무료 온라인 액세스 Google.Professional-Machine-Learning-Engineer.v2024-03-06.q113 모의 시험 (Page 4)

Professional-Machine-Learning-Engineer 문제 11

당신은 최근 새로운 프로젝트를 곧 출시할 머신러닝 팀에 합류했습니다. 프로젝트 책임자로서 ML 구성 요소의 생산 준비 상태를 확인하라는 요청을 받았습니다. 팀은 이미 기능과 데이터, 모델 개발 및 인프라를 테스트했습니다. 팀에 어떤 추가 준비 상태 확인을 권장해야 합니까?

A. 훈련이 재현 가능한지 확인

B. 기능 기대치가 스키마에 캡처되었는지 확인합니다.

C. 모든 하이퍼매개변수가 조정되었는지 확인하세요.

D. 모델 성능이 모니터링되는지 확인

Professional-Machine-Learning-Engineer 문제 12

당신은 자동차 회사의 AI팀에서 일하고 있으며 TensorFlow와 Keras를 사용하여 시각적 결함 감지 모델을 개발하고 있습니다. 모델 성능을 향상하려면 변환, 자르기, 대비 조정과 같은 일부 이미지 확대 기능을 통합하려고 합니다. 이러한 기능을 각 훈련 배치에 무작위로 적용합니다. 런타임 및 컴퓨팅 리소스 활용도를 위해 데이터 처리 파이프라인을 최적화하려고 합니다. 당신은 무엇을 해야 합니까?

A. tf.Data 파이프라인에 증강 함수를 동적으로 포함합니다.

B. Keras 생성기의 일부로 증강 함수를 동적으로 포함합니다.

C. Dataflow를 사용하여 가능한 모든 증강을 생성하고 이를 TFRecord로 저장합니다.

D. Dataflow를 사용하여 학습 실행마다 동적으로 증강을 생성하고 이를 TFRecord로 스테이징합니다.

정답: A

런타임 및 컴퓨팅 리소스 활용을 위해 데이터 처리 파이프라인을 최적화하는 가장 좋은 옵션은 tf.Data 파이프라인에 증강 기능을 동적으로 포함하는 것입니다. 이 옵션에는 다음과 같은 장점이 있습니다.
* 데이터의 추가 복사본을 생성하거나 저장하지 않고도 데이터 확대를 즉시 수행할 수 있습니다. 이렇게 하면 저장 공간이 절약되고 데이터 전송 시간이 단축됩니다.
* tf.Data API의 병렬성과 성능을 활용합니다. 이는 여러 CPU 코어 또는 GPU 장치를 사용하여 여러 데이터 배치에 증강 함수를 병렬로 효율적으로 적용할 수 있습니다. tf.Data API는 또한 캐싱, 프리페칭, 자동 튜닝과 같은 다양한 최적화 기술을 지원하여 데이터 처리 속도를 향상하고 대기 시간을 줄입니다.
* 훈련 및 평가를 위한 입력으로 tf.Data 데이터 세트를 사용할 수 있는 TensorFlow 및 Keras 모델과 원활하게 통합됩니다. tf.Data API는 이미지, 텍스트, 오디오, 비디오 등 다양한 데이터 형식과 파일, 데이터베이스, 웹 서비스 등 다양한 데이터 소스도 지원합니다.
다른 옵션은 다음과 같은 이유로 최적이 아닙니다.
* 옵션 B: Keras 생성기의 일부로 증강 함수를 동적으로 포함하면 몇 가지 제한 사항과 오버헤드가 발생합니다. Keras 생성기는 훈련이나 평가를 위해 데이터 배치를 생성하는 Python 생성기입니다. 그러나 Keras 생성기는 여러 장치나 기계에 훈련을 배포하는 데 사용되는 tf.distribute API와 호환되지 않습니다. 게다가 Keras 생성기는 단일 Python 스레드에서 실행되고 병렬 처리 또는 최적화 기술을 지원하지 않기 때문에 tf.Data API만큼 효율적이거나 확장성이 없습니다.
* 옵션 C: Dataflow를 사용하여 가능한 모든 증강을 생성하고 이를 TFRecord로 저장하면 복잡성과 비용이 추가로 발생합니다. Dataflow는 데이터 처리 및 변환을 위해 Apache Beam 파이프라인을 실행하는 완전 관리형 서비스입니다. 그러나 Dataflow를 사용하여 가능한 모든 증강을 만들려면 많은 수의 증강 이미지를 생성하고 저장해야 하며, 이로 인해 많은 저장 공간이 소모되고 저장소 및 네트워크 비용이 발생할 수 있습니다. 또한 Dataflow를 사용하여 증강을 생성하려면 별도의 Dataflow 파이프라인을 작성하고 배포해야 하므로 지루하고 시간이 많이 걸릴 수 있습니다.
* 옵션 D: Dataflow를 사용하여 학습 실행마다 동적으로 증강을 생성하고 이를 TFRecord로 스테이징하면 복잡성과 지연 시간이 추가로 발생합니다. Dataflow는 데이터 처리 및 변환을 위해 Apache Beam 파이프라인을 실행하는 완전 관리형 서비스입니다. 그러나 Dataflow를 사용하여 학습 실행마다 동적으로 증강을 생성하려면 모델이 학습될 때마다 Dataflow 파이프라인을 실행해야 하므로 지연 시간이 발생하고 학습 프로세스가 지연될 수 있습니다. 또한 Dataflow를 사용하여 증강을 생성하려면 별도의 Dataflow 파이프라인을 작성하고 배포해야 하므로 지루하고 시간이 많이 걸릴 수 있습니다.
참고자료:
* [tf.data: TensorFlow 입력 파이프라인 구축]
* [이미지 확대 | 텐서플로우 코어]
* [데이터플로우 문서]

Professional-Machine-Learning-Engineer 문제 13

한 모바일 네트워크 운영자는 Amazon Athena 및 Amazon S3를 사용하여 회사 운영을 분석하고 최적화하기 위한 분석 플랫폼을 구축하고 있습니다.
소스 시스템은 실시간으로 .CSV 형식의 데이터를 보냅니다. 데이터 엔지니어링 팀은 데이터를 Amazon S3에 저장하기 전에 Apache Parquet 형식으로 변환하려고 합니다.
구현하는 데 가장 적은 노력이 필요한 솔루션은 무엇입니까?

