DP-100-KR 문제 186
당신은 Azure AI Foundry 프로젝트를 관리하고 있습니다.
RAG 솔루션을 구축할 계획입니다. 솔루션에는 두 가지 모델이 포함되어야 합니다.
* 텍스트 출력용 모델 1이 하나 있습니다. 이 모델은 인간의 언어와 유사해야 하며 자연스럽게 읽혀야 합니다.
* 임베딩 생성을 위한 모델 하나는 Model2입니다. 이 모델은 관련성 높은 결과 검색(높은 재현율)을 극대화해야 합니다. 벤치마킹 지표를 사용하여 여러 모델을 비교하고 Model1과 Model2에 적합한 모델을 선택해야 합니다.
RAG 솔루션을 구축할 계획입니다. 솔루션에는 두 가지 모델이 포함되어야 합니다.
* 텍스트 출력용 모델 1이 하나 있습니다. 이 모델은 인간의 언어와 유사해야 하며 자연스럽게 읽혀야 합니다.
* 임베딩 생성을 위한 모델 하나는 Model2입니다. 이 모델은 관련성 높은 결과 검색(높은 재현율)을 극대화해야 합니다. 벤치마킹 지표를 사용하여 여러 모델을 비교하고 Model1과 Model2에 적합한 모델을 선택해야 합니다.
DP-100-KR 문제 187
레이블이 지정된 이미지 세트를 사용하는 다중 클래스 이미지 분류 딥러닝 모델을 생성합니다. PyTorch 1.3 프레임워크를 사용하여 모델을 학습시키는 train.py라는 스크립트 파일을 생성합니다.
추정 도구를 사용하여 스크립트를 실행해야 합니다. 추정 도구 실행을 위해 추가적인 Python 라이브러리를 설치할 필요가 없어야 합니다. 모델 학습에 필요한 시간은 최소화해야 합니다.
스크립트를 실행하는 데 사용할 추정기를 정의해야 합니다.
어떤 유형의 견적 도구를 사용해야 할까요?
추정 도구를 사용하여 스크립트를 실행해야 합니다. 추정 도구 실행을 위해 추가적인 Python 라이브러리를 설치할 필요가 없어야 합니다. 모델 학습에 필요한 시간은 최소화해야 합니다.
스크립트를 실행하는 데 사용할 추정기를 정의해야 합니다.
어떤 유형의 견적 도구를 사용해야 할까요?
DP-100-KR 문제 188
당신은 Azure AI Foundry 프로젝트를 관리합니다. 기본 모델을 세부적으로 조정합니다.
평가 과정에서 모델이 과적합되어 응답이 매우 다양하게 나타나는 것을 확인했습니다. 미세 조정된 모델을 개선해야 합니다.
어떤 하이퍼파라미터를 사용해야 할까요? 정답을 맞추려면 적절한 하이퍼파라미터를 해당 요구사항으로 이동시키세요. 각 하이퍼파라미터는 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 내용을 보려면 창 사이의 분할 막대를 이동하거나 스크롤해야 할 수도 있습니다. 참고: 정답 하나당 1점입니다.
평가 과정에서 모델이 과적합되어 응답이 매우 다양하게 나타나는 것을 확인했습니다. 미세 조정된 모델을 개선해야 합니다.
어떤 하이퍼파라미터를 사용해야 할까요? 정답을 맞추려면 적절한 하이퍼파라미터를 해당 요구사항으로 이동시키세요. 각 하이퍼파라미터는 한 번, 여러 번 또는 전혀 사용하지 않을 수 있습니다. 내용을 보려면 창 사이의 분할 막대를 이동하거나 스크롤해야 할 수도 있습니다. 참고: 정답 하나당 1점입니다.
DP-100-KR 문제 189
Azure Machine Learning 작업 영역에서 자동화된 머신 러닝 실험을 실행합니다. 실행에 대한 정보는 아래 표에 나와 있습니다.
Azure Machine Learning SDK를 사용하여 실험 실행 결과 중 최적의 버전을 가져오는 스크립트를 작성해야 합니다. 어떤 Python 코드 조각을 사용해야 할까요?
Azure Machine Learning SDK를 사용하여 실험 실행 결과 중 최적의 버전을 가져오는 스크립트를 작성해야 합니다. 어떤 Python 코드 조각을 사용해야 할까요?
DP-100-KR 문제 190
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
데이터셋1
데이터셋2
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
입력 데이터셋과 동일한 열과 헤더 행을 가지면서 두 입력 데이터셋의 모든 행을 포함하는 데이터셋을 생성해야 합니다.
해결 방법: 데이터 결합 구성 요소를 사용하십시오.
이 해결책은 목표를 달성합니까?
데이터셋1
데이터셋2
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
입력 데이터셋과 동일한 열과 헤더 행을 가지면서 두 입력 데이터셋의 모든 행을 포함하는 데이터셋을 생성해야 합니다.
해결 방법: 데이터 결합 구성 요소를 사용하십시오.
이 해결책은 목표를 달성합니까?