무료 온라인 액세스 Microsoft.DP-100.v2023-09-25.q323 모의 시험 (Page 21)

DP-100 문제 96

군중 감정 모델에 대한 평가 전략을 정의해야 합니다.
어떤 세 가지 작업을 순서대로 수행해야 합니까? 응답하려면 작업 목록에서 해당 작업을 응답 영역으로 이동하고 올바른 순서로 정렬하십시오.

DP-100 문제 97

다음 코드를 사용하여 Azure Machine Learning에서 실험으로 스크립트를 실행합니다.

실험 실행으로 생성된 출력 파일을 식별해야 합니다.
출력 파일 이름을 검색하려면 코드를 추가해야 합니다.
어떤 코드 세그먼트를 스크립트에 추가해야 합니까?

A. 파일 = run.get_properties()

B. 파일= run.get_file_names()

C. 파일 = run.get_details_with_logs()

D. 파일 = run.get_metrics()

E. 파일 = run.get_details()

DP-100 문제 98

분류 작업을 해결하고 있습니다.
k-폴드 교차 검증을 사용하여 제한된 데이터 샘플에서 모델을 평가해야 합니다. ak 매개변수를 분할 수로 구성하여 시작합니다.
교차 검증을 위해 k 매개변수를 구성해야 합니다.
어떤 값을 사용해야 합니까?

A. k=0.5

B. k=0.01

C. k=5

D. k=1

정답: C

LOO(Leave One Out) 교차 검증
K = n(관찰 수)을 설정하면 n-폴드가 생성되며 K-폴드 접근 방식의 특별한 경우인 LOO(leave-one out cross-validation)라고 합니다.
LOO CV는 때때로 유용하지만 일반적으로 데이터를 충분히 흔들지 않습니다. 각 폴드의 추정치는 높은 상관관계가 있으므로 평균값의 분산이 높을 수 있습니다.
이것이 일반적인 선택이 K=5 또는 10인 이유입니다. 편향-분산 트레이드오프에 대한 좋은 절충안을 제공합니다.
기능 엔지니어링 수행
테스트렛 1
사례 연구
개요
당신은 프로 스포츠 이벤트에 데이터 사이언스를 제공하는 회사의 데이터 사이언티스트입니다. 모델은 글로벌 및 로컬 시장 데이터를 사용하여 다음 비즈니스 목표를 달성합니다.
* 군중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.
* 광고에 반응하는 사용자의 성향을 평가합니다.
* 휴대기기에 게재되는 광고 스타일을 맞춤설정하세요.
* 비디오를 사용하여 페널티 이벤트 감지
현재 환경
* 페널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공됩니다. 미디어에는 스포츠 경기 중에 캡처되고 소셜 미디어를 사용하여 공유되는 이미지와 비디오가 포함될 수 있습니다. 이미지와 동영상의 크기와 형식은 다양합니다.
* 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 캡처된 관련 소셜 미디어 피드의 로그.
* 군중 감정에는 이벤트 참석자가 모노 및 스테레오 형식으로 제출한 오디오 녹음이 포함됩니다.
페널티 감지 및 정서
* 데이터 과학자는 페널티 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 할당과 함께 Spark 인스턴스를 사용하여 재훈련하려면 노트북을 배포해야 합니다.
* 데이터 소스만 다시 코딩하려면 새 Spark 인스턴스에서 동일한 코드로 노트북을 실행해야 합니다.
* 전역 페널티 감지 모델은 학습 중에 동적 런타임 그래프 계산을 사용하여 학습해야 합니다.
* 로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
* 로컬 군중 정서 모델에 대한 실험은 로컬 페널티 감지 데이터를 결합해야 합니다.
* 군중 정서 모델은 환호 및 알려진 캐치 프레이즈와 같은 알려진 소리를 식별해야 합니다. 개별 군중 감정 모델은 유사한 소리를 감지합니다.
* 로컬 모델에 대한 모든 공유 기능은 연속 변수입니다.
* 공유 기능은 배정밀도를 사용해야 합니다. 후속 레이어에는 사용 가능한 누적 평균 및 표준 편차 메트릭이 있어야 합니다.
광고
생산 초기 몇 주 동안 다음 사항이 관찰되었습니다.
* 광고 반응 평가가 거부되었습니다.
* 하락은 광고 스타일에 따라 일관되지 않았습니다.
* 교육 및 생산 데이터에 걸친 기능 분포가 일관되지 않음 분석에 따르면 사용자 위치 및 행동에 대한 100개의 숫자 기능 중 위치 소스에서 제공되는 47개의 기능이 원시 기능으로 사용되고 있습니다. 바이어스 및 분산 문제를 해결하기 위해 제안된 실험은 10개의 선형 상관관계가 없는 기능을 엔지니어링하는 것입니다.
* 초기 데이터 검색은 군중 감정 모델에 사용되는 훈련 데이터에서 대상 상태의 광범위한 밀도를 보여줍니다.
* 모든 페널티 감지 모델은 SGD(Stochastic Gradient Descent)를 사용하는 추론 단계가 너무 느리게 실행됨을 보여줍니다.
* 오디오 샘플은 캐치 프레이즈의 길이가 지역에 따라 25%-47% 사이임을 보여줍니다.
* 전역 페널티 감지 모델의 성능은 훈련 세트와 검증 세트를 비교할 때 분산은 낮지만 편향은 더 높습니다. 기능 변경을 구현하기 전에 모든 교육 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.
* 광고 응답 모델은 각 이벤트 시작 시 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
* 시장 세분화 모델은 유사한 광고 응답 기록에 최적화되어야 합니다.
* 샘플링은 동일한 기능을 공유하는 로컬 및 글로벌 세분화 모델 간에 독점적으로 상호 및 집단을 보장해야 합니다.
* 사용자의 광고 반응 성향을 판단하기 전에는 지역 시장 세분화 모델이 적용됩니다.
* 광고 응답 모델은 기능의 비선형 경계를 지원해야 합니다.
* 광고 성향 모델은 컷 임계값을 0.45로 사용하고 가중 Kappa가
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 요소 시나리오의 성능 곡선은 다음 다이어그램에 표시됩니다.

