A. tf.data.Dataset.prefetch 변환 생성

B. 이미지를 TFRecord로 변환하고 Cloud Storage에 이미지를 저장한 다음 tf. 학습을 위해 이미지를 읽는 데이터 API

C. 이미지를 tf .Tensor Objects로 변환한 다음 Dataset을 실행합니다. from_tensor_slices{).

D. 이미지를 tf .Tensor 객체로 변환한 다음 tf를 실행합니다. 데이터. 데이터 세트. from_tensor().

A. BigQuery 콘솔을 사용하여 쿼리를 실행한 다음 쿼리 결과를 새 BigQuery 테이블에 저장합니다.

B. BigQuery API를 사용하여 BigQuery에 대한 쿼리를 실행하는 Python 스크립트 작성 Kubeflow 파이프라인의 첫 번째 단계로 이 스크립트 실행

C. Kubeflow Pipelines 도메인별 언어를 사용하여 Python BigQuery 클라이언트 라이브러리를 사용하여 쿼리를 실행하는 사용자 지정 구성 요소 생성

D. GitHub에서 Kubeflow Pipelines 리포지토리를 찾습니다. BigQuery 쿼리 구성요소를 찾아 해당 구성요소의 URL을 복사하고 이를 사용하여 구성요소를 파이프라인에 로드합니다. 구성요소를 사용하여 BigQuery에 대한 쿼리 실행

A. 1. 각 셔틀 정류장에서 몇 명의 승객을 태울 것인지 예측하는 트리 기반 회귀 모델을 구축합니다.
2. 적절한 크기의 셔틀을 파견하고 예측에 따라 필요한 정류장을 지도에 제공합니다.

B. 1. 셔틀이 각 셔틀 정류장에서 승객을 태워야 하는지 여부를 예측하는 트리 기반 분류 모델을 구축합니다.
2. 이용 가능한 셔틀을 파견하고 예측에 따라 필요한 정류장을 지도에 제공합니다.

C. 1. 주어진 시간에 수용 인원이 제한된 상태에서 출석이 확인된 모든 셔틀 스테이션을 통과하는 최단 경로로 최적 경로를 정의합니다.
2 적절한 크기의 셔틀을 파견하고 필요한 정류장을 지도에 표시합니다.

D. 1. 셔틀 정류장에서 에이전트로 승객의 존재를 예측하는 트리 기반 분류 모델과 거리 기반 메트릭에 대한 보상 기능으로 강화 학습 모델 구축
2. 적절한 크기의 셔틀을 파견하고 시뮬레이션 결과에 따라 필요한 정류장을 지도에 제공합니다.

A. 클래스 분포를 사용하여 10% 긍정적인 예 생성

B. 최대 풀링 및 소프트맥스 활성화와 함께 컨볼루션 신경망 사용

C. 가중치를 높여 데이터를 다운샘플링하여 10% 긍정적인 예가 있는 샘플을 만듭니다.

D. 긍정적인 예와 부정적인 예의 수가 같아질 때까지 부정적인 예를 제거합니다.

A. 주성분 분석을 사용하여 정보가 가장 적은 기능을 제거합니다.

B. L1 정규화를 사용하여 정보가 없는 기능의 계수를 0으로 줄입니다.

C. 모델을 구축한 후 Shapley 값을 사용하여 어떤 기능이 가장 유익한지 결정합니다.

D. 반복 드롭아웃 기술을 사용하여 제거될 때 모델을 저하시키지 않는 기능을 식별합니다.