A. Cloud Dataprep을 사용하여 변환 레시피를 빌드 및 유지 관리하고 일정에 따라 실행

B. 매월 CSV 데이터를 BigQuery에 로드하고 SQL 쿼리를 작성하여 데이터를 표준 스키마로 변환합니다. 변환된 테이블을 SQL 쿼리로 병합

C. Cloud Dataproc에서 Apache Spark를 사용하여 Dataframe을 만들기 전에 CSV 파일의 스키마를 유추합니다.
그런 다음 Cloud Storage에 데이터를 작성하고 BigQuery에 로드하기 전에 Spark SQL에서 변환을 구현합니다.

D. 분석가가 Python으로 Cloud Dataflow 파이프라인을 작성하여 변환을 수행하도록 돕습니다. Python 코드는 개정 제어 시스템에 저장하고 들어오는 데이터의 스키마 변경에 따라 수정해야 합니다.

A. 스트리밍 삽입 코드를 개별 메시지에 대한 일괄 로드로 변환합니다.

B. 스트리밍 삽입 후 데이터 가용성에 대한 평균 대기 시간을 추정하고 항상 두 배 이상 기다린 후 쿼리를 실행합니다.

C. 원본 메시지를 Google Cloud SQL에 로드하고 스트리밍 삽입을 통해 매시간 테이블을 BigQuery로 내보냅니다.

D. 2분마다 누적 데이터를 로드하도록 애플리케이션을 다시 작성합니다.

A. 선형 회귀

B. 물류 분류

C. 순환 신경망

D. 피드포워드 신경망

A. 배치 데이터 파이프라인만

B. 일괄 및 스트리밍 데이터 파이프라인 모두

C. 스트리밍 데이터 파이프라인만

D. 위 항목 없음