DP-100 문제 99

주가를 예측하기 위해 기계 학습 모델을 구현하고 있습니다.
이 모델은 PostgreSQL 데이터베이스를 사용하며 GPU 처리가 필요합니다.
필요한 도구로 사전 구성된 가상 머신을 생성해야 합니다.
어떻게 해야 합니까?

A. DSVM(Data Science Virtual Machine) Linux 버전을 만듭니다.
오답:
A, C: PostgreSQL(CentOS)은 Linux 에디션에서만 사용할 수 있습니다.
B: Azure Geo-DSVM(Azure Geo AI 데이터 과학 VM)은 Microsoft의 데이터 과학 VM에서 지리 공간적 분석 기능을 제공합니다. 특히 이 VM은 시장을 선도하는 ESRI의 ArcGIS Pro 지리 정보 시스템을 추가하여 Data Science VM의 AI 및 데이터 과학 툴킷을 확장합니다.
D: DLVM은 DSVM 이미지 위에 있는 템플릿입니다. 패키지 측면에서 GPU 드라이버 등은 모두 DSVM 이미지에 있습니다. 대부분 Azure의 GPU VM 인스턴스에서만 DLVM을 생성하도록 허용하는 생성 중 편의를 위한 것입니다.
참조:
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/overview

B. DLVM(Deep Learning Virtual Machine) Windows 에디션을 만듭니다.

C. Geo-DSVM(Geo Al Data Science Virtual Machine) Windows 에디션을 만듭니다.

D. DSVM(Data Science Virtual Machine) Windows 에디션을 생성합니다.

E. DLVM(Deep Learning Virtual Machine) Linux 에디션을 만듭니다.

DP-100 문제 100

로컬 페널티 감지 데이터에 대한 조정 전략을 구현해야 합니다.
어떤 정규화 유형을 사용해야 합니까?

