무료 온라인 액세스 Google.Professional-Machine-Learning-Engineer.v2024-03-06.q113 모의 시험 (Page 14)

Professional-Machine-Learning-Engineer 문제 61

데이터 과학 팀은 다양한 기능, 모델 아키텍처 및 하이퍼파라미터를 신속하게 실험해야 합니다. 다양한 실험에 대한 정확도 측정항목을 추적하고 API를 사용하여 시간 경과에 따른 측정항목을 쿼리해야 합니다. 수동 작업을 최소화하면서 실험을 추적하고 보고하려면 무엇을 사용해야 합니까?

A. Al Platform Training을 사용하여 실험 실행 Cloud Monitoring에 정확도 측정항목을 작성하고 Monitoring API를 사용하여 결과를 쿼리합니다.

B. Al Platform Notebooks를 사용하여 실험을 실행합니다. 공유된 Google Sheets 파일로 결과를 수집하고 Google Sheets API를 사용하여 결과를 쿼리합니다.

C. Kubeflow Pipelines를 사용하여 실험 실행 측정항목 파일을 내보내고 Kubeflow Pipelines API를 사용하여 결과를 쿼리합니다.

D. Al Platform Training을 사용하여 실험 실행 BigQuery에 정확도 측정항목을 작성하고 BigQuery API를 사용하여 결과를 쿼리합니다.

Professional-Machine-Learning-Engineer 문제 62

Al Platform에 여러 버전의 이미지 분류 모델을 배포했습니다. 모델 버전의 성능을 초과 근무로 모니터링하려고 합니다. 이 비교를 어떻게 수행해야 합니까?

A. 검증 데이터에 대한 각 모델의 손실 성능을 비교합니다.

B. What-lf Tool을 사용하여 각 모델의 ROC(수신기 작동 특성) 곡선을 비교합니다.

C. 연속 평가 기능을 사용하여 모델 전체의 평균 평균 정밀도를 비교합니다.

D. 홀드아웃 데이터세트에서 각 모델의 손실 성능을 비교합니다.

Professional-Machine-Learning-Engineer 문제 63

데이터 세트에 대해 탐색적 데이터 분석을 수행하는 동안 중요한 범주형 특성에 5% Null 값이 있음을 발견했습니다. 누락된 값으로 인해 발생할 수 있는 편향을 최소화하려고 합니다. 누락된 값을 어떻게 처리해야 합니까?

A. 누락된 값이 있는 행을 제거하고 데이터세트를 5% 업샘플링합니다.

B. 누락된 값을 특성의 평균으로 바꿉니다.

C. 누락된 값을 누락된 값을 나타내는 자리 표시자 범주로 바꿉니다.

D. 누락된 값이 있는 행을 검증 데이터 세트로 이동합니다.

정답: C

범주형 특성에서 누락된 값을 처리하는 가장 좋은 옵션은 누락된 값을 나타내는 자리 표시자 범주로 바꾸는 것입니다. 이는 관찰된 데이터를 기반으로 결측값을 추정하는 방법인 대치(imputation) 의 일종입니다 . 자리 표시자 범주를 사용하여 누락된 값을 대치하면 데이터가 누락되었다는 정보가 보존되고 특성 분포에 편향이나 왜곡이 발생하는 것을 방지할 수 있습니다. 또한 기계 학습 모델이 누락 패턴으로부터 학습하고 잠재적으로 이를 대상 변수에 대한 예측 변수로 사용할 수 있습니다. 다른 옵션은 다음과 같은 이유로 범주형 특성의 결측값을 처리하는 데 적합하지 않습니다.
* 누락된 값이 있는 행을 제거하고 데이터 세트를 5% 업샘플링하면 데이터 세트의 크기가 줄어들고 중요한 정보가 손실될 수 있습니다. 또한 업샘플링 프로세스에서 실제 모집단을 반영하지 않는 중복 또는 합성 관찰이 생성되므로 샘플링 편향과 과적합이 발생합니다.
* 누락된 값을 특성의 평균으로 바꾸는 것은 범주형 특성에 적합하지 않습니다. 평균은 범주의 모드나 빈도를 포착하지 않는 수치 측정값이기 때문입니다. 그것은 것
* 또한 원본 데이터에 존재하지 않는 새 범주를 생성하여 기계 학습 모델을 혼란스럽게 할 수 있습니다.
* 누락된 값이 있는 행을 검증 데이터 세트로 이동하면 검증 데이터 세트가 테스트 또는 프로덕션 데이터를 대표하지 않으므로 모델 평가의 유효성과 신뢰성이 손상됩니다. 또한 모델 교육에 사용할 수 있는 데이터의 양이 줄어들고 교육 데이터 세트와 검증 데이터 세트 간에 누출이나 불일치가 발생할 수 있습니다. 참고자료:
* 결측값 대치
* 데이터 분석에서 누락된 값을 처리하기 위한 효과적인 전략
* 범주형 변수의 누락된 값을 처리하는 방법은 무엇입니까?
* Google Cloud, 머신러닝 엔지니어 자격증 출시
* Google 전문 기계 학습 엔지니어 자격증
* Professional ML Engineer 시험 가이드
* 구글 클라우드 자격증 준비 : 머신러닝 엔지니어 전문 자격증

