A. 처리되는 데이터의 양을 줄이고 필요한 스토리지의 양을 줄입니다.

B. 쿼리 속도를 높이고 쿼리를 간단하게 만듭니다.

C. 필요한 스토리지 양을 줄이고 쿼리 속도를 높입니다.

D. 처리되는 데이터의 양을 줄이고 쿼리 속도를 높입니다.

A. Cloud Dataflow를 Beam과 함께 사용하여 오류를 감지하고 변환을 수행합니다.

B. Cloud Dataproc을 Hadoop 작업과 함께 사용하여 오류를 감지하고 변환을 수행합니다.

C. Cloud Dataprep을 레시피와 함께 사용하여 오류를 감지하고 변환을 수행합니다.

D. BigQuery에서 연합 테이블을 쿼리와 함께 사용하여 오류를 감지하고 변환을 수행합니다.

A. 암기에는 와이드 모델을, 일반화에는 딥 모델을 사용합니다.

B. 와이드 앤 딥 모델의 좋은 용도는 추천 시스템입니다.

C. 일반화에는 와이드 모델을, 암기에는 딥 모델을 사용합니다.

D. 와이드 및 딥 모델의 좋은 사용은 소규모 선형 회귀 문제입니다.

A. 관리형 내보내기를 사용한 다음 해당 내보내기용으로 생성된 BigQuery 테이블로 데이터를 가져오고 임시 내보내기 파일을 삭제합니다.

B. 관리형 내보내기를 사용하고 Nearline 또는 Coldline 클래스를 사용하여 Cloud Storage 버킷에 데이터를 저장합니다.

C. Cloud Datastore 클라이언트 라이브러리를 사용하여 모든 항목을 읽는 애플리케이션을 작성합니다. BigQuery 스트리밍 삽입을 통해 각 항목을 BigQuery 테이블 행으로 취급합니다. 각 내보내기에 대해 내보내기 타임스탬프를 할당하고 각 행에 대한 추가 열로 첨부합니다. 내보내기 타임스탬프 열을 사용하여 BigQuery 테이블의 파티션을 나눴는지 확인하세요.

D. 관리형 내보내기를 사용한 다음 해당 내보내기용으로 예약된 고유한 네임스페이스 아래 별도의 프로젝트에서 Cloud Datastore로 가져옵니다.

E. Cloud Datastore 클라이언트 라이브러리를 사용하여 모든 항목을 읽는 애플리케이션을 작성합니다. 내보낸 데이터를 JSON 파일로 형식화합니다. Cloud Source Repositories에 데이터를 저장하기 전에 압축을 적용하세요.

A. 사용자별로 순차적으로 증가하는 숫자 ID를 기반으로 행 키를 사용하도록 스키마 재설계
제안 보기.

B. 테이블의 행 공간에 읽기 및 쓰기를 고르게 분산하여 스키마를 재정의합니다.

C. 성능 문제는 BigDate 클러스터의 사이트가 증가함에 따라 시간이 지남에 따라 해결되어야 합니다.

D. 단일 행 키를 사용하여 자주 업데이트해야 하는 값을 식별하도록 스키마를 재설계합니다.
클러스터.