A. Amazon EC2 인스턴스에서 Apache Kafka Streams를 사용하여 .CSV 데이터를 수집하고 Kafka Connect S3를 사용하여 데이터를 Parquet로 직렬화합니다.

B. Amazon Kinesis Data Streams에서 .CSV 데이터를 수집하고 Amazon Glue를 사용하여 데이터를 Parquet로 변환합니다.

C. Amazon EMR 클러스터에서 Apache Spark 구조적 스트리밍을 사용하여 .CSV 데이터를 수집하고 Apache Spark를 사용하여 데이터를 Parquet로 변환합니다.

D. Amazon Kinesis Data Streams에서 .CSV 데이터를 수집하고 Amazon Kinesis Data Firehose를 사용하여 데이터를 Parquet로 변환합니다.

Professional-Machine-Learning-Engineer 문제 14

당신은 제조회사의 데이터 과학팀에서 일하고 있습니다. 당신은 수억 개의 레코드가 있는 회사의 과거 판매 데이터를 검토하고 있습니다. 탐색적 데이터 분석을 위해서는 평균, 중앙값, 모드와 같은 기술 통계를 계산해야 합니다. 가설 테스트를 위한 복잡한 통계 테스트를 수행합니다. 계산 리소스를 최소화하면서 분석에 최대한 많은 판매 데이터를 사용하려고 합니다. 당신은 무엇을 해야 합니까?

A. Vertex Al Workbench 사용자 관리 노트북 인스턴스를 가동하고 데이터세트를 가져옵니다. 이 데이터를 사용하여 통계 및 시각적 분석을 만듭니다.

B. Google 데이터 스튜디오에서 시간 도표를 시각화합니다. 데이터 세트를 Vertex Al Workbench 사용자 관리 노트북으로 가져옵니다. 이 데이터를 사용하여 기술 통계를 계산하고 통계 분석을 실행합니다.

C. BigQuery를 사용하여 기술 통계를 계산합니다. Vertex Al Workbench 사용자 관리 노트북을 사용하여 시간 도표를 시각화하고 통계 분석을 실행합니다.
D BigQuery를 사용하여 기술 통계를 계산하고 Google Data Studio를 사용하여 시간 도표를 시각화합니다. Vertex Al Workbench 사용자 관리 노트북을 사용하여 통계 분석을 실행합니다.

Professional-Machine-Learning-Engineer 문제 15

당신은 은행에서 일합니다. 대출 신청 결정을 지원하기 위해 신용 위험 모델을 개발해야 합니다. TensorFlow의 신경망을 사용하여 모델을 구현하기로 결정했습니다. 규제 요구 사항으로 인해 모델의 기능을 기반으로 모델 예측을 설명할 수 있어야 합니다. 모델이 배포될 때 , 또한 초과 근무 시간 동안 모델의 성능을 모니터링하고 싶습니다. 모델 개발과 배포 모두에 Vertex Al을 사용하기로 결정했습니다. 어떻게 해야 합니까?

A. 샘플링된 Shapley 메서드와 함께 Vertex explainable Al을 사용하고 Vertex Al 모델 모니터링을 활성화하여 특성 분포 드리프트를 확인합니다.

B. 샘플링된 Shapley 메서드와 함께 Vertex explainable Al을 사용하고 Vertex Al 모델 모니터링을 활성화하여 특성 분포 편향을 확인합니다.

C. XRAI 메서드와 함께 Vertex explainable Al을 사용하고 Vertex Al 모델 모니터링을 활성화하여 특성 분포 드리프트를 확인합니다.

D. XRAI 메서드와 함께 Vertex explainable Al을 사용하고 Vertex Al 모델 모니터링을 활성화하여 특성 분포 편향을 확인합니다.

다른 버전: 870Google.Professional-Machine-Learning-Engineer.v2024-09-10.q112; 1343Google.Professional-Machine-Learning-Engineer.v2023-07-12.q107; 1100Google.Professional-Machine-Learning-Engineer.v2023-03-02.q80; 1360Google.Professional-Machine-Learning-Engineer.v2022-07-01.q63; 1185Google.Professional-Machine-Learning-Engineer.v2022-06-22.q67; 1752Google.Professional-Machine-Learning-Engineer.v2021-12-22.q66

최근 업로드: 108Salesforce.Marketing-Cloud-Email-Specialist.v2026-07-20.q170; 113NationalPayrollInstitute.PF1.v2026-07-20.q26; 109Proofpoint.TPAD01.v2026-07-20.q25; 116Nutanix.NCP-BC-7.5.v2026-07-20.q40; 111Salesforce.Salesforce-Slack-Administrator.v2026-07-20.q108; 150Snowflake.COF-C03.v2026-07-20.q200; 111PythonInstitute.PCED-30-02.v2026-07-20.q18; 107SAP.C-S4PM-2601.v2026-07-20.q35; 129Databricks.Databricks-Certified-Professional-Data-Engineer.v2026-07-20.q103; 104WGU.Foundations-of-Computer-Science.v2026-07-20.q24