A. 배치 크기를 줄입니다.

B. 최적화 프로그램 변경

C. 이미지 모양을 줄입니다.

D. 학습률 변경

A. 1 사용자 정의 예측 루틴(CPR)으로 모델을 래핑합니다. CPR 로컬 모델에서 컨테이너 이미지를 구축합니다.
2 sci-kit 학습 모델 컨테이너를 Vertex Al 모델 레지스트리에 업로드합니다.
3 Vertex Al Endpoints에 모델을 배포하고 Vertex Al 배치 예측 작업을 생성합니다.

B. 1 Sci-kit 학습 모델을 위한 사용자 정의 컨테이너를 만듭니다.
2 Vertex Al 모델 레지스트리에 모델 및 커스텀 컨테이너 업로드
3 모델을 Vertex Al Endpoints에 배포하고, instanceConfig를 사용하는 Vertex Al 배치 예측 작업을 생성합니다. 입력 데이터를 변환하기 위한 인스턴스 유형 설정

C. 1 사전 빌드된 scikit-learn 예측 컨테이너를 사용하여 Vertex Al 모델 레지스트리에 모델을 업로드합니다.
2 Vertex Al 엔드포인트에 모델을 배포하고,instanceConfig.inscanceType 설정을 사용하여 입력 데이터를 변환하는 Vertex Al 일괄 예측 작업을 생성합니다.

D. 1. Sci-kit 학습 모델을 위한 사용자 정의 컨테이너를 생성합니다.
2 모델에 대한 맞춤 제공 기능을 정의합니다.
3 Vertex Al 모델 레지스트리에 모델 및 커스텀 컨테이너 업로드
4 Vertex Al Endpoints에 모델을 배포하고 Vertex Al 배치 예측 작업을 생성합니다.

A. 비닝된 위도, 비닝된 경도 및 원-핫 인코딩된 자동차 유형의 세 가지 개별 특성

B. 위도, 경도, 자동차 종류 간의 요소별 곱으로 얻은 하나의 특징

C. 요소별 곱으로서 두 개의 특성 교차(첫 번째는 비닝된 위도와 원-핫 인코딩된 자동차 유형 사이, 두 번째는 비닝된 경도와 원-핫 인코딩된 자동차 유형 사이)

D. 비닝된 위도, 비닝된 경도, 원-핫 인코딩된 자동차 유형 간의 요소별 곱으로 얻은 특성 중 하나

A. 데이터를 BigQuery로 스트리밍하도록 Pub/Sub를 구성합니다.

B. Dataflow 스트리밍 작업을 실행하여 데이터를 BigQuery로 수집합니다.

C. 데이터를 BigQuery로 수집하도록 Pub/Sub 및 Dataflow 스트리밍 작업을 구성합니다.

D. Dataproc에서 Apache Spark 스트리밍 작업을 실행하여 데이터를 BigQuery로 수집합니다.

A. 예측의 로컬 특성 중요도를 사용합니다.

B. 데이터 요약 페이지에서 목표값과의 상관관계를 사용합니다.

C. 모델 평가 페이지에서 기능 중요도 백분율을 사용합니다.

D. 분류를 변경하는 기능별 임계값을 식별하기 위해 기능을 독립적으로 변경합니다.