EnglishDeutschFrançaisEspañolPortuguês

Databricks · DB-MLP · Professional

Databricks Machine Learning Professional — Übungsfragen und Probeprüfung

Die Prüfung zum Databricks Certified Machine Learning Professional weist fortgeschrittene Kenntnisse im Aufbau produktionsreifer ML-Systeme auf Databricks nach, und zwar in großem Maßstab.

Kostenlos übenErst eine Probefrage ansehen
Erst eine Probefrage ansehenKostenlos üben
Kostenlos für DB-MLP übenDB-MLP-Zugang für 29,99 USD kaufen
59Fragen pro Pass-IT-Probeprüfung
120minZeitlimit der Pass-IT-Probeprüfung

Mit Angaben von Databricks abgeglichen · Oktober 2026 · Aktuelle Prüfungsversion

Pass-IT ausprobieren

Probiere aus, wie du mit Pass-IT lernst.

Beantworte eine DB-MLP-Probefrage und sieh dir die Erklärung mit Quellenverweis an. Direkt hier, ohne Anmeldung.

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

* 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.

So bereitest du dich mit Pass-IT auf DB-MLP vor.

Aktuell 325 Übungsfragen für DB-MLP, und wir ergänzen laufend neue. Übe gezielt, was dir noch fehlt.

Komm bei schwierigen Fragen weiter.

Verstehe, warum eine Antwort richtig ist. Alex erklärt dir die Zusammenhänge und beantwortet deine Rückfragen, damit du das Gelernte bei der nächsten Aufgabe anwenden kannst.

Alex kennenlernen →

Dialog-Vorschau · DB-MLP

Parallele Optimierungsversuche

  1. Du

    Was ergänzt SparkTrials gegenüber Hyperopt Trials?

  2. Alex · KI-Tutor

    Es verteilt einzelne Versuche zur parallelen Ausführung auf Spark-Worker.

    Bei Databricks nachlesen ↗
  3. Du

    Wird dadurch jedes Modell verteilt trainiert?

  4. Alex · KI-Tutor

    Nein. Die beschriebene Parallelität liegt zwischen den Versuchen. Sie ist von der Trainingsmethode eines Modells zu unterscheiden.

    Bei Databricks nachlesen ↗

Setze deine Lernzeit gezielt ein.

Üben auf deinem Niveau.
Für neue Übungsrunden passt Pass-IT die Schwierigkeit an deine bisherigen Antworten an.

Aus Fehlern lernen.
Falsche Antworten werden automatisch zu Lernkarten. Du bewertest beim Wiederholen, wie sicher du dich erinnerst; Pass-IT plant den nächsten Termin.

So lernst du gezielt weiter →

Animierte Funktionsvorschau

Damit aus deinen Fehlern sicheres Wissen wird.

So funktioniert Pass-IT

Deine Wiederholung

Eine Frage falsch beantwortet?

Pass-IT merkt sie sich für deine Wiederholung.

DB-MLP · Frageauszug

Parallele Optimierungsversuche

Vollständige Frage ansehen

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

Verstehe die richtige Antwort.

SparkTrials verteilt einzelne Trial-Läufe zur parallelen Ausführung auf die Spark-Worker-Knoten

SparkTrials parallelisiert einzelne Versuche über Spark-Worker.

Bei Databricks nachlesen ↗

Wie sicher erinnerst du dich?

Beim Wiederholen schätzt du ein, wie gut du die Antwort noch weißt.

Richtig nach Zögern

Pass-IT plant deine nächste Wiederholung.

Der Termin richtet sich nach deiner Einschätzung und bisherigen Wiederholungen.

Ablauf vereinfacht dargestellt. Es wird kein Lernstand gespeichert.

Trainiere für den Moment, in dem es zählt.

Bearbeite eine vollständige Probeprüfung mit Zeitlimit und finde heraus, ob du mit deiner Zeit auskommst.

Deine DB-MLP-Probeprüfung

Fragen
59
Minuten
120

Schematischer Prüfungsdurchlauf

  1. Start
  2. Aufgaben bearbeiten
  3. Abschluss

Umfang und Zeitlimit der Pass-IT-Probeprüfung.

Geh mit mehr Sicherheit in die Prüfung.

Dein Readiness Score hilft dir einzuschätzen, ob du bereit für die Prüfung bist. Die Ergebnisse je Prüfungsbereich zeigen dir, wo du noch üben solltest.