A. 스트리밍

B. 무게

C. 배치

D. 코사인

정답: C

설명
Post Batch Normalization Statistics(PBN)는 Microsoft Cognitive Toolkit(CNTK) 버전으로 원본 논문 유추에 사용할 수 있는 Batch Normalization의 모집단 평균 및 분산을 평가하는 방법입니다.
CNTK에서 사용자 지정 네트워크는 BrainScriptNetworkBuilder를 사용하여 정의되고 CNTK 네트워크 설명 언어 "BrainScript"로 설명됩니다. 대본:
로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
참조:
https://docs.microsoft.com/en-us/cognitive-toolkit/post-batch-normalization-statistics
주제 1, 사례 연구 1
개요
당신은 프로 스포츠 이벤트에 데이터 사이언스를 제공하는 회사의 데이터 사이언티스트입니다. 모델은 다음과 같은 비즈니스 목표를 충족하기 위한 글로벌 및 로컬 시장 데이터입니다.
*관중 반응의 오디오를 기반으로 스포츠 이벤트에서 모바일 장치 사용자의 감정을 이해합니다.
*광고에 대한 사용자의 반응 경향에 액세스합니다.
*휴대기기에 게재되는 광고 스타일을 맞춤설정합니다.
*비디오를 사용하여 페널티 이벤트를 감지합니다.
현재 환경
요구 사항
* 페널티 이벤트 감지에 사용되는 미디어는 소비자 기기에서 제공됩니다. 미디어에는 스포츠 경기 중에 캡처되고 소셜 미디어를 사용하여 캡처된 이미지와 비디오가 포함될 수 있습니다. 이미지와 동영상의 크기와 형식은 다양합니다.
* 모델 구축에 사용할 수 있는 데이터는 7년 간의 스포츠 이벤트 미디어로 구성됩니다. 스포츠 이벤트 미디어에는 녹화된 비디오, 라디오 해설의 녹취록, 관련 소셜 미디어 피드의 로그, 스포츠 이벤트 중에 캡처된 피드가 포함됩니다.
*군중 감정에는 이벤트 참석자가 모노 및 스테레오 형식으로 제출한 오디오 녹음이 포함됩니다.
광고
* 광고 응답 모델은 각 이벤트 시작 시 학습되고 스포츠 이벤트 중에 적용되어야 합니다.
* 시장 세분화 nxxxl은 유사한 광고 resporr.r 기록을 위해 최적화해야 합니다.
* 샘플링은 동일한 기능을 공유하는 로컬 및 글로벌 분할 모델의 상호 및 집합적 배타성을 보장해야 합니다.
* 사용자의 광고 반응 성향을 판단하기 전에는 지역 시장 세분화 모델이 적용됩니다.
* 데이터 과학자는 모델 저하 및 붕괴를 감지할 수 있어야 합니다.
* 광고 응답 모델은 비선형 경계 기능을 지원해야 합니다.
* 광고 성향 모델은 컷 임계값을 0.45로 사용하고 가중 Kappa가 0.1에서 벗어나면 재훈련이 발생합니다.
+/-5%.
* 광고 성향 모델은 다음 다이어그램에 표시된 비용 요소를 사용합니다.

광고 성향 모델은 다음 다이어그램에 표시된 제안된 비용 요소를 사용합니다.

현재 및 제안된 비용 요소 시나리오의 성능 곡선은 다음 다이어그램에 표시됩니다.

페널티 감지 및 정서
결과
*데이터 과학자는 페널티 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 할당과 함께 Spark 인스턴스를 사용하여 재훈련하려면 노트북을 배포해야 합니다.
*노트북은 데이터 소스만 다시 코딩하려면 새 Spark 인스턴스에서 동일한 코드로 실행해야 합니다.
*글로벌 페널티 감지 모델은 학습 중에 동적 런타임 그래프 계산을 사용하여 학습해야 합니다.
*로컬 페널티 감지 모델은 BrainScript를 사용하여 작성해야 합니다.
* 로컬 군중 정서 모델에 대한 실험은 로컬 페널티 감지 데이터를 결합해야 합니다.
* 군중 정서 모델은 환호 및 알려진 캐치 프레이즈와 같은 알려진 소리를 식별해야 합니다. 개별 군중 감정 모델은 유사한 소리를 감지합니다.
* 로컬 모델에 대한 모든 공유 기능은 연속 변수입니다.
* 공유 기능은 배정밀도를 사용해야 합니다. 후속 레이어에는 집계 누계 평균 및 표준 편차 메트릭이 있어야 합니다.
세그먼트
생산 초기 몇 주 동안 다음 사항이 관찰되었습니다.
*광고 응답률이 감소했습니다.
*드롭은 광고 스타일에 따라 일관되지 않았습니다.
*교육 및 프로덕션 데이터의 기능 분포가 일관되지 않습니다.
분석에 따르면 사용자 위치 및 행동에 대한 100개의 숫자 기능 중 위치 소스에서 제공되는 47개의 기능이 원시 기능으로 사용되고 있습니다. 바이어스 및 분산 문제를 해결하기 위해 제안된 실험은 10개의 선형 보정되지 않은 기능을 엔지니어링하는 것입니다.
페널티 감지 및 정서
*초기 데이터 검색은 군중 정서 모델에 사용되는 훈련 데이터에서 대상 상태의 광범위한 밀도를 보여줍니다.
*모든 페널티 감지 모델은 SGD(Stochastic Gradient Descent)를 사용하는 추론 단계가 너무 스토우 실행되고 있음을 보여줍니다.
*오디오 샘플은 캐치 프레이즈의 길이가 지역에 따라 25%-47% 사이임을 보여줍니다.
*글로벌 페널티 감지 모델의 성능은 훈련 세트와 검증 세트를 비교할 때 분산은 낮지만 편향은 더 높습니다. 기능 변경을 구현하기 전에 모든 교육 및 검증 사례를 사용하여 편향과 분산을 확인해야 합니다.