무료 온라인 액세스 Microsoft.DP-100.v2022-01-18.q134 모의 시험 (Page 9)

DP-100 문제 36

이상값이 Age 열에 있는지 여부를 시각적으로 식별하고 이상값을 제거하기 전에 이상값을 수량화해야 합니다.
어떤 세 가지 Azure Machine Learning Studio 모듈을 순서대로 사용해야 하나요? 답변하려면 모듈 목록에서 해당 모듈을 답변 영역으로 이동하고 올바른 순서로 정렬합니다.

DP-100 문제 37

귀하의 팀은 데이터 엔지니어링 및 데이터 과학 개발 환경을 구축하고 있습니다.
환경은 다음 요구 사항을 지원해야 합니다.
* 파이썬과 스칼라 지원
* 데이터 저장, 이동 및 처리 서비스를 자동화된 데이터 파이프라인으로 구성
* 데이터 엔지니어링과 데이터 과학의 오케스트레이션에 동일한 도구를 사용해야 합니다.
* 워크로드 격리 및 대화형 워크로드 지원
* 머신 클러스터에서 확장 가능
환경을 조성해야 합니다.
당신은 무엇을 해야 합니까?

A. HDInsight용 Apache Hive에서 환경을 구축하고 오케스트레이션을 위해 Azure Data Factory를 사용합니다.

B. Azure Databricks에서 환경을 구축하고 오케스트레이션을 위해 Azure Data Factory를 사용합니다.

C. HDInsight용 Apache Spark에서 환경을 구축하고 오케스트레이션을 위해 Azure Container Instances를 사용합니다.

D. Azure Databricks에서 환경을 구축하고 오케스트레이션을 위해 Azure Container Instances를 사용합니다.

DP-100 문제 38

참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 둘 이상의 올바른 솔루션이 있을 수 있지만 다른 질문 세트에는 올바른 솔루션이 없을 수 있습니다.
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
과거 데이터를 기반으로 기상 조건을 예측하는 모델을 생성합니다.
데이터 저장소에서 데이터를 로드하고 처리된 데이터를 기계 학습 모델 학습 스크립트로 전달하기 위해 처리 스크립트를 실행하는 파이프라인을 생성해야 합니다.
솔루션: 다음 코드를 실행합니다.

솔루션이 목표를 충족합니까?

A. 네

B. 아니요

DP-100 문제 39

기계 학습 모델을 만들고 있습니다. null 행이 포함된 데이터세트가 있습니다.
Azure Machine Learning Studio에서 누락된 데이터 정리 모듈을 사용하여 데이터 세트에서 null 및 누락된 데이터를 식별하고 해결해야 합니다.
어떤 매개변수를 사용해야 합니까?

