EnglishDeutschFrançaisEspañolPortuguês

Databricks · DB-MLA · Associate

Databricks Machine Learning Associate — Questions d'entraînement et examen blanc

Prépare DB-MLA avec des questions d’entraînement originales et des réponses clairement expliquées. Demande des précisions à Alex, ton tuteur IA, repère les sujets à revoir grâce à tes résultats et entraîne-toi à gérer ton temps avec des examens blancs chronométrés.

S’entraîner gratuitement pour DB-MLAAcheter l’accès à DB-MLA pour $29.99
Acheter l’accès à DB-MLA pour $29.99S’entraîner gratuitement pour DB-MLA
48Questions de l’examen blanc
90minTemps imparti

Vérifié auprès de Databricks · août 2026 · Version actuelle de l’examen

Présentation

À propos de l’examen

L’examen Databricks Certified Machine Learning Associate valide ta capacité à concevoir, entraîner et déployer des modèles de machine learning sur la plateforme Databricks. Il porte sur les outils ML propres à Databricks : MLflow pour le suivi des expériences et le model registry, le Feature Store pour la gestion des features, AutoML pour le prototypage rapide, mais aussi sur le traitement des données, le développement et le déploiement de modèles. Tu dois montrer que tu sais industrialiser des modèles ML au sein du workspace Databricks Machine Learning.

Cette certification s’adresse aux data scientists et aux ML engineers qui ont au moins six mois de pratique de Databricks sur des tâches de machine learning. Elle atteste d’une maîtrise des fondamentaux du cycle de vie ML sur Databricks, du traitement des données jusqu’au déploiement.

Essaie les questions d’entraînement

Essaie cinq questions sur DB-MLA

Entraîne-toi avec cinq questions de la banque actuelle de l’app pour Databricks Certified Machine Learning Associate, accompagnées de leurs réponses et explications.

Databricks Machine Learning1 / 5

Comment AutoML dans Databricks règle-t-il le problème du choix du bon algorithme de ML ?

AlexExplication complète d’Alex

Déroulé d'AutoML : 1) Tu spécifies : jeu de données, colonne cible, type de problème (classification/régression/forecasting) et métrique d'évaluation. 2) AutoML explore : prétraitement des données (encodage, imputation), sélection de features, sélection d'algorithmes, recherche d'hyperparamètres. 3) Résultats : une liste de modèles classée selon les métriques, et des notebooks générés montrant le code exact de chaque approche. 4) Bonne pratique : sers-toi d'AutoML comme point de départ, puis personnalise le notebook le plus performant. Les notebooks générés utilisent des bibliothèques standard (scikit-learn, XGBoost, LightGBM) : ils sont donc entièrement portables et modifiables.

Sourcedocs.databricks.com

Model Deployment3 / 5

Un machine learning engineer veut revenir en arrière sur un déploiement de modèle sur Databricks après avoir découvert des problèmes en production. Quelle est l'approche la plus rapide ?

AlexExplication complète d’Alex

Les model aliases sont utiles dans les workflows de déploiement parce qu'ils découplent le libellé humain de déploiement d'une version de modèle immuable. L'inférence batch peut charger des modèles directement par alias, mais Databricks documente les workflows de Model Serving endpoint comme résolvant l'alias vers une version de modèle puis mettant à jour la configuration de l'endpoint pour servir cette version. Un rollback met donc à jour l'entité servie par l'endpoint vers la version précédente du modèle tout en conservant l'URL de l'endpoint.

Sourcedocs.databricks.com

Développement de modèles5 / 5

Qu'est-ce que le fléau de la dimensionnalité et comment affecte-t-il les modèles de machine learning ?

AlexExplication complète d’Alex

Conséquences pratiques : en grande dimension, le plus proche voisin d'un point est presque aussi éloigné que le point le plus lointain, ce qui rend KNN inefficace. Le clustering fondé sur les distances se dégrade. Les modèles linéaires peuvent avoir besoin d'exponentiellement plus de données. Parmi les remèdes : la sélection de features (retirer les features non pertinentes), la réduction de dimension (PCA, autoencodeurs), la régularisation (pénalités L1/L2) et le recours à des algorithmes moins sensibles à la dimensionnalité (les modèles à base d'arbres gèrent plutôt bien les grandes dimensions, car ils sélectionnent des features informatives à chaque split).

Sourcescikit-learn.org

Les questions de l’app sont actuellement en anglais. Les traductions de cet aperçu concernent uniquement l’aperçu. Consulte l’organisme de certification pour connaître les langues disponibles pour l’examen officiel.

