EnglishDeutschFrançaisEspañolPortuguês

Databricks · DB-MLP · Professional

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

L’examen Databricks Certified Machine Learning Professional valide une expertise avancée dans la construction de systèmes de ML en production, à grande échelle, sur Databricks.

Entraîne-toi gratuitementVoir d’abord une question
Voir d’abord une questionEntraîne-toi gratuitement
S’entraîner gratuitement pour DB-MLPAcheter l’accès à DB-MLP pour 29,99 USD
59Questions par examen blanc Pass-IT
120minDurée limite de l’examen blanc Pass-IT

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

Essayer Pass-IT

Découvre comment tu apprends avec Pass-IT.

Réponds à une question d’exemple pour DB-MLP et lis l’explication avec sa source. Ici même, sans inscription.

MLOps1 / 5

Un ingénieur en machine learning doit mettre en place une pratique MLOps dans laquelle chaque exécution d'entraînement d'un modèle est reliée au commit Git exact du code d'entraînement, à la version précise des données d'entraînement et à l'artefact de modèle produit. Qu'est-ce qui garantit cette traçabilité de bout en bout ?

AlexExplication complète d’Alex

Chaîne de provenance MLOps : 1) Code → exécution : Databricks Repos : intégration Git automatique. MLflow : logge le chemin du notebook et le SHA du commit Git. Reproductibilité : fais un checkout du commit et relance le notebook. 2) Données → exécution : version Delta Lake : snapshot exact des données d'entraînement. Hash des données : empreinte du jeu de données. Version du Feature Store : quelle version de la table de features a été utilisée. Time travel : spark.read.format('delta').option('versionAsOf', 42).table('training_data'). 3) Exécution → modèle : l'exécution MLflow contient : paramètres, métriques, artefacts. Modèle enregistré depuis l'exécution : relié via run_id. Model Registry : version → exécution → code + données. 4) Modèle → déploiement : logs de déploiement : quelle version du modèle sert les requêtes. Endpoint : référence l'URI du modèle. Table d'inférence : logge chaque prédiction. 5) Chaîne complète : prédiction → version du modèle → exécution MLflow → (commit Git + version des données) → code source et données d'origine. 6) Automatisation : autologging : capture automatiquement la plupart des liens code/modèle. Logging des données : nécessite un mlflow.log_param manuel pour la version des données. Unity Catalog : ajoute une couche de gouvernance (permissions, logs d'audit). 7) Bénéfices : reproductibilité : recréer n'importe quel modèle. Auditabilité : satisfaire les exigences de conformité. Débogage : trouver ce qui a changé quand le modèle s'est dégradé.

Sourcedocs.databricks.com

Déploiement de modèles2 / 5

Un ingénieur en machine learning doit mettre en place une solution qui sert des versions de modèle différentes selon les régions géographiques. La région UE exige un modèle entraîné avec des données conformes au RGPD (sans identifiants personnels), tandis que la région US peut utiliser toutes les features. Comment configure-t-on ce serving multi-région ?

