbieters ansehen

Lernhinweise

Häufige Fehlerquellen

Themen zum Wiederholen: DB-MLP

01Point-in-Time Correctness
Wer Features und Labels zusammenführt, ohne die Point-in-Time-Korrektheit zu erzwingen, lässt Informationen aus der Zukunft ins Training sickern und antwortet bei Fragen zum Feature Engineering falsch.
02Online Feature Tables
Features aus einer Batch Feature Table auszuliefern, statt eine Online Table für Lookups mit niedriger Latenz einzurichten, führt bei Fragen zum Feature-Serving in Echtzeit zu falschen Antworten.
03Custom Metrics Logging
Wenn du nur die Standard-Metriken von MLflow loggst und keine eigenen Parameter und Artifacts innerhalb verschachtelter Runs, liegst du bei Fragen zum fortgeschrittenen Experiment-Tracking daneben.
04DAB ML Asset Config
Serving Endpoint, MLflow Experiment und registriertes Modell nicht gemeinsam über Automation Bundles zu deklarieren, führt bei Fragen zu skalierbaren Umgebungen zu falschen Antworten.
05Endpoint Health Metrics
Wer ausschließlich die Model Quality auf Drift überwacht und die Infrastruktur-Metriken des Endpoints wie Latenz, Fehlerrate und Speicherverbrauch ignoriert, gibt bei Fragen zum Production Monitoring unvollständige Antworten.

Mit Fragen und Erklärungen in Pass-IT üben →

Fragen

Häufig gestellte Fragen

Wie lange dauert die Prüfung Databricks Certified Machine Learning Professional?

Die Prüfung Databricks Certified Machine Learning Professional umfasst 59 Fragen und hat ein Zeitlimit von 120 Minuten.

Welche Fehlerquellen sollte ich bei der Vorbereitung auf Databricks Certified Machine Learning Professional beachten?

Zu den Themen, die du wiederholen solltest, gehören Point-in-Time Correctness, Online Feature Tables, Custom Metrics Logging, DAB ML Asset Config, Endpoint Health Metrics. Prüfe anhand von Beispielen, ob du die Unterschiede verstehst und deine Antwort begründen kannst.

Wie ist die Machine Learning Professional gewichtet?

Model development und MLOps machen je 44% aus, model deployment 12%. Das ist eine ungewöhnlich grobe Aufteilung: Die Prüfung besteht im Grunde aus zwei Hälften. Wer Modelle bauen kann, sie aber nie produktiv betrieben hat, verliert die Hälfte der Prüfung.

Brauchst du zuerst die Machine Learning Associate?

Nein, Databricks setzt keine Zertifizierung voraus. Der Unterschied liegt in der Gewichtung: Die Associate-Prüfung legt 38% auf das Plattform-Tooling, die Professional-Prüfung dagegen 44% auf MLOps. Wenn Pipelines, Monitoring und Retraining noch nicht zu deinem Alltag gehören, ist die Associate-Prüfung der ehrlichere Einstieg.

Welche Erfahrung setzt die Machine Learning Professional voraus?

Mindestens ein Jahr praktische Machine-Learning-Arbeit auf Databricks. Der Katalog veranschlagt 120 Stunden zusätzlich zu dieser Erfahrung, nicht als Ersatz dafür. Die Buchung ist an nichts geknüpft, die Hürde setzt du dir also selbst.

Wie lange ist die Machine Learning Professional gültig?

Zwei Jahre ab dem Bestehen, verlängert wird sie, indem du die aktuelle Version erneut ablegst. Databricks hat kein Weiterbildungsprogramm, plane also die Wiederholung ein, statt auf einen Anrechnungsweg zu hoffen.

Eine Zertifizierung, 12 Monate

Für DB-MLP üben

Übe gezielt für eine Zertifizierung oder wähle Pro, um für alle Zertifizierungen zu üben.

Zugang für DB-MLP für $29.99 kaufen

Kostenlos mit dem Üben beginnenProbiere die ersten 20 Fragen ohne Kreditkarte aus und finde heraus, ob die Übungen zu dir passen.

Für berechtigte Käufe: Geld-zurück-Garantie bei Nichtbestehen.

Garantiebedingungen ansehen →