Banque de questions

362 questions d’entraînement

Utilise la banque de questions Pass-IT pour t’entraîner pour DB-MLA. Les examens blancs sont réglés sur 48 questions en 90 minutes.

Détails de la banque de questions : DB-MLA

Objectifs du guide48 objectifs répertoriés dans le guide officiel

répartis entre 4 domaines dans le guide officiel de l’examen

Taille de la banque362 questions

= La taille de la banque équivaut à 7 séries de 48 questions. Cela ne signifie pas que chaque examen blanc utilise une série distincte.

Questions marquées comme vérifiées à partir des sources362 sur 362

questions dont la réponse, les choix et l’explication sont enregistrés comme ayant été vérifiés à partir de la documentation officielle de Databricks

Comment les questions sont créées →

Domaines de l’examen

Contenu de l’examen

Databricks Machine Learning est le domaine le plus chargé, avec 38 % de l’examen : suivi des expériences avec MLflow, model registry dans Unity Catalog, tables du Feature Store et AutoML. On est clairement sur de l’outillage propre à Databricks, pas sur de la théorie ML générale. Vient ensuite Model development à 31 %, qui porte sur le choix des algorithmes, le tuning des hyperparamètres avec Hyperopt ou la cross-validation, et les métriques de classification et de régression, valables quelle que soit la plateforme.

Data processing (19 %) et model deployment (12 %) complètent l’examen : feature engineering sur des DataFrames Spark, avec imputation, encodage et gestion des outliers, puis comparaison des approches batch, streaming et temps réel pour un endpoint donné. À eux deux, Databricks Machine Learning et Model Development pèsent 69 % de l’examen : ta maîtrise de la plateforme compte donc autant que tes connaissances ML générales.

Programme de l’examen : DB-MLA

Databricks Machine Learning38%

Suivi MLflow et model registry, Feature Store, AutoML, Unity Catalog pour les assets ML et Databricks Runtime for ML.

≈ 30 h
Data Processing14%

Statistiques descriptives sur des DataFrames Spark, suppression des valeurs aberrantes, visualisation de variables catégorielles et continues, imputation des valeurs manquantes, encodage one-hot et transformations logarithmiques.

≈ 11 h
Model Development35%

Algorithmes de ML, métriques d'évaluation, feature engineering, entraînement des modèles, réglage des hyperparamètres et validation croisée sur Databricks.

≈ 28 h
Model Deployment13%

Endpoints de model serving, inférence en batch, serving en temps réel, enregistrement des modèles et stratégies de déploiement.

≈ 10 h

Les proportions ci-dessous décrivent la répartition des questions de la banque Pass-IT entre les domaines. Consulte Databricks pour le programme officiel de l’examen.

Format

Format de l’examen et types de questions

L’examen compte 48 questions notées, en QCM à réponse unique ou à réponses multiples, dans une fenêtre de 90 minutes ; des questions pilotes non notées peuvent aussi s’y glisser. Attends-toi à des scénarios propres à Databricks : logger un run avec l’API MLflow Client, enregistrer un modèle dans le registry Unity Catalog, ou distinguer une online feature table d’une offline selon le cas d’usage.

Types de questions : DB-MLA

Choix multiple100%

Sélectionne la seule réponse qui répond le mieux aux exigences de la question.

Consulte Databricks pour les informations officielles sur les formats de questions. Les proportions affichées décrivent la banque de questions Pass-IT et ne permettent pas de déduire celles de l’examen officiel.

Organisation

Préparation à DB-MLA

L’examen se passe en ligne avec un surveillant à distance, ou dans un centre d’examen, en anglais, japonais, portugais (BR) et coréen. La certification reste valable deux ans ; pour la renouveler, tu dois repasser la version en vigueur de l’examen.

Préparation et modalités : DB-MLA

Préparation

Exemple de durée de préparation50–120 h

fourchette illustrative pour t’organiser : de 50 h avec une expérience pertinente à 120 h si tu débutes ; tes besoins peuvent se situer en dehors de cette fourchette

NiveauAssocié
Connaissances conseilléesAucun prérequis. Une expérience pratique d'au moins 6 mois en ML sur Databricks est recommandée.