AlexExplication complète d’Alex

Serving de modèles tenant compte de la réglementation : 1) Exigences du RGPD : minimisation des données : le modèle destiné à l'UE ne peut être entraîné que sur des features sans identifiants personnels. Limitation des finalités : les features ne servent qu'à la finalité déclarée. Droit à l'oubli : le modèle ne doit pas mémoriser des données individuelles. 2) Catégories de features : PII : nom, e-mail, téléphone, adresse, IP. Quasi-identifiants : âge + code postal + genre (la combinaison peut identifier une personne). Agrégées : montant moyen des transactions (30 derniers jours). Comportementales : nombre de connexions (aucune identification individuelle). 3) Pourquoi deux versions enregistrées : la frontière de conformité, ce sont les données d'entraînement elles-mêmes ; il te faut donc deux artefacts entraînés distincts — l'un sur le jeu de features conforme au RGPD, l'autre sur toutes les features — enregistrés côte à côte dans le Model Registry, où chaque version possède son propre lineage, sa stage et sa piste d'audit. 4) Routage des requêtes : une couche de routage placée devant l'endpoint de serving inspecte le header de région de la requête et dirige les requêtes UE vers la version conforme et les requêtes US vers la version avec toutes les features. Databricks Model Serving permet de servir plusieurs modèles et plusieurs versions d'un même modèle en même temps et te laisse interroger un modèle servi précis derrière un endpoint : router chaque requête vers une version enregistrée donnée est donc un pattern pris en charge. 5) Tests : version conforme : vérifie qu'aucune feature PII n'apparaît dans sa signature d'entrée. Version avec toutes les features : vérifie que toutes les features sont disponibles. Routage : vérifie qu'un header de région UE aboutit toujours à la version conforme. 6) Documentation de conformité : les model cards de chaque version enregistrée documentent les features utilisées. Le lineage du Model Registry retrace l'origine des données d'entraînement de chaque version. Les logs d'accès enregistrent quelle version a servi chaque requête.

Sourcedocs.databricks.com

Développement de modèles3 / 5

Lorsque tu fais du tuning d'hyperparamètres avec Hyperopt sur Databricks, quel est le principal avantage d'utiliser SparkTrials plutôt que la classe Trials par défaut ?

AlexExplication complète d’Alex

Hyperopt est une bibliothèque d'optimisation d'hyperparamètres qui prend en charge les algorithmes Tree-structured Parzen Estimators (TPE) et la recherche aléatoire. La classe Trials par défaut exécute les trials séquentiellement sur une seule machine. SparkTrials va plus loin en répartissant les trials sur un cluster Spark, où chaque worker entraîne en parallèle un modèle avec des hyperparamètres différents. C'est particulièrement efficace pour les modèles de ML mono-nœud (scikit-learn, XGBoost), où chaque trial tient sur un seul worker.

Sourcedocs.databricks.com

Gestion du cycle de vie des modèles4 / 5

Un système de monitoring de modèle détecte que les distributions des features d’entrée ont fortement dérivé par rapport à la distribution des données d’entraînement. Cependant, les métriques de performance du modèle restent stables. Que doit faire le ML engineer ?

AlexExplication complète d’Alex

Le monitoring de modèle distingue la data drift (changements de distribution des features d’entrée) de la concept drift (changements dans la relation entre les features et la cible). La data drift peut se produire sans impact immédiat sur la performance si le modèle généralise bien à la région ayant dérivé. Cependant, une data drift durable précède souvent une concept drift. La bonne pratique consiste à monitorer à la fois les métriques de drift et les métriques de performance, à configurer des alertes avec différents niveaux de sévérité, et à avoir des pipelines de réentraînement prêts à se déclencher lorsque la performance se dégrade réellement.

Sourcedocs.databricks.com

Déploiement de modèles5 / 5

Un ingénieur en machine learning doit mettre en place une solution de model serving qui renvoie non seulement une prédiction, mais aussi un score de confiance et les features qui contribuent le plus à chaque prédiction. La réponse doit contenir ces trois informations. Comment concevoir l'endpoint ?

AlexExplication complète d’Alex

Réponses enrichies en model serving : 1) Basique : {'prediction': 1}. 2) Avec confiance : {'prediction': 1, 'confidence': 0.92}. 3) Avec explication : {'prediction': 1, 'confidence': 0.92, 'top_features': [{'name': 'credit_score', 'impact': 0.15}, {'name': 'debt_ratio', 'impact': -0.08}]}. 4) Avec métadonnées : ajoute model_version, timestamp, request_id. 5) Patterns d'implémentation : predict de pyfunc → renvoie un DataFrame. Chaque colonne devient une partie de la réponse. Structures complexes : les sérialiser en chaîne JSON dans une colonne. 6) Compromis de performance : prédiction seule : ~10ms. Prédiction + confiance : ~10ms (les probabilités sont déjà calculées). Prédiction + SHAP : ~50-200ms (le calcul SHAP ajoute de la surcharge). Optimisation : ne calculer SHAP que sur demande (flag optionnel dans la requête). 7) Intégration côté client : REST API : réponse JSON avec tous les champs. SDK : parsée en objets typés. Dashboard : afficher la prédiction + une jauge de confiance + un graphique en cascade des features.

