DP-100 문제 221
Azure Machine Learning Studio에서 실험을 만듭니다. 10,000개의 행이 포함된 교육 데이터 세트를 추가합니다. 처음 9,000개의 행은 클래스 0(90퍼센트)을 나타냅니다.
나머지 1,000개 행은 클래스 1(10%)을 나타냅니다.
훈련 세트는 두 클래스 간의 불균형입니다. 5개의 데이터 행을 사용하여 클래스 1의 훈련 예제 수를 4,000개로 늘려야 합니다. 실험에 Synthetic Minority Oversampling Technique(SMOTE) 모듈을 추가합니다.
모듈을 구성해야 합니다.
어떤 값을 사용해야 합니까? 대답하려면 답변 영역의 대화 상자에서 적절한 옵션을 선택합니다.
참고사항: 정답 하나당 1점입니다.
나머지 1,000개 행은 클래스 1(10%)을 나타냅니다.
훈련 세트는 두 클래스 간의 불균형입니다. 5개의 데이터 행을 사용하여 클래스 1의 훈련 예제 수를 4,000개로 늘려야 합니다. 실험에 Synthetic Minority Oversampling Technique(SMOTE) 모듈을 추가합니다.
모듈을 구성해야 합니다.
어떤 값을 사용해야 합니까? 대답하려면 답변 영역의 대화 상자에서 적절한 옵션을 선택합니다.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 222
로컬 모델에 대한 기능 추출 전략을 구축해야 합니다.
코드 세그먼트를 어떻게 완성해야 합니까? 대답하려면 답변 영역에서 적절한 옵션을 선택하세요.
참고사항: 정답 하나당 1점입니다.
코드 세그먼트를 어떻게 완성해야 합니까? 대답하려면 답변 영역에서 적절한 옵션을 선택하세요.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 223
Azure Machine Learning Studio에서 실험을 만듭니다. 10,000개의 행이 포함된 학습 데이터 세트를 추가합니다. 처음 9,000개의 행은 클래스 0(90%)을 나타냅니다. 처음 1,000개의 행은 클래스 1(10%)을 나타냅니다.
훈련 세트는 두 클래스 간에 불균형합니다. 데이터 행을 사용하여 클래스 1의 훈련 예제 수를 4,000개로 늘려야 합니다. 실험에 Synthetic Minority Oversampling Technique(SMOTE) 모듈을 추가합니다.
모듈을 구성해야 합니다.
어떤 값을 사용해야 합니까? 대답하려면 답변 영역의 대화 상자에서 적절한 옵션을 선택합니다.
참고사항: 정답 하나당 1점입니다.
훈련 세트는 두 클래스 간에 불균형합니다. 데이터 행을 사용하여 클래스 1의 훈련 예제 수를 4,000개로 늘려야 합니다. 실험에 Synthetic Minority Oversampling Technique(SMOTE) 모듈을 