A. 기존 작업 이름으로 설정된 --jobName과 함께 --update 옵션을 전달하여 진행 중인 Cloud Dataflow 파이프라인을 업데이트합니다.

B. --jobName이 새로운 고유 작업 이름으로 설정된 --update 옵션을 전달하여 진행 중인 Cloud Dataflow 파이프라인을 업데이트합니다.

C. 취소 옵션을 사용하여 Cloud Dataflow 파이프라인을 중지합니다. 업데이트된 코드로 새 Cloud Dataflow 작업 만들기

D. 드레이닝 옵션을 사용하여 Cloud Dataflow 파이프라인을 중지합니다. 업데이트된 코드로 새 Cloud Dataflow 작업 만들기

A. 모델을 생성할 때 BigQuery의 TRANSFORM 절을 사용하여 사전 처리 중지를 정의합니다. 예측 시 원시 입력 데이터에 대한 변환을 지정하지 않고 BigQuery의 ML.EVALUATE 절을 사용합니다.

B. 모델을 생성할 때 BigQuery의 TRANSFORM 절을 사용하여 사전 처리 단계를 정의합니다. 예측을 요청하기 전에 저장된 쿼리를 사용하여 원시 입력 데이터를 변환한 다음 ML을 사용합니다.
평가하다

C. BigOuery를 사용하여 전처리 논리를 정의합니다. 모델을 생성할 때 뷰를 모델 학습 데이터로 사용하세요. 예측 시점에는 원시 입력 데이터에 변환을 지정하지 않고 BigQuery의 ML EVALUATE 절을 사용합니다.

D. Dataflow를 사용하여 모든 데이터를 전처리합니다. 예측 시 입력 데이터에 대한 추가 변환을 지정하지 않고 BigOuery의 ML.EVALUATE 절을 사용합니다.

A. 요소가 손상된 경우 부울을 반환하는 SideInput을 추가합니다.

B. Cloud Dataflow에 ParDo 변환을 추가하여 손상된 요소를 삭제합니다.

C. Cloud Dataflow에 파티션 변환을 추가하여 유효한 데이터와 손상된 데이터를 분리합니다.

D. Cloud Dataflow에 GroupByKey 변환을 추가하여 유효한 데이터를 모두 그룹화하고 나머지는 삭제합니다.

A. Storage Transfer Service를 사용하여 다음과 같이 오프사이트 백업 파일을 Cloud Storage 지역 버킷으로 전송합니다.
최종 목적지.

B. Storage Transfer Service를 사용하여 오프사이트 백업 파일을 Cloud Storage Multi-Regional로 전송합니다.
스토리지 버킷을 최종 목적지로 사용합니다.

C. BigQuery Data Transfer Service를 사용하여 오프사이트 백업 파일을 Cloud Storage 지역으로 전송합니다.
스토리지 버킷을 최종 목적지로 사용합니다.

D. BigQuery Data Transfer Service를 사용하여 오프사이트 백업 파일을 Cloud Storage 멀티로 전송합니다.
최종 목적지인 Regional Storage 버킷

A. 기존 데이터를 테스트 세트로 사용하면서 새 데이터를 학습합니다.

B. 새 데이터에 대해서만 모델을 지속적으로 재교육합니다.

C. 기존 데이터와 새 데이터의 조합으로 모델을 지속적으로 재교육합니다.

D. 새 데이터를 테스트 세트로 사용하면서 기존 데이터를 학습합니다.