DP-100 문제 31
TensorFlow를 사용하여 딥 러닝 모델을 개발하고 있습니다. Azure Machine Learning 컴퓨팅 인스턴스에서 모델 학습 워크로드를 실행할 계획입니다.
CUDA 기반 모델 교육을 사용해야 합니다.
컴퓨팅 인스턴스를 프로비저닝해야 합니다.
어떤 두 가상 머신 크기를 사용할 수 있습니까? 응답하려면 응답 영역에서 적절한 가상 머신 크기를 선택하십시오.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
CUDA 기반 모델 교육을 사용해야 합니다.
컴퓨팅 인스턴스를 프로비저닝해야 합니다.
어떤 두 가상 머신 크기를 사용할 수 있습니까? 응답하려면 응답 영역에서 적절한 가상 머신 크기를 선택하십시오.
참고: 각 올바른 선택은 1점의 가치가 있습니다.
DP-100 문제 32
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: PQuantile 정규화와 함께 Quantile 비닝 모드를 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: PQuantile 정규화와 함께 Quantile 비닝 모드를 적용합니다.
솔루션이 목표를 충족합니까?
DP-100 문제 33
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.
기록 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.
해결 방법: 다음 코드를 실행합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
기록 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.
해결 방법: 다음 코드를 실행합니다.
솔루션이 목표를 충족합니까?
DP-100 문제 34
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.
Azure Learning learning Studio에서 새 실험을 만들고 있습니다.
한 클래스는 훈련의 다른 클래스보다 훨씬 적은 수의 관찰을 가지고 있습니다. 클래스 불균형을 보상하기 위해 적절한 데이터 샘플링 전략을 선택해야 합니다.
솔루션: SMOTE(Synthetic Minority Oversampling Technique) 샘플링 모드를 사용합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Learning learning Studio에서 새 실험을 만들고 있습니다.
한 클래스는 훈련의 다른 클래스보다 훨씬 적은 수의 관찰을 가지고 있습니다. 클래스 불균형을 보상하기 위해 적절한 데이터 샘플링 전략을 선택해야 합니다.
솔루션: SMOTE(Synthetic Minority Oversampling Technique) 샘플링 모드를 사용합니다.
솔루션이 목표를 충족합니까?
DP-100 문제 35
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.
작업 영역에서 Azure Machine Learning 서비스 데이터 저장소를 만듭니다. 데이터 저장소에는 다음 파일이 포함되어 있습니다.
* /data/2018/Q1 .csv
* /data/2018/Q2.csv
* /data/2018/Q3.csv
* /data/2018/Q4.csv
* /data/2019/Q1.csv
모든 파일은 다음 형식으로 데이터를 저장합니다.
id,M,f2,l
1,1,2,0
2,1,1,1
32,10
다음 코드를 실행합니다.
다음 코드를 사용하여 training_data라는 데이터 세트를 만들고 모든 파일의 데이터를 단일 데이터 프레임으로 로드해야 합니다.
해결 방법: 다음 코드를 실행합니다.
솔루션이 목표를 충족합니까?
이 섹션의 질문에 답한 후에는 해당 질문으로 돌아갈 수 없습니다. 결과적으로 이러한 질문은 검토 화면에 나타나지 않습니다.
작업 영역에서 Azure Machine Learning 서비스 데이터 저장소를 만듭니다. 데이터 저장소에는 다음 파일이 포함되어 있습니다.
* /data/2018/Q1 .csv
* /data/2018/Q2.csv
* /data/2018/Q3.csv
* /data/2018/Q4.csv
* /data/2019/Q1.csv
모든 파일은 다음 형식으로 데이터를 저장합니다.
id,M,f2,l
1,1,2,0
2,1,1,1
32,10
다음 코드를 실행합니다.
다음 코드를 사용하여 training_data라는 데이터 세트를 만들고 모든 파일의 데이터를 단일 데이터 프레임으로 로드해야 합니다.
해결 방법: 다음 코드를 실행합니다.
솔루션이 목표를 충족합니까?