Sourcedocs.databricks.com

* 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.

Comment te préparer à DB-MLP avec Pass-IT.

Actuellement, 325 questions d’entraînement pour DB-MLP, et nous en ajoutons régulièrement. Concentre-toi sur ce qu’il te reste à apprendre.

Avance quand une question te bloque.

Comprends pourquoi une réponse est correcte. Alex t’explique les notions et répond à tes questions pour que tu puisses appliquer ce que tu apprends à l’exercice suivant.

Découvrir Alex →

Aperçu de conversation · DB-MLP

Essais parallèles

  1. Toi

    Qu’ajoute SparkTrials à Hyperopt Trials ?

  2. Alex · Tuteur IA

    Il répartit les essais individuels entre les workers Spark pour les exécuter en parallèle.

    Lire la documentation Databricks ↗
  3. Toi

    Chaque modèle devient-il un entraînement distribué ?

  4. Alex · Tuteur IA

    Non. Le parallélisme concerne ici les essais, indépendamment de la méthode d’entraînement du modèle.

    Lire la documentation Databricks ↗

Utilise ton temps d’étude à bon escient.

Entraîne-toi à ton niveau.
Pour les nouvelles séances d’entraînement, Pass-IT adapte la difficulté à tes réponses précédentes.

Apprends de tes erreurs.
Les réponses incorrectes deviennent automatiquement des fiches de révision. En les revoyant, tu évalues à quel point tu te souviens de la réponse ; Pass-IT programme la prochaine révision.

Découvrir les révisions ciblées →

Démonstration animée de la fonctionnalité

Transforme tes erreurs en connaissances solides.

Comment fonctionne Pass-IT

Ta révision

Tu as mal répondu à une question ?

Pass-IT la conserve pour ta révision.

DB-MLP · Extrait de question

Essais parallèles

Voir la question complète

Lorsque tu fais du tuning d'hyperparamètres avec Hyperopt sur Databricks, quel est le principal avantage d'utiliser SparkTrials plutôt que la classe Trials par défaut ?

Comprends la bonne réponse.

SparkTrials répartit les exécutions individuelles des trials sur les nœuds worker Spark pour une exécution en parallèle

SparkTrials parallélise les essais entre les workers Spark.

Lire la documentation Databricks ↗

À quel point te souviens-tu de la réponse ?

Pendant la révision, tu évalues si tu te souviens bien de la réponse.

Correct après hésitation

Pass-IT programme ta prochaine révision.

La date dépend de ton évaluation et de tes révisions précédentes.

Démonstration simplifiée. Aucun progrès d’apprentissage n’est enregistré.

Entraîne-toi pour le moment qui compte.

Passe un examen blanc complet avec une limite de temps et vérifie si tu arrives à terminer à temps.

Ton examen blanc DB-MLP

Questions
59
Minutes
120

Illustration du déroulement d’un examen

  1. Début
  2. Répondre aux questions
  3. Fin

Nombre de questions et durée limite de l’examen blanc Pass-IT.

Aborde l’examen avec plus de confiance.

Ton Readiness Score t’aide à évaluer si tu es prêt pour l’examen. Les résultats par domaine te montrent où tu devrais continuer à t’entraîner.

Remboursé si tu échoues malgré 80 % de Readiness.
Si ton Readiness Score atteint au moins 80 % au moment de l’examen et que tu échoues malgré tout, nous te remboursons le prix d’achat Pass-IT de cette certification.

Pour les accès payants actifs. Envoie la preuve de ton échec sous 14 jours.

