Azure Machine Learning 디자이너를 사용하여 학습 파이프라인을 만듭니다. 모델을 교육하려는 데이터가 포함된 CSV 파일을 업로드합니다.
디자이너를 사용하여 다음 작업을 수행하는 단계가 포함된 파이프라인을 생성해야 합니다.
pandas 필터 방법을 사용하여 학습 기능을 선택합니다.
naive_bayes.GaussianNB 알고리즘을 기반으로 모델을 훈련합니다.
쿼리 SELECT [Scored Labels] FROM t1을 사용하여 Scored Labels 열만 반환합니다. 어떤 모듈을 사용해야 합니까? 응답하려면 적절한 모듈을 적절한 위치로 드래그하십시오. 각 모듈 이름은 한 번, 여러 번 사용하거나 전혀 사용하지 않을 수 있습니다. 콘텐츠를 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수 있습니다.
참고: 각 올바른 선택은 1점의 가치가 있습니다.

모델 적합 문제를 수정해야 합니다.
어떤 세 가지 작업을 순서대로 수행해야 합니까? 응답하려면 작업 목록에서 해당 작업을 응답 영역으로 이동하고 올바른 순서로 정렬하십시오.

당신은 고양이와 개를 식별하기 위해 딥 러닝 모델을 짝짓기하고 있습니다. 25,000개의 컬러 이미지가 있습니다.
다음 요구 사항을 충족해야 합니다.
* 교육 에포크 수를 줄입니다.
* 신경망의 크기를 줄입니다.
* 신경망의 과적합을 줄입니다.
이미지 수정 값을 선택해야 합니다.
어떤 값을 사용해야 합니까? 대답하려면 대답 영역에서 적절한 옵션을 선택하십시오.
참고: 각 올바른 선택은 1점의 가치가 있습니다.

자동차 가격 데이터 a를 포함하는 Azure Machine Learning 데이터 세트를 만듭니다. 데이터 세트에는 10,000개의 행과 10개의 열이 포함되어 있습니다. Azure Machine Learning 디자이너를 사용하여 Python 스크립트 실행 구성 요소 및 사용자 지정 코드를 사용하여 데이터 세트를 변환합니다.
코드는 세 개의 열을 결합하여 새 열을 생성해야 합니다.
코드 기능을 구성해야 합니다.
어떤 구성을 사용해야 합니까? 대답하려면 대답 영역에서 적절한 옵션을 선택하십시오.
참고: 각 올바른 선택은 1점의 가치가 있습니다.

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.
학생의 교육 기간, 학위 유형 및 예술 형식과 같은 변수에 따라 학생 작품의 가격을 예측하는 모델을 생성하고 있습니다.
선형 회귀 모델을 만드는 것으로 시작합니다.
선형 회귀 모델을 평가해야 합니다.
솔루션: 정확도, 정밀도, 재현율, F1 점수 및 AUC 메트릭을 사용합니다.
솔루션이 목표를 충족합니까?