A. 데이터베이스에서 CSV 파일로 레코드를 내보냅니다. CSV 파일에 대한 공개 URL을 만든 다음 Storage Transfer Service를 사용하여 파일을 Cloud Storage로 이동합니다. GCP 콘솔의 BigQuery 웹 UI를 사용하여 CSV 파일을 BigQuery에 로드합니다.

B. 데이터베이스에서 레코드를 Avro 파일로 내보냅니다. 파일을 Transfer Appliance에 복사하여 Google로 보낸 다음 GCP 콘솔의 BigQuery 웹 UI를 사용하여 Avro 파일을 BigQuery에 로드합니다.

C. 데이터베이스에서 레코드를 Avro 파일로 내보냅니다. gsutil을 사용하여 파일을 GCS에 업로드한 다음 GCP 콘솔의 BigQuery 웹 UI를 사용하여 Avro 파일을 BigQuery에 로드합니다.

D. 데이터베이스에서 레코드를 Avro 파일로 내보냅니다. Avro 파일에 대한 공개 URL을 만든 다음 Storage Transfer Service를 사용하여 파일을 Cloud Storage로 이동합니다. GCP 콘솔의 BigQuery 웹 UI를 사용하여 Avro 파일을 BigQuery에 로드합니다.

A. 멀티핫 컬럼 생성

B. 원핫 컬럼 생성

C. 해시 버킷을 생성합니다.

D. 임베딩 열 생성

A. 데이터베이스에는 정상 샘플과 돌연변이 샘플이 거의 같은 빈도로 나타납니다.

B. 데이터베이스에는 어떤 샘플이 돌연변이를 일으켰는지, 어떤 샘플이 정상인지에 대한 라벨이 이미 있습니다.

C. 정상 샘플에 비해 돌연변이 발생 빈도가 매우 낮습니다.

D. 향후 돌연변이는 데이터베이스의 돌연변이 샘플과 다른 특성을 가질 것으로 예상합니다.

E. 향후 돌연변이는 데이터베이스의 돌연변이 샘플과 유사한 특징을 가질 것으로 예상합니다.

A. Hive 파티션 데이터 객체를 다중 지역 Cloud Storage 버킷으로 마이그레이션합니다.

B. 공통 테이블 이름 접두사를 사용하여 각 Hive 파티션에 대한 개별 외부 테이블을 만듭니다. 와일드카드 테이블 쿼리를 사용하여 파티션된 데이터를 참조합니다.

C. Hive 파티션 데이터 객체의 저장 클래스를 Coldline에서 Standard로 변경합니다.

D. 외부 테이블을 BigLake 테이블로 업그레이드합니다. 테이블에 대한 메타데이터 캐싱을 활성화합니다.

A. 신경망의 입력 벡터로 위도와 경도를 제공합니다.

B. 위도와 경도의 특성 교차에서 숫자형 열을 만듭니다.

C. 위도와 경도의 특성 교차를 생성하고 분 수준에서 버킷화한 다음 최적화 중에 L1 정규화를 사용합니다.

D. 위도와 경도의 피처 교차를 생성하고 분 수준에서 버킷화한 다음 최적화 중에 L2 정규화를 사용합니다.