DP-100 문제 216
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.
학생의 교육 기간, 학위 유형 및 예술 형식과 같은 변수에 따라 학생의 작품 가격을 예측하는 모델을 만들고 있습니다.
선형 회귀 모델을 만드는 것으로 시작합니다.
선형 회귀 모델을 평가해야 합니다.
솔루션: 정확도, 정밀도, 재현율, F1 점수 및 AUC와 같은 메트릭을 사용합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
학생의 교육 기간, 학위 유형 및 예술 형식과 같은 변수에 따라 학생의 작품 가격을 예측하는 모델을 만들고 있습니다.
선형 회귀 모델을 만드는 것으로 시작합니다.
선형 회귀 모델을 평가해야 합니다.
솔루션: 정확도, 정밀도, 재현율, F1 점수 및 AUC와 같은 메트릭을 사용합니다.
솔루션이 목표를 충족합니까?
DP-100 문제 217
의사 결정 트리 알고리즘을 사용하여 분류 모델을 훈련합니다.
다음 Python 코드를 실행하여 추정기를 생성합니다. feature_names 변수는 모든 기능 이름의 목록이고 class_names는 모든 클래스 이름의 목록입니다.
interpret.ext.blackbox에서 가져오기 TabularExplainer
모든 기능의 중요도를 결정하여 모든 클래스에 대해 모델이 만든 예측을 설명해야 합니다.
다음 각 문에 대해 해당 문이 참이면 예를 선택합니다. 그렇지 않으면 아니요를 선택합니다.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
다음 Python 코드를 실행하여 추정기를 생성합니다. feature_names 변수는 모든 기능 이름의 목록이고 class_names는 모든 클래스 이름의 목록입니다.
interpret.ext.blackbox에서 가져오기 TabularExplainer
모든 기능의 중요도를 결정하여 모든 클래스에 대해 모델이 만든 예측을 설명해야 합니다.
다음 각 문에 대해 해당 문이 참이면 예를 선택합니다. 그렇지 않으면 아니요를 선택합니다.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
DP-100 문제 218
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 Learning을 사용하여 분류 모델을 훈련시키는 실험을 실행하고 있습니다.
Hyperdrive를 사용하여 모델의 AUC 메트릭을 최적화하는 매개변수를 찾고 싶습니다. 다음 코드를 실행하여 실험에 대한 HyperDriveConfig를 구성합니다.
이 구성을 사용하여 임의 포리스트 모델을 훈련시킨 다음 유효성 검사 데이터로 테스트하는 스크립트를 실행할 계획입니다. 검증 데이터의 레이블 값은 y_test 변수라는 변수에 저장되고 모델의 예측 확률은 y_predicted라는 변수에 저장됩니다.
Hyperdrive가 AUC 메트릭에 대한 하이퍼파라미터를 최적화할 수 있도록 스크립트에 로깅을 추가해야 합니다. 솔루션: 다음 코드를 실행합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning을 사용하여 분류 모델을 훈련시키는 실험을 실행하고 있습니다.
Hyperdrive를 사용하여 모델의 AUC 메트릭을 최적화하는 매개변수를 찾고 싶습니다. 다음 코드를 실행하여 실험에 대한 HyperDriveConfig를 구성합니다.
이 구성을 사용하여 임의 포리스트 모델을 훈련시킨 다음 유효성 검사 데이터로 테스트하는 스크립트를 실행할 계획입니다. 검증 데이터의 레이블 값은 y_test 변수라는 변수에 저장되고 모델의 예측 확률은 y_predicted라는 변수에 저장됩니다.
Hyperdrive가 AUC 메트릭에 대한 하이퍼파라미터를 최적화할 수 있도록 스크립트에 로깅을 추가해야 합니다. 솔루션: 다음 코드를 실행합니다.
솔루션이 목표를 충족합니까?
DP-100 문제 219
팀 데이터 과학 환경을 구축할 계획입니다. 기계 학습 파이프라인의 학습 모델 데이터는 크기가 20GB를 초과합니다.
다음 요구 사항이 있습니다.
* 모델은 Caffe2 또는 Chainer 프레임워크를 사용하여 빌드해야 합니다.
* 데이터 과학자는 데이터 과학 환경을 사용하여 머신 러닝 파이프라인을 구축하고 연결된 장치와 디스코에서 개인 장치의 모델을 훈련할 수 있어야 합니다. 되지 않은 네트워크 환경 모두에서 기계 학습 파이프라인을 구축하고 개인 장치에서 모델을 훈련할 수 있어야 합니다.
* 개인 장치는 네트워크에 연결될 때 기계 학습 파이프라인 업데이트를 지원해야 합니다.
데이터 과학 환경을 선택해야 합니다.
어떤 환경을 사용해야 합니까?
다음 요구 사항이 있습니다.
* 모델은 Caffe2 또는 Chainer 프레임워크를 사용하여 빌드해야 합니다.
* 데이터 과학자는 데이터 과학 환경을 사용하여 머신 러닝 파이프라인을 구축하고 연결된 장치와 디스코에서 개인 장치의 모델을 훈련할 수 있어야 합니다. 되지 않은 네트워크 환경 모두에서 기계 학습 파이프라인을 구축하고 개인 장치에서 모델을 훈련할 수 있어야 합니다.
* 개인 장치는 네트워크에 연결될 때 기계 학습 파이프라인 업데이트를 지원해야 합니다.
데이터 과학 환경을 선택해야 합니다.
어떤 환경을 사용해야 합니까?
DP-100 문제 220
군중 감정 모델에 대한 평가 전략을 정의해야 합니다.
어떤 세 가지 작업을 순서대로 수행해야 합니까? 응답하려면 조치 목록에서 해당 조치를 응답 영역으로 이동하고 올바른 순서로 정렬하십시오.
어떤 세 가지 작업을 순서대로 수행해야 합니까? 응답하려면 조치 목록에서 해당 조치를 응답 영역으로 이동하고 올바른 순서로 정렬하십시오.
