DP-100-KR 문제 46
Python SDK v2를 사용하여 Azure Machine Learning 작업 영역을 관리할 수 있습니다.
Parquet 형식으로 저장된 데이터 파일을 사용하여 분류 모델을 생성하는 자동화된 머신 러닝 작업을 만들어야 합니다. 이 작업을 위해 자동 확장 컴퓨팅 대상과 데이터 자산을 구성해야 합니다.
작업을 위해 리소스를 구성해야 합니다.
어떤 리소스 구성을 사용해야 합니까? 이 질문에 답하려면 답변 영역에서 적절한 옵션을 선택하십시오.
참고: 정답 하나당 1점입니다.
Parquet 형식으로 저장된 데이터 파일을 사용하여 분류 모델을 생성하는 자동화된 머신 러닝 작업을 만들어야 합니다. 이 작업을 위해 자동 확장 컴퓨팅 대상과 데이터 자산을 구성해야 합니다.
작업을 위해 리소스를 구성해야 합니다.
어떤 리소스 구성을 사용해야 합니까? 이 질문에 답하려면 답변 영역에서 적절한 옵션을 선택하십시오.
참고: 정답 하나당 1점입니다.
DP-100-KR 문제 47
Workspaces라는 이름의 Azure Machine Learning 작업 영역이 있습니다.
Workspace1의 Automated ML을 사용하여 이미지 객체 감지 모델을 학습시킬 계획입니다.
이미지 객체 감지 작업을 시작하려면 제공된 Azure Machine Learning Python SDK v2 코드를 완료해야 합니다.
코드를 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
Workspace1의 Automated ML을 사용하여 이미지 객체 감지 모델을 학습시킬 계획입니다.
이미지 객체 감지 작업을 시작하려면 제공된 Azure Machine Learning Python SDK v2 코드를 완료해야 합니다.
코드를 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
DP-100-KR 문제 48
Azure Machine Learning 작업 영역을 관리합니다. 개발 환경은 Azure Machine Learning Notebooks에서 서버리스 Spark 컴퓨팅으로 구성되어 있습니다.
타이타닉 데이터 세트를 정리하고 새 데이터 세트로 저장하기 위해 대화형 데이터 전처리 작업을 수행합니다. (줄 번호는 참조용으로만 사용됩니다.)
다음 각 문장에 대해, 문장이 사실이면 '예'를 선택하고, 그렇지 않으면 '아니오'를 선택하십시오. 참고: 각 정답은 1점입니다.
타이타닉 데이터 세트를 정리하고 새 데이터 세트로 저장하기 위해 대화형 데이터 전처리 작업을 수행합니다. (줄 번호는 참조용으로만 사용됩니다.)
다음 각 문장에 대해, 문장이 사실이면 '예'를 선택하고, 그렇지 않으면 '아니오'를 선택하십시오. 참고: 각 정답은 1점입니다.
DP-100-KR 문제 49
머신 팀 구성 모델을 학습시키고 공개합니다.
외부 시스템의 트리거에 따라 모델을 재학습시키는 파이프라인을 실행해야 합니다.
무엇을 설정해야 할까요?
외부 시스템의 트리거에 따라 모델을 재학습시키는 파이프라인을 실행해야 합니다.
무엇을 설정해야 할까요?
DP-100-KR 문제 50
참고: 이 문제는 동일한 시나리오를 제시하는 일련의 문제 중 하나입니다. 각 문제에는 제시된 목표를 달성할 수 있는 고유한 해결책이 포함되어 있습니다. 일부 문제 세트에는 정답이 두 개 이상일 수 있으며, 정답이 없는 문제 세트도 있습니다.
이 섹션에서 질문에 답변한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이 질문들은 검토 화면에 나타나지 않습니다.
로지스틱 회귀 알고리즘을 사용하여 분류 모델을 학습시킵니다.
모델의 예측 결과를 설명하려면 각 특징의 중요도를 계산해야 하며, 이는 전체적인 상대적 중요도 값과 특정 예측 집합에 대한 국소적 중요도 값을 모두 포함해야 합니다.
필요한 전역 및 지역 특징 중요도 값을 가져오는 데 사용할 수 있는 설명자를 만들어야 합니다.
해결 방법: MimicExplainer를 생성합니다.
이 해결책은 목표를 달성합니까?
이 섹션에서 질문에 답변한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이 질문들은 검토 화면에 나타나지 않습니다.
로지스틱 회귀 알고리즘을 사용하여 분류 모델을 학습시킵니다.
모델의 예측 결과를 설명하려면 각 특징의 중요도를 계산해야 하며, 이는 전체적인 상대적 중요도 값과 특정 예측 집합에 대한 국소적 중요도 값을 모두 포함해야 합니다.
필요한 전역 및 지역 특징 중요도 값을 가져오는 데 사용할 수 있는 설명자를 만들어야 합니다.
해결 방법: MimicExplainer를 생성합니다.
이 해결책은 목표를 달성합니까?