Professional-Machine-Learning-Engineer 문제 64

당신은 다국적 음료 회사의 데이터 과학팀에서 일하고 있습니다. 다양한 위치에서 새로운 천연 향이 나는 생수 라인에 대한 회사의 수익성을 예측하려면 ML 모델을 개발해야 합니다.
모든 지역의 제품 유형, 제품 판매량, 비용 및 이익을 포함하는 내역 데이터가 제공됩니다. 모델의 입력 및 출력으로 무엇을 사용해야 합니까?

A. 위도, 경도, 제품 유형을 기능으로 사용합니다. 이익을 모델 출력으로 사용하십시오.

B. 위도, 경도, 제품 유형을 기능으로 사용합니다. 수익과 비용을 모델 출력으로 사용합니다.

C. 제품 유형 및 경도와 위도의 특성 교차, 이어서 비닝을 특성으로 사용합니다. 이익을 모델 출력으로 사용하십시오.

D. 제품 유형 및 경도와 위도의 특성 교차, 이어서 비닝을 특성으로 사용합니다. 수익과 비용을 모델 출력으로 사용합니다.

정답: C

* 옵션 A는 위도, 경도, 제품 유형을 특성으로 사용하고 수익을 모델 출력으로 사용하는 것은 다양한 위치에서 새로운 천연 향이 나는 생수 라인에 대한 회사의 수익성을 예측하기 위한 ML 모델을 개발하는 최선의 방법이 아니기 때문에 올바르지 않습니다. . 이 옵션은 제품의 수익성에 영향을 미칠 수 있는 위도와 경도 간의 상호 작용을 캡처하지 않습니다. 예를 들어, 동일한 제품이라도 기후, 문화, 고객 선호도에 따라 지역마다 수익성이 다를 수 있습니다. 더욱이 이 옵션은 위치 데이터의 세분성을 고려하지 않습니다. 이는 모델에 비해 너무 미세하거나 너무 대략적일 수 있습니다. 예를 들어, 도시의 정확한 좌표를 사용하는 것은 도시 내에서 수익성이 다를 수 있으므로 의미가 없을 수 있으며, 국가 이름을 사용하는 것은 수익성이 국가에 따라 다를 수 있으므로 유익하지 않을 수 있습니다.
* 위도, 경도, 제품 유형을 특징으로 사용하고 수익과 비용을 모델 출력으로 사용하는 것은 새로운 천연 향이 나는 생수 라인에 대한 회사의 수익성을 예측하기 위한 ML 모델을 개발하는 데 적합한 방법이 아니기 때문에 옵션 B는 올바르지 않습니다. 다른 위치. 이 옵션에는 위도와 경도 간의 상호 작용을 캡처하지 않거나 위치 데이터의 세분성을 고려하지 않는다는 점에서 옵션 A와 동일한 단점이 있습니다. 또한, 이 옵션은 관심대상변수인 상품의 수익성을 직접적으로 예측하지 않는다. 대신, 제품의 가격, 비용, 수요 등 다른 요인에 따라 달라지는 중간 변수인 제품의 수익과 비용을 예측합니다. 수익성을 얻으려면 수익에서 비용을 빼야 하며, 이로 인해 예측에 오류나 불확실성이 발생할 수 있습니다.
* 옵션 C는 옳습니다. 제품 유형과 경도와 위도의 특성 교차, 이어서 비닝을 특성으로 사용하고 수익을 모델 출력으로 사용하는 것은 새로운 제품군에 대한 회사의 수익성을 예측하기 위한 ML 모델을 개발하는 좋은 방법이기 때문입니다. 다양한 위치에 있는 천연 향이 나는 생수. 이 옵션은 두 기능의 기능 교차를 생성하여 제품의 수익성에 영향을 미칠 수 있는 위도와 경도 간의 상호 작용을 캡처합니다. 특성 교차는 두 개 이상의 특성 값을 단일 특성으로 결합하는 합성 특성입니다1. 이 옵션은 또한 특성 교차를 개별 버킷으로 분류하여 위치 데이터의 세분성을 설명합니다. 비닝은 연속된 값을 간격으로 그룹화하는 기술로, 데이터의 노이즈와 복잡성을 줄일 수 있습니다2. 또한, 이 옵션은 관심대상 변수인 제품의 수익성을 모델 출력으로 직접 예측한다.
* 옵션 D는 올바르지 않습니다. 제품 유형 및 경도와 위도의 특성 교차, 이어서 비닝을 특성으로 사용하고 수익과 비용을 모델 출력으로 사용하는 것은 회사의 수익성을 예측하기 위해 ML 모델을 개발하는 유효한 방법이 아니기 때문입니다. 다양한 지역에 천연 향이 나는 새로운 생수 라인이 출시되었습니다. 이 옵션은 위도와 경도 간의 상호 작용을 캡처하고 특성 교차를 생성하고 비닝하여 위치 데이터의 세분성을 설명한다는 점에서 옵션 C와 동일한 이점을 갖습니다. 그러나 이 옵션은 관심대상 변수인 상품의 수익성을 직접적으로 예측하는 것이 아니라 옵션 B에서 설명한 바와 같이 다른 요인에 따라 달라지는 중간변수인 상품의 수익과 비용을 예측하는 것이다.
참고자료:
* 특성 교차
* 비닝
* [수익성]
* [수입 및 비용]
* [위도와 경도]
* [상품 유형]

