A. 주제를 읽고 Cloud Data Loss Prevention API를 호출하는 Cloud 함수를 빌드합니다.
태그 지정 및 신뢰 수준을 사용하여 검토를 위해 버킷의 데이터를 전달하거나 격리합니다.

B. Compute Engine 가상 머신에 타사 데이터 유효성 검사 도구를 설치하여 수신 데이터에 민감한 정보가 있는지 확인합니다.

C. BigQuery에서 승인된 보기를 만들어 민감한 데이터가 있는 테이블에 대한 액세스를 제한합니다.

D. Stackdriver 로깅을 사용하여 전체 파이프라인을 통해 전달된 데이터를 분석하여 민감한 정보가 포함될 수 있는 트랜잭션을 식별합니다.

A. TensorFlow를 사용하여 이미지 코퍼스에서 훈련되는 모델을 만듭니다. Cloud Datalab에서 이 모델을 사용하는 Python 메모장을 만들어 손상된 패키지를 분석할 수 있습니다.

B. 이미지 모음에서 AutoML 모델을 교육하고 해당 모델을 중심으로 API를 빌드하여 패키지 추적 애플리케이션과 통합합니다.

C. Cloud Vision API를 사용하여 손상을 감지하고 Cloud Functions를 통해 경고를 발생시킵니다. 이 기능과 패키지 추적 응용 프로그램을 통합합니다.

D. BigQuery 머신 러닝을 사용하여 대규모로 모델을 학습할 수 있으므로 패키지를 일괄적으로 분석할 수 있습니다.

A. 기존 데이터와 새 데이터의 조합으로 모델을 지속적으로 재학습합니다.

B. 새 데이터에 대해서만 모델을 지속적으로 재학습합니다.

C. 새 데이터를 테스트 세트로 사용하면서 기존 데이터를 학습합니다.

D. 기존 데이터를 테스트 세트로 사용하면서 새 데이터에 대해 학습합니다.

A. WHERE 절 앞에 ", UNNEST(person)"를 추가합니다.

B. "person"을 "person.city"로 변경합니다.

C. "person"을 "city.person"으로 변경합니다.

D. WHERE 절 앞에 ", UNNEST(city)"를 추가합니다.

A. Theano와 TensorFlow

B. 테아노와 토치

C. 텐서플로우

D. TensorFlow 및 토치