Passage de l’examen et maintien de la certification

Modalités de passageSurveillé en ligne ou centre d'examen
Conditions de nouvelle tentativeAucun délai d'attente obligatoire. Des frais de nouvelle tentative s'appliquent.
Validité de la certification2 ans

Une recertification est nécessaire tous les 2 ans : il te suffit de repasser la version en vigueur de l'examen.

Guide officielConsulter le site de l’organisme

Conseils de révision

Erreurs fréquentes

Points à revoir : DB-MLA

  1. 01Code vs Model Promotion

    Promouvoir par réflexe un modèle déjà entraîné d’un environnement à l’autre alors que le scénario demande de promouvoir le code et de réentraîner sur place (ou l’inverse) : c’est l’erreur classique sur les questions de stratégie MLOps.

  2. 02Estimators vs Transformers

    Dans un pipeline Spark ML, un estimator apprend à partir des données via fit, un transformer se contente d’appliquer une transformation figée. Si tu confonds les deux, tu te trompes sur les questions de construction de pipeline.

  3. 03Cross-Validation Trade-offs

    On sous-estime presque toujours le nombre de modèles qu’une grid search couplée à une cross-validation entraîne réellement, et on oublie qu’un simple découpage train/validation est parfois le meilleur compromis. Résultat : des réponses fausses sur les questions de tuning.

  4. 04Endpoint Traffic Split

    Ne pas savoir répartir le trafic entre plusieurs endpoints de model serving pour un déploiement progressif ou un test A/B te coûte des points sur les questions de déploiement en inférence temps réel.

  5. 05Imbalance Mitigation

    Se rabattre sur la seule accuracy plutôt que sur une technique ou une métrique adaptée au déséquilibre, alors que les données d’entraînement sont fortement déséquilibrées, mène droit à la mauvaise réponse sur les questions de développement de modèle liées au class imbalance.

S’entraîner avec des questions et des explications sur Pass-IT →

Questions

Questions fréquentes

Combien de temps dure l’examen Databricks Certified Machine Learning Associate ?

L’examen Databricks Certified Machine Learning Associate comporte 48 questions et le temps imparti est de 90 minutes.

Quels points méritent une attention particulière pendant la préparation de Databricks Certified Machine Learning Associate ?

Les points à revoir comprennent Code vs Model Promotion, Estimators vs Transformers, Cross-Validation Trade-offs, Endpoint Traffic Split, Imbalance Mitigation. Travaille sur des exemples pour vérifier que tu comprends les distinctions et que tu peux expliquer ta réponse.

Comment l'examen Machine Learning Associate est-il pondéré ?

Databricks Machine Learning domine largement avec 38%, devant le développement de modèles à 31% et le traitement des données à 19%. Le déploiement de modèles ferme la marche avec 12%. Sept questions sur dix portent donc sur l'outillage de la plateforme et sur la construction de modèles à l'intérieur.

Quelle expérience l'examen Machine Learning Associate suppose-t-il ?

Databricks recommande six mois ou plus de pratique du machine learning sur la plateforme et n'exige aucune certification pour t'inscrire. Le catalogue table sur environ 80 heures. Comme l'outillage de la plateforme pèse le plus lourd, le temps passé dans le workspace compte ici davantage que la théorie générale de la modélisation.

La certification Machine Learning Associate expire-t-elle ?

Oui, deux ans après ta réussite. La recertification passe uniquement par l'examen, dans la version en vigueur à ce moment-là. Il n'existe pas de renouvellement par crédits chez Databricks.

Que faire après le Machine Learning Associate ?

L'examen Machine Learning Professional est la marche au-dessus, et sa structure est différente : le développement de modèles et le MLOps pèsent 44% chacun, si bien que l'exploitation représente la moitié de l'examen. Le Generative AI Engineer Associate est le mouvement latéral si ton travail glisse vers les modèles de fondation. Ni l'un ni l'autre n'exige la certification associate au préalable.

Une certification, 12 mois

Entraînement pour DB-MLA

Concentre ton entraînement sur une certification ou choisis Pro pour t’entraîner à toutes les certifications.

Acheter l’accès à DB-MLA pour $29.99
Commencer un entraînement gratuitEssaie les 20 premières questions sans carte bancaire pour voir si cet entraînement te convient.

Pour les achats éligibles : remboursement garanti si tu échoues à ton examen.

Voir les conditions de garantie →

Certifications associées

Databricks Certified Associate Developer for Apache SparkDatabricks Certified Data Analyst AssociateDatabricks Certified Data Engineer AssociateDatabricks Certified Data Engineer ProfessionalToutes les certifications Databricks →