A. K-평균 클러스터링을 사용하여 픽셀에서 얼굴을 감지합니다.

B. 기능 엔지니어링을 사용하여 입력 데이터에 눈, 코, 입에 대한 기능을 추가합니다.

C. 여러 개의 숨겨진 레이어로 구성된 신경망을 생성하여 딥 러닝을 사용하여 얼굴의 특징을 자동으로 감지합니다.

D. 픽셀의 입력 계층, 은닉 계층, 두 개의 카테고리를 갖는 출력 계층으로 구성된 신경망을 구축합니다.

A. HASH() 함수를 사용하여 테이블에서 무작위 샘플을 선택하고 샘플을 비교합니다.

B. Dataproc 클러스터와 BigQuery Hadoop 커넥터를 사용하여 각 테이블에서 데이터를 읽고 정렬 후 테이블의 타임스탬프가 아닌 열에서 해시를 계산합니다. 각 테이블의 해시를 비교합니다.

C. RAND() 함수를 사용하여 표에서 무작위 샘플을 선택하고 샘플을 비교합니다.

D. OVER() 함수를 사용하여 계층화된 무작위 표본을 생성하고 각 테이블에서 동등한 표본을 비교합니다.

A. bq 쿼리 - -maximum_bytes_billed 플래그를 사용하여 청구되는 바이트 수를 제한합니다.

B. 각 ID에 대해 별도의 테이블을 만듭니다.

C. 분할 열과 클러스터링 열이 있는 테이블을 다시 만듭니다.

D. 반환되는 행 수를 줄이려면 LIMIT 키워드를 사용하세요.

A. 저장소에 Cloud SQL을 사용합니다. 쿼리 패턴을 지원하기 위해 보조 인덱스를 추가합니다.

B. Cloud SQL을 사용하여 저장소를 만듭니다. Cloud Dataflow를 사용하여 쿼리 패턴을 지원하도록 데이터를 변환합니다.

C. 저장소에 Cloud Spanner를 사용합니다. 쿼리 패턴을 지원하기 위해 보조 인덱스를 추가합니다.

D. 저장소에 Cloud Spanner를 사용합니다. Cloud Dataflow를 사용하여 쿼리 패턴을 지원하도록 데이터를 변환합니다.

A. bq load를 사용하여 60초마다 센서 데이터를 일괄 로드합니다.

B. MERGE 문을 사용하여 60초마다 일괄적으로 업데이트를 적용합니다.

C. Cloud Dataflow 파이프라인을 사용하여 BigQuery 테이블로 데이터를 스트리밍합니다.

D. INSERT 문을 사용하여 60초마다 데이터를 일괄 삽입합니다.