Geld zurück, wenn du trotz 80 % Readiness nicht bestehst.
Wenn dein Readiness Score zum Prüfungstermin mindestens 80 % beträgt und du die Prüfung trotzdem nicht bestehst, erstatten wir dir den Pass-IT-Kaufpreis dieser Zertifizierung.

Für aktive, bezahlte Zugänge. Nachweis des Nichtbestehens innerhalb von 14 Tagen einreichen.

Weitere Garantiebedingungen

Zum Prüfungstermin brauchst du mindestens 80 % Readiness und einen aktiven, bezahlten Zugang zur Zertifizierung. Lege die Prüfung innerhalb deines Zugangszeitraums ab und reiche den offiziellen Nachweis des Nichtbestehens innerhalb von 14 Tagen nach der Prüfung ein.

Bei Käufen über Apple oder Google erfolgt die Erstattung über den jeweiligen Store. Die vollständigen Bedingungen regeln weitere Einzelheiten.

Garantiebedingungen ansehen →

Der Readiness Score beschreibt deinen Übungsstand, keine Bestehenswahrscheinlichkeit.

Garantievoraussetzung

80%

Mindestens 80 % Readiness
zum Prüfungstermin

Geld zurück bei Nichtbestehen

Fragenzahlen und Probeprüfungseinstellungen aus dem aktuellen Pass-IT-Katalog.

Die Prüfungsbereiche

Das übst du für DB-MLP.

Prüfungsinhalte, passende Übungen und nachvollziehbare Quellen.

Skalierbare Modelle und Merkmale entwickelnGewichtung siehe Leitfaden132 FragenPass-IT-Fragen

Wähle Trainings-, Experiment- und Merkmalssysteme passend zum Produktionsbedarf.

  • Wähle SparkML- oder Einzelknotenmodelle nach Daten und Batch-, Streaming- oder Echtzeitinferenz; baue SparkML-Pipelines mit passenden Estimators und Transformers, optimiere mit MLlib, bewerte sie und erstelle Vorhersagen.
  • Skaliere Training mit SparkML, pandas Function APIs oder UDFs und vergleiche Ray mit Spark; wähle vertikale oder horizontale Skalierung sowie Modell- oder Datenparallelität, optimiere mit Optuna und MLflow oder Ray und trainiere und nutze gruppenspezifische Modelle parallel.
  • Verfolge komplexe Experimente mit verschachtelten MLflow-Läufen und protokolliere eigene Metriken, Parameter und Artefakte programmatisch.
  • Erstelle eigene Modellobjekte mit Echtzeit-Feature-Engineering, verhindere Datenlecks durch zeitpunktgerechte Merkmalsabfragen und automatisiere Merkmalsberechnung mit FeatureEngineering Client.
  • Konfiguriere Online-Tabellen mit Databricks SDK, baue Streaming-Merkmalspipelines und stelle bedarfsgesteuerte Merkmale in Training und Produktion konsistent bereit.
Offizielle Lernziele bei Databricks
Den Modelllebenszyklus betreibenGewichtung siehe Leitfaden118 FragenPass-IT-Fragen

Automatisiere Tests, Überwachung und erneutes Training über Umgebungen hinweg.

  • Entwirf und implementiere Lebenszykluspipelines zur Codepromotion zwischen Umgebungen, ordne Databricks-Funktionen den Aufgaben zu und konfiguriere skalierbare ML-Umgebungen und Assets mit Databricks Asset Bundles.
  • Organisiere und implementiere Unit-Tests für Notebook-Funktionen und Integrationstests über Merkmale, Training, Bewertung, Bereitstellung und Inferenz und wähle Tests je Umgebung.
  • Starte automatisiertes erneutes Training durch Drift- oder Leistungsalerts und wähle die leistungsstärksten Ersatzmodelle.
  • Wähle und erstelle Lakehouse-Monitoring-Monitore für Snapshot-, Zeitreihen- oder Inferenztabellen; wende statistische Drifttests auf numerische oder kategoriale Daten an, vergleiche Basiswerte oder Zeitfenster und melde bedeutsame Änderungen.
  • Baue Logging sowie Drift-, Leistungs- und Zustandsüberwachung; bewerte Inferenztrends, eigene Metriken, Granularitäten und Merkmalsausschnitte und verfolge Endpunktlatenz, Last, Fehler, CPU und Speicher.
Offizielle Lernziele bei Databricks
Eigene Modelle ausrollen und bereitstellenGewichtung siehe Leitfaden75 FragenPass-IT-Fragen

Wähle eine Bereitstellungsstrategie und mache Modelle für Anwendungen nutzbar.

