A. TensorFlow를 사용하여 이미지 모음에 대해 훈련된 모델을 만듭니다. 손상된 패키지를 분석할 수 있도록 이 모델을 사용하는 Python 노트북을 Cloud Datalab에 만듭니다.

B. Cloud Vision API를 사용하여 손상을 감지하고 Cloud Functions를 통해 경고를 발생시킵니다. 이 기능과 패키지 추적 애플리케이션을 통합합니다.

C. 이미지 모음에서 AutoML 모델을 학습하고 해당 모델을 중심으로 API를 구축하여 패키지 추적 애플리케이션과 통합합니다.

D. BigQuery 기계 학습을 사용하면 대규모로 모델을 학습할 수 있으므로 패키지를 일괄적으로 분석할 수 있습니다.

A. 히든 레이어 수

B. 각 히든 레이어의 노드 수

C. 편향

D. 가중치

A. Kafka IO를 사용하여 Cloud Dataflow의 데이터 스트림을 사용합니다. 고정 기간을 1시간으로 설정합니다.
창이 닫힐 때 평균을 계산하고, 평균이 메시지 4000개 미만이면 경고를 보냅니다.

B. Kafka Connect를 사용하여 Kafka 메시지 큐를 Cloud Pub/Sub에 연결합니다. Cloud Dataflow 템플릿을 사용하여 Cloud Pub/Sub의 메시지를 Cloud Bigtable에 씁니다. Cloud Scheduler를 사용하여 지난 한 시간 동안 Cloud Bigtable에서 생성된 행 수를 계산하는 스크립트를 매시간 실행합니다. 해당 숫자가 4000 미만으로 떨어지면 경고를 보냅니다.

C. Kafka IO를 사용하여 Cloud Dataflow의 데이터 스트림을 사용합니다. 5분마다 1시간의 슬라이딩 시간 창을 설정합니다. 창이 닫힐 때 평균을 계산하고, 평균이 메시지 4000개 미만이면 경고를 보냅니다.

D. Kafka Connect를 사용하여 Kafka 메시지 큐를 Cloud Pub/Sub에 연결합니다. Cloud Dataflow 템플릿을 사용하여 Cloud Pub/Sub의 메시지를 BigQuery에 씁니다. Cloud Scheduler를 사용하여 지난 1시간 동안 BigQuery에서 생성된 행 수를 계산하는 스크립트를 5분마다 실행합니다. 해당 숫자가 4000 미만으로 떨어지면 경고를 보냅니다.

A. WHERE 절에 DAY 열을 사용합니다.

B. EXTRACT(DAY) 절을 사용합니다.

C. WHERE 절에 __PARTITIONTIME 의사 열을 사용합니다.

D. WHERE 절에 DATE BETWEEN을 사용합니다.

A. YYYY-MM-DD와 YYYY-MM-DD 사이의 WHERE 날짜를 사용하세요.

B. SELECT IF를 사용합니다.(날짜 >= YYYY-MM-DD AND 날짜 <= YYYY-MM-DD

C. WHERE_PARTITIONTIME 유사 열을 사용합니다.

D. TABLE_DATE_RANGE 함수를 사용합니다.