A. 평균으로 대체

B. 전체 열 제거

C. 전체 행 제거

D. 핫 데크

정답: B

전체 행 제거: 데이터세트에서 누락된 값이 하나 이상 있는 모든 행을 완전히 제거합니다. 이는 결측값이 무작위로 결측된 것으로 간주될 수 있는 경우에 유용합니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data 기능 엔지니어링 테스트 수행 1 사례 연구 개요 데이터를 제공하는 회사의 데이터 과학자입니다. 프로 스포츠 경기를 위한 과학. 모델은 글로벌 및 현지 시장 데이터를 사용하여 다음 비즈니스 목표를 달성합니다.
* 군중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.
* 사용자가 광고에 반응하는 경향을 평가합니다.
* 휴대기기에 게재되는 광고 스타일을 맞춤설정합니다.
* 비디오를 사용하여 페널티 이벤트 감지
현재 환경
* 패널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공됩니다. 미디어에는 스포츠 경기 중 캡처하고 소셜 미디어를 사용하여 공유하는 이미지와 비디오가 포함될 수 있습니다. 이미지와 비디오는 다양한 크기와 형식을 갖습니다.
* 모델 구축에 사용할 수 있는 데이터는 7년 간의 스포츠 이벤트 미디어로 구성됩니다. 스포츠 이벤트 미디어에는 다음이 포함됩니다. 녹화된 비디오 대본 또는 라디오 해설, 스포츠 경기 중 캡처한 관련 소셜 미디어 피드의 로그.
* 군중 감정에는 이벤트 참석자가 모노 및 스테레오 형식으로 제출한 오디오 녹음이 포함됩니다.
페널티 감지 및 감정
* 데이터 과학자는 패널티 이벤트 감지를 위해 여러 기계 학습 모델을 사용하여 지능형 솔루션을 구축해야 합니다.
* 데이터 과학자는 기계 학습 파이프라인에서 자동 기능 엔지니어링 및 모델 구축을 사용하여 로컬 환경에서 노트북을 구축해야 합니다.
* 동적 작업자 할당이 있는 Spark 인스턴스를 사용하여 재교육하려면 노트북을 배포해야 합니다.
* 노트북은 데이터 소스만 다시 코딩하려면 새 Spark 인스턴스에서 동일한 코드로 실행해야 합니다.
* 글로벌 페널티 감지 모델은 훈련 중에 동적 런타임 그래프 계산을 사용하여 훈련해야 합니다.
* 로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
* 로컬 군중 감정 모델에 대한 실험은 로컬 페널티 감지 데이터를 결합해야 합니다.
* 군중 감정 모델은 환호 및 알려진 캐치 프레이즈와 같은 알려진 소리를 식별해야 합니다. 개별 군중 감정 모델은 유사한 소리를 감지합니다.
* 로컬 모델의 모든 공유 기능은 연속 변수입니다.
* 공유 기능은 배정밀도를 사용해야 합니다. 후속 레이어에는 사용 가능한 집계 실행 평균 및 표준 편차 메트릭이 있어야 합니다.
광고
생산 초기 몇 주 동안 다음 사항이 관찰되었습니다.
* 광고 응답 평가가 거부되었습니다.
* 드롭은 광고 스타일 전반에 걸쳐 일관되지 않았습니다.
* 교육 및 프로덕션 데이터 전반에 걸쳐 기능의 분포가 일관되지 않음 분석에 따르면 사용자 위치 및 행동에 대한 100개의 숫자 기능 중 위치 소스에서 가져온 47개의 기능이 원시 기능으로 사용되고 있습니다. 편향 및 분산 문제를 해결하기 위해 제안된 실험은 선형으로 상관되지 않은 10개의 기능을 엔지니어링하는 것입니다.
* 초기 데이터 검색은 군중 감정 모델에 사용되는 훈련 데이터에서 광범위한 대상 상태 밀도를 보여줍니다.
* 모든 패널티 감지 모델은 SGD(Stochastic Gradient Descent)를 사용하는 추론 단계가 너무 느리게 실행되고 있음을 보여줍니다.
* 오디오 샘플은 캐치프레이즈의 길이가 지역에 따라 25%-47%로 다양함을 보여줍니다.
* 글로벌 패널티 감지 모델의 성능은 훈련 세트와 검증 세트를 비교할 때 분산은 낮지만 편향은 더 높습니다. 기능 변경을 구현하기 전에 모든 훈련 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.
* 광고 응답 모델은 각 이벤트가 시작될 때 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
* 시장 세분화 모델은 유사한 광고 응답 기록에 대해 최적화되어야 합니다.
* 샘플링은 동일한 기능을 공유하는 로컬 및 글로벌 세분화 모델 간에 독점적으로 상호 및 집단을 보장해야 합니다.
* 사용자의 광고 반응 성향을 판단하기 전에 현지 시장 세분화 모델을 적용합니다.
* 광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
* 광고 성향 모델은 컷 임계값이 0.45이고 가중치 카파가
0.1 +/- 5%.
* 광고 성향 모델은 다음 다이어그램에 표시된 비용 요소를 사용합니다.

* 광고 성향 모델은 다음 다이어그램에 표시된 제안된 비용 요소를 사용합니다.

* 현재 및 제안된 비용 요인 시나리오의 성능 곡선은 다음 다이어그램에 나와 있습니다.

DP-100 문제 40

참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 둘 이상의 올바른 솔루션이 있을 수 있지만 다른 질문 세트에는 올바른 솔루션이 없을 수 있습니다.
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning Studio에서 새 실험을 만들고 있습니다.
한 클래스는 훈련 세트의 다른 클래스보다 훨씬 적은 수의 관측값을 갖습니다.
클래스 불균형을 보상하려면 적절한 데이터 샘플링 전략을 선택해야 합니다.
솔루션: PCA(주성분 분석) 샘플링 모드를 사용합니다.
솔루션이 목표를 충족합니까?

A. 네

B. 아니요

다른 버전: 863Microsoft.DP-100.v2026-08-11.q160; 3138Microsoft.DP-100.v2024-11-13.q443; 5017Microsoft.DP-100.v2024-05-29.q388; 2588Microsoft.DP-100.v2023-09-25.q323; 3190Microsoft.DP-100.v2022-12-19.q265; 3342Microsoft.DP-100.v2022-07-28.q224

최근 업로드: 122Oracle.1Z1-171.v2026-09-06.q38; 120SAP.C_S4TM.v2026-09-06.q71; 125Oracle.1Z0-1054-26.v2026-09-06.q65; 151Huawei.H12-831_V1.0.v2026-09-06.q231; 122Salesforce.Plat-Arch-205.v2026-09-06.q28; 126Salesforce.Plat-Arch-203.v2026-09-06.q90; 134Oracle.1Z0-1050-26.v2026-09-05.q19; 199Salesforce.Manufacturing-Cloud-Professional.v2026-09-05.q111; 218EXIN.ITILFND_V4.v2026-09-05.q129; 236Citrix.1Y0-312.v2026-09-05.q182