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

B. 관리형 내보내기를 사용한 다음 해당 내보내기용으로 예약된 고유 네임스페이스 아래 별도의 프로젝트에서 Cloud Datastore로 가져옵니다.

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

D. Cloud Datastore 클라이언트 라이브러리를 사용하여 모든 항목을 읽는 애플리케이션을 작성합니다. BigQuery 스트리밍 삽입을 통해 각 항목을 BigQuery 테이블 행으로 처리합니다. 각 내보내기에 내보내기 타임스탬프를 할당하고 이를 각 행의 추가 열로 연결합니다. 내보내기 타임스탬프 열을 사용하여 BigQuery 테이블이 분할되었는지 확인하세요.

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

A. 두 가지 다른 기능 세트를 사용해 볼 수 있습니다.

B. 모델이 단순한 훈련 데이터 이상으로 일반화되었는지 확인하기 위해

C. 코드에서 단위 테스트를 생성할 수 있도록 합니다.

D. 따라서 넓은 모델에 하나의 데이터 세트를 사용하고 심층 모델에 하나를 사용할 수 있습니다.

A. 비선점형 작업자를 더 많이 사용하여 클러스터 크기를 늘립니다.

B. 선점형 작업자 노드로 클러스터 크기를 늘리고 강제로 해제되도록 구성합니다.

C. 선점형 작업자 노드로 클러스터 크기를 늘리고 Cloud Stackdriver를 사용하여 스크립트를 트리거하여 작업을 보존합니다.

D. 선점형 작업자 노드로 클러스터 크기를 늘리고 단계적 폐기를 사용하도록 구성합니다.

A. 애플리케이션 디자인을 어떻게 조정할 수 있나요?

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

C. 2분마다 누적된 데이터를 로드하도록 애플리케이션을 다시 작성합니다.

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

E. 스트리밍 삽입 후 데이터 가용성에 대한 평균 대기 시간을 추정하고 항상 두 배 더 오래 기다린 후 쿼리를 실행합니다.

A. Pig를 사용하는 PigLatin

B. Hive를 사용하는 HiveQL

C. MapReduce를 사용하는 Java

D. MapReduce를 사용하는 Python