DP-100-KR 문제 76
Azure Machine Learning 작업 영역이 있습니다.
Azure Machine Learning Python SDK v2를 사용하여 이미지 분류 모델을 학습시키는 파이프라인 구성 요소를 정의하려고 합니다. 구성 요소의 실행 로직은 modeljrain.py 파일의 train() 함수에 포함되어 있습니다.
필요한 모든 라이브러리를 가져오는 코드를 작성하고, 해당 코드를 model_train.py가 있는 동일한 폴더에 train_component.py라는 이름으로 저장합니다.
train_component.py 파일의 나머지 코드를 완성해야 합니다.
코드를 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
Azure Machine Learning Python SDK v2를 사용하여 이미지 분류 모델을 학습시키는 파이프라인 구성 요소를 정의하려고 합니다. 구성 요소의 실행 로직은 modeljrain.py 파일의 train() 함수에 포함되어 있습니다.
필요한 모든 라이브러리를 가져오는 코드를 작성하고, 해당 코드를 model_train.py가 있는 동일한 폴더에 train_component.py라는 이름으로 저장합니다.
train_component.py 파일의 나머지 코드를 완성해야 합니다.
코드를 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
DP-100-KR 문제 77
Azure Machine Learning 작업 영역을 관리합니다.
MLflow를 사용하여 여러 메트릭을 기록해야 합니다.
로깅 성능을 극대화해야 합니다.
이 목표를 달성할 수 있는 두 가지 방법은 무엇입니까? 각 정답은 완전한 해결책을 제시합니다.
참고: 정답 하나당 1점입니다.
MLflow를 사용하여 여러 메트릭을 기록해야 합니다.
로깅 성능을 극대화해야 합니다.
이 목표를 달성할 수 있는 두 가지 방법은 무엇입니까? 각 정답은 완전한 해결책을 제시합니다.
참고: 정답 하나당 1점입니다.
DP-100-KR 문제 78
Azure Machine Learning 디자이너를 사용하여 머신 러닝 솔루션을 개발하고 있습니다.
애플리케이션이 데이터 특징 값을 제출하고 예측된 레이블을 검색할 수 있는 웹 서비스를 만들어야 합니다.
어떤 세 가지 행동을 순서대로 수행해야 할까요? 정답을 선택하려면, 행동 목록에서 적절한 행동을 골라 답란에 옮겨 올바른 순서대로 배열하세요.
애플리케이션이 데이터 특징 값을 제출하고 예측된 레이블을 검색할 수 있는 웹 서비스를 만들어야 합니다.
어떤 세 가지 행동을 순서대로 수행해야 할까요? 정답을 선택하려면, 행동 목록에서 적절한 행동을 골라 답란에 옮겨 올바른 순서대로 배열하세요.
DP-100-KR 문제 79
Azure Machine Learning 작업 영역이 있습니다.
모델을 학습시킬 때 모델의 하이퍼파라미터를 조정할 계획입니다.
정규 분포 값을 반환하는 검색 공간을 정의해야 합니다.
어떤 매개변수를 사용해야 할까요?
모델을 학습시킬 때 모델의 하이퍼파라미터를 조정할 계획입니다.
정규 분포 값을 반환하는 검색 공간을 정의해야 합니다.
어떤 매개변수를 사용해야 할까요?
DP-100-KR 문제 80
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.
Azure Machine Learning을 사용하여 분류 모델을 학습시키는 실험을 실행하고 있습니다.
Hyperdrive를 사용하여 모델의 AUC 지표를 최적화하는 매개변수를 찾으려고 합니다. 다음 코드를 실행하여 실험에 대한 HyperDriveConfig를 구성합니다.
이 설정을 사용하여 랜덤 포레스트 모델을 학습시키고 검증 데이터로 테스트하는 스크립트를 실행할 계획입니다. 검증 데이터의 레이블 값은 y_test 변수에 저장되고, 모델에서 예측된 확률은 y_predicted 변수에 저장됩니다.
Hyperdrive가 AUC 지표에 맞춰 하이퍼파라미터를 최적화할 수 있도록 스크립트에 로깅 기능을 추가해야 합니다.
해결 방법: 다음 코드를 실행하세요.
이 해결책은 목표를 달성합니까?
이 섹션에서 질문에 답변한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이 질문들은 검토 화면에 나타나지 않습니다.
Azure Machine Learning을 사용하여 분류 모델을 학습시키는 실험을 실행하고 있습니다.
Hyperdrive를 사용하여 모델의 AUC 지표를 최적화하는 매개변수를 찾으려고 합니다. 다음 코드를 실행하여 실험에 대한 HyperDriveConfig를 구성합니다.
이 설정을 사용하여 랜덤 포레스트 모델을 학습시키고 검증 데이터로 테스트하는 스크립트를 실행할 계획입니다. 검증 데이터의 레이블 값은 y_test 변수에 저장되고, 모델에서 예측된 확률은 y_predicted 변수에 저장됩니다.
Hyperdrive가 AUC 지표에 맞춰 하이퍼파라미터를 최적화할 수 있도록 스크립트에 로깅 기능을 추가해야 합니다.
해결 방법: 다음 코드를 실행하세요.
이 해결책은 목표를 달성합니까?