DP-100 문제 191
Azure에서 Windows 및 Linux용 DSVM(데이터 과학 가상 머신)을 사용합니다.
DSVM에 액세스해야 합니다.
어떤 유틸리티를 사용해야 합니까? 대답하려면 대답 영역에서 적절한 옵션을 선택하십시오.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
DSVM에 액세스해야 합니다.
어떤 유틸리티를 사용해야 합니까? 대답하려면 대답 영역에서 적절한 옵션을 선택하십시오.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
DP-100 문제 192
Azure Machine Learning 서비스를 사용하는 데이터 과학 작업 영역을 개발하고 있습니다.
작업 영역을 배포하려면 컴퓨팅 대상을 선택해야 합니다.
무엇을 사용해야 합니까?
작업 영역을 배포하려면 컴퓨팅 대상을 선택해야 합니다.
무엇을 사용해야 합니까?
DP-100 문제 193
디자이너에서 파이프라인을 생성하여 자동차 가격을 예측하는 모델을 교육합니다.
데이터의 비선형 관계로 인해 파이프라인은 교육 데이터 가격의 자연 로그(Ln)를 계산하고 모델을 교육하여 이 가격 값의 자연 로그를 예측한 다음 점수가 매겨진 레이블의 지수를 계산하여 다음을 얻습니다. 예상 가격.
교육 파이프라인은 전시회에 표시됩니다. (학습 파이프라인 탭을 클릭합니다.) 학습 파이프라인
전시회에 표시된 대로 학습 파이프라인에서 실시간 추론 파이프라인을 생성합니다. (실시간 파이프라인 탭을 클릭합니다.) 실시간 파이프라인
웹 서비스가 예상 자동차 가격으로 스코어링된 레이블의 지수를 반환하고 클라이언트 애플리케이션이 입력 값에 가격 값을 포함하지 않아도 되도록 유추 파이프라인을 수정해야 합니다.
추론 파이프라인에서 수정해야 하는 세 가지 사항은 무엇인가요? 각 정답은 솔루션의 일부를 나타냅니다.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
데이터의 비선형 관계로 인해 파이프라인은 교육 데이터 가격의 자연 로그(Ln)를 계산하고 모델을 교육하여 이 가격 값의 자연 로그를 예측한 다음 점수가 매겨진 레이블의 지수를 계산하여 다음을 얻습니다. 예상 가격.
교육 파이프라인은 전시회에 표시됩니다. (학습 파이프라인 탭을 클릭합니다.) 학습 파이프라인
전시회에 표시된 대로 학습 파이프라인에서 실시간 추론 파이프라인을 생성합니다. (실시간 파이프라인 탭을 클릭합니다.) 실시간 파이프라인
웹 서비스가 예상 자동차 가격으로 스코어링된 레이블의 지수를 반환하고 클라이언트 애플리케이션이 입력 값에 가격 값을 포함하지 않아도 되도록 유추 파이프라인을 수정해야 합니다.
추론 파이프라인에서 수정해야 하는 세 가지 사항은 무엇인가요? 각 정답은 솔루션의 일부를 나타냅니다.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
DP-100 문제 194
Azure Machine Learning Studio에서 새 실험을 만들고 있습니다. 많은 열에 누락된 값이 있는 작은 데이터 세트가 있습니다. 데이터에는 각 열에 대한 예측 변수를 적용할 필요가 없습니다. 누락 데이터 정리를 사용할 계획입니다.
데이터 정리 방법을 선택해야 합니다.
어떤 방법을 사용해야 합니까?
데이터 정리 방법을 선택해야 합니다.
어떤 방법을 사용해야 합니까?
DP-100 문제 195
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 하나 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.
귀하는 Azure Machine Learning Studio를 사용하는 데이터 과학자입니다.
출력 열을 저장소로 생성하여 대상 열을 예측하려면 값을 정규화해야 합니다.
솔루션: QuantileIndex 정규화와 함께 Quantiles 정규화를 적용합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
귀하는 Azure Machine Learning Studio를 사용하는 데이터 과학자입니다.
출력 열을 저장소로 생성하여 대상 열을 예측하려면 값을 정규화해야 합니다.
솔루션: QuantileIndex 정규화와 함께 Quantiles 정규화를 적용합니다.
솔루션이 목표를 충족합니까?