Autres conditions de la garantie

Au moment de l’examen, tu dois avoir au moins 80 % de Readiness et un accès payant actif à la certification. Passe l’examen pendant ta période d’accès et envoie la preuve officielle de ton échec dans les 14 jours suivant l’examen.

Pour les achats via Apple ou Google, le remboursement passe par la boutique concernée. Consulte les conditions complètes pour les autres modalités.

Voir les conditions de la garantie →

Le Readiness Score décrit tes progrès à l’entraînement, pas une probabilité de réussite.

Condition de la garantie

80%

Au moins 80 % de Readiness
au moment de l’examen

Remboursement en cas d’échec

Nombre de questions et paramètres des examens blancs issus du catalogue Pass-IT actuel.

Les domaines de l’examen

Ce que tu travailles pour DB-MLP.

Les sujets de l’examen, des exercices adaptés et des sources à consulter.

Développer des modèles et variables évolutifsConsulte le guide pour la pondération132 QuestionsQuestions Pass-IT

Choisis des systèmes d’entraînement, d’expérimentation et de variables adaptés à la production.

  • Choisis SparkML ou des modèles mononœuds selon les données et l’inférence batch, streaming ou temps réel ; construis des pipelines avec estimateurs et transformateurs adaptés, ajuste avec MLlib, évalue et prédis.
  • Fais évoluer l’entraînement avec SparkML, pandas Function APIs ou UDF et compare Ray à Spark ; choisis scaling vertical ou horizontal et parallélisme de modèles ou de données, ajuste avec Optuna et MLflow ou Ray et entraîne et prédis par groupe en parallèle.
  • Suis les expériences complexes avec des runs MLflow imbriqués et enregistre par code métriques, paramètres et artefacts personnalisés.
  • Crée des objets modèles avec des variables calculées en temps réel, respecte leur validité à l’instant considéré pour éviter les fuites et automatise le calcul avec FeatureEngineering Client.
  • Configure des tables en ligne avec Databricks SDK, construis des pipelines de variables en streaming et sers les variables à la demande de façon cohérente en entraînement et production.
Objectifs officiels Databricks
Exploiter le cycle de vie des modèlesConsulte le guide pour la pondération118 QuestionsQuestions Pass-IT

Automatise tests, suivi et réentraînement entre environnements.

  • Conçois et implémente des pipelines de cycle de vie pour promouvoir le code entre environnements, associe les fonctions Databricks aux tâches et configure environnements et ressources ML évolutifs avec Databricks Asset Bundles.
  • Organise et implémente tests unitaires des fonctions de notebooks et tests d’intégration couvrant variables, entraînement, évaluation, déploiement et inférence, selon chaque environnement.
  • Déclenche le réentraînement automatique à partir d’alertes de dérive ou de performance et sélectionne les meilleurs modèles de remplacement.
  • Choisis et crée des moniteurs Lakehouse Monitoring pour les tables snapshot, de séries temporelles ou d’inférence ; applique des tests de dérive aux données numériques ou catégorielles, compare références ou fenêtres temporelles et alerte sur les changements significatifs.
  • Construis journalisation et suivi de dérive, performance et santé ; évalue tendances d’inférence, métriques personnalisées, granularités et sous-groupes de variables et suis latence, trafic, erreurs, CPU et mémoire des endpoints.
Objectifs officiels Databricks
Déployer et servir des modèles personnalisésConsulte le guide pour la pondération75 QuestionsQuestions Pass-IT

Choisis une stratégie de déploiement et expose les modèles aux applications.

  • Compare stratégies blue-green et canary pour les applications à fort trafic et réalise le déploiement avec Databricks Model Serving.
  • Enregistre les modèles PyFunc personnalisés et leurs artefacts dans Unity Catalog.
  • Déploie les objets modèles via MLflow Deployments SDK, API REST ou interface et interroge-les via SDK ou API REST.
Objectifs officiels Databricks
Les formats de questions que tu peux travailler
Choix multiple
Sélectionne une réponse.