  • Vergleiche Blue-Green- und Canary-Strategien für stark genutzte Anwendungen und setze den Rollout mit Databricks Model Serving um.
  • Registriere eigene PyFunc-Modelle und ihre Artefakte in Unity Catalog.
  • Stelle eigene Modellobjekte über MLflow Deployments SDK, REST API oder Oberfläche bereit und frage sie über SDK oder REST API ab.
Offizielle Lernziele bei Databricks
Diese Aufgabenformate übst du
Multiple Choice
Eine Antwort auswählen.

Dies sind die Übungsformate von Pass-IT. Angaben zur offiziellen Prüfung findest du auf der Databricks-Zertifizierungsseite.

Häufig gestellte Fragen

Deine Vorbereitung

Wie viel Lernzeit sollte ich für DB-MLP einplanen?

Für deine Planung rechnet Pass-IT grob mit 70–180 Stunden. Mit einschlägiger Erfahrung eher weniger, beim Einstieg eher mehr. Dein Bedarf kann außerhalb dieser Spanne liegen. Das ist keine Zeitvorgabe von Databricks und kein Versprechen, in dieser Zeit prüfungsbereit zu sein.

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.

Pass-IT nutzen

In welcher Sprache sind die Fragen in Pass-IT?

Die Fragen in der App sind derzeit auf Englisch. Übersetzungen der Probefragen auf dieser Seite gelten nur für diese Vorschau. Welche Sprachen für die offizielle Prüfung verfügbar sind, erfährst du bei Databricks.

Wie lange gilt mein Zugang für DB-MLP?

Der Zugang gilt für diese Zertifizierung für 12 Monate. Du zahlst einmal; es gibt keine automatische Verlängerung.

Wann greift die Geld-zurück-Garantie?

Die Garantie erstattet den Pass-IT-Kaufpreis dieser Zertifizierung. Voraussetzung sind ein berechtigter kostenpflichtiger Zugang und ein Readiness-Wert von mindestens 80 % aus deinen Übungsergebnissen zum Prüfungszeitpunkt. Dieser Wert kann erst ab 50 beantworteten Fragen 80 % erreichen und ist keine validierte Bestehenswahrscheinlichkeit. Lege die Prüfung während deines Zugangs ab und reiche den offiziellen Nachweis des Nichtbestehens innerhalb von 14 Tagen ein. Garantiebedingungen

Zur DB-MLP-Prüfung

Wo kann ich die DB-MLP-Prüfung ablegen?

Online beaufsichtigt oder Prüfungszentrum.

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.

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.

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.

Deine Vorbereitung auf DB-MLP

$29.99einmalig

12 Monate Zugang für DB-MLP · Keine automatische Verlängerung

DB-MLP-Zugang kaufen

Die Fragen in der App sind derzeit auf Englisch.

20 Fragen kostenlos ausprobierenKostenloses Konto erforderlich. Keine Kreditkarte.

Schon ein Konto? Anmelden

Lieber ein Abo? Abos ansehen →

Geld zurück bei Nichtbestehen ab 80 % Readiness – für berechtigte Käufe gemäß Garantiebedingungen.

Garantiebedingungen

Die Garantie erstattet den Pass-IT-Kaufpreis dieser Zertifizierung. Voraussetzung sind ein berechtigter kostenpflichtiger Zugang und ein Readiness-Wert von mindestens 80 % aus deinen Übungsergebnissen zum Prüfungszeitpunkt. Dieser Wert kann erst ab 50 beantworteten Fragen 80 % erreichen und ist keine validierte Bestehenswahrscheinlichkeit. Lege die Prüfung während deines Zugangs ab und reiche den offiziellen Nachweis des Nichtbestehens innerhalb von 14 Tagen ein.

Vollständige Garantiebedingungen →

Verwandte Zertifizierungen

Databricks Certified Associate Developer for Apache SparkDatabricks Certified Data Analyst AssociateDatabricks Certified Data Engineer AssociateDatabricks Certified Data Engineer ProfessionalAlle Databricks-Zertifizierungen →