A. BigQuery에서 로컬 머신으로 데이터를 내보냅니다. Jupyter Notebook에서 scikit-learn을 사용하여 이탈 예측 모델을 구축합니다.

B. Dataproc을 사용하여 Spark 클러스터를 생성합니다. 클러스터 내의 Spark MLlib을 사용하여 이탈 예측 모델을 구축합니다.

C. BigQuery에 연결된 Looker 대시보드를 만듭니다. LookML을 사용하여 이탈을 예측합니다.

D. Jupyter 노트북에서 BigQuery Python 클라이언트 라이브러리를 사용하여 BigQuery의 데이터를 쿼리하고 전처리합니다. BigQueryML에서 CREATE MODEL 문을 사용하여 이탈 예측 모델을 학습합니다.

A. 1. Dataproc Serverless
2. 빅테이블

B. 1. 클라우드 컴포저
2. MySQL용 Cloud SQL

C. 1. 빅쿼리
2. 분석 허브

D. 1. 데이터 흐름
2. 빅쿼리

A. Cloud Composer 환경을 만들고 BigQueryinsertJob 연산자를 사용하여 변환을 조정합니다.

B. SQL에서 변환을 정의하기 위해 BigQuery 예약된 쿼리를 만듭니다.

C. Dataform을 사용하여 SQLX에서 변환을 정의합니다.

D. Dataproc을 사용하여 Apache Spark 클러스터를 생성하고 PySpark SQL을 사용하여 변환을 구현합니다.

A. 개체 버전 관리를 활성화합니다.

B. 버킷 스토리지 클래스를 Archive로 변경합니다.

C. 버킷 보존 정책을 설정합니다.

D. 임시 객체를 보관합니다.

A. 과거 판매 데이터를 사용하여 BigQuery ML 시계열 모델을 학습하고 생성합니다. ML을 사용합니다.
FORECAST 함수 호출을 통해 예측 결과를 새로운 BigQuery 테이블로 출력합니다.

B. Colab Enterprise를 사용하여 Jupyter 노트북을 만듭니다. 과거 판매 데이터를 사용하여 Python으로 사용자 지정 예측 모델을 학습합니다.

C. 과거 판매 데이터를 사용하여 BigQuery ML 선형 회귀 모델을 학습하고 생성합니다. ML을 사용합니다.
PREDICT 함수 호출을 통해 예측을 새로운 BigQuery 테이블로 출력합니다.

D. 과거 판매 데이터를 사용하여 BigQuery ML 로지스틱 회귀 모델을 학습하고 생성합니다. ML을 사용합니다.
PREDICT 함수 호출을 통해 예측을 새로운 BigQuery 테이블로 출력합니다.