Ce sont les formats d’entraînement de Pass-IT. Consulte la page de certification Databricks pour les informations sur l’examen officiel.

Questions fréquentes

Ta préparation

Combien de temps prévoir pour préparer DB-MLP ?

Pour t’aider à t’organiser, Pass-IT estime environ 70–180 heures. Avec une expérience pertinente, tu te situeras plutôt vers le bas de cette fourchette ; si tu débutes, plutôt vers le haut. Tes besoins peuvent aussi être en dehors de cette plage. Ce n’est ni une durée imposée par Databricks, ni une promesse d’être prêt pour l’examen dans ce délai.

Quelle expérience la Machine Learning Professional suppose-t-elle ?

Au moins un an de pratique du machine learning sur Databricks. Le catalogue prévoit 120 heures en plus de cette expérience, pas à la place. Rien ne bloque l'inscription, la barrière est donc de fait celle que tu te fixes.

Utiliser Pass-IT

Dans quelle langue sont les questions de Pass-IT ?

Les questions de l’application sont actuellement en anglais. Les traductions des questions d’exemple de cette page concernent uniquement cet aperçu. Consulte Databricks pour connaître les langues proposées pour l’examen officiel.

Combien de temps dure mon accès à DB-MLP ?

L’accès à cette certification dure 12 mois. Tu paies une seule fois, sans renouvellement automatique.

Quand la garantie de remboursement s’applique-t-elle ?

La garantie rembourse le prix d’achat Pass-IT de cette certification. Tu dois disposer d’un accès payant éligible et d’un Readiness Score d’au moins 80 %, calculé à partir de tes résultats d’entraînement, au moment de l’examen. Ce score ne peut atteindre 80 % qu’après au moins 50 questions répondues et ne constitue pas une probabilité de réussite validée. Passe l’examen pendant ta période d’accès et envoie la preuve officielle de ton échec sous 14 jours. Conditions de la garantie

L’examen DB-MLP

Où puis-je passer l’examen DB-MLP ?

Surveillé en ligne ou centre d'examen.

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

L’examen Databricks Certified Machine Learning Professional comporte 59 questions et le temps imparti est de 120 minutes.

Faut-il passer la Machine Learning Associate d'abord ?

Non, Databricks n'impose aucune certification préalable. La différence tient à la pondération : l'examen associate consacre 38% à l'outillage de la plateforme, l'examen professional 44% au MLOps. Si les pipelines, le monitoring et le réentraînement ne font pas encore partie de ton quotidien, l'examen associate est le point de départ le plus honnête.

Combien de temps la Machine Learning Professional reste-t-elle valable ?

Deux ans à compter de la réussite, à renouveler en repassant la version en vigueur. Databricks n'a pas de programme de formation continue, alors prévois de la repasser plutôt que d'attendre l'apparition d'une voie par crédits.

Ta préparation à DB-MLP

$29.99paiement unique

12 mois d’accès à DB-MLP · Sans renouvellement automatique

Acheter l’accès à DB-MLP

Les questions de l’application sont actuellement en anglais.

Essayer 20 questions gratuitementCompte gratuit requis. Sans carte bancaire.

Déjà un compte ? Connecte-toi

Tu préfères un abonnement ? Voir les abonnements →

Remboursement en cas d’échec avec au moins 80 % de Readiness, pour les achats éligibles selon les conditions de la garantie.

Conditions de la garantie

La garantie rembourse le prix d’achat Pass-IT de cette certification. Tu dois disposer d’un accès payant éligible et d’un Readiness Score d’au moins 80 %, calculé à partir de tes résultats d’entraînement, au moment de l’examen. Ce score ne peut atteindre 80 % qu’après au moins 50 questions répondues et ne constitue pas une probabilité de réussite validée. Passe l’examen pendant ta période d’accès et envoie la preuve officielle de ton échec sous 14 jours.

Conditions complètes de la 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 →