Professional-Machine-Learning-Engineer 문제 65

당신은 대형 은행 회사에서 분석가로 일하고 있습니다. 여러 회귀 및 분류 모델을 교육하기 위해 강력하고 확장 가능한 ML 파이프라인을 개발하고 있습니다. 파이프라인의 주요 초점은 모델 해석 가능성입니다. 파이프라인을 최대한 빨리 생산하고 싶다면 어떻게 해야 합니까?

A. Vertex Al Pipelines를 통해 Wide & Deep용 테이블 형식 워크플로를 사용하여 넓은 선형 모델과 심층 신경망을 공동으로 학습합니다.

B. Google Kubernetes Engine을 사용하여 XGBoost 기반 모델을 위한 커스텀 학습 파이프라인을 구축합니다.

C. Cloud Composer를 사용하여 커스텀 딥 러닝 기반 모델을 위한 학습 파이프라인을 빌드합니다.

D. Vertex Al Pipelines를 통해 Tabel용 테이블 형식 워크플로를 사용하여 주의 기반 모델을 학습합니다.

다른 버전: 1163Google.Professional-Machine-Learning-Engineer.v2024-09-10.q112; 1574Google.Professional-Machine-Learning-Engineer.v2023-07-12.q107; 1271Google.Professional-Machine-Learning-Engineer.v2023-03-02.q80; 1513Google.Professional-Machine-Learning-Engineer.v2022-07-01.q63; 1401Google.Professional-Machine-Learning-Engineer.v2022-06-22.q67; 1891Google.Professional-Machine-Learning-Engineer.v2021-12-22.q66

최근 업로드: 141Huawei.H19-119_V2.0.v2026-10-24.q75; 135Oracle.1Z0-182.v2026-10-24.q32; 145SAP.C-TS422-2601.v2026-10-24.q33; 126Workday.Workday-Procure-to-Pay.v2026-10-23.q20; 130SAP.C_BCBTM_2509.v2026-10-23.q11; 162Snowflake.ARA-C01.v2026-10-23.q110; 195CompTIA.DA0-002.v2026-10-23.q118; 149SAP.C_P2WIE_2404.v2026-10-22.q21; 186SAP.C_S4CPR_2508.v2026-10-22.q48; 173Tableau.TDA-C01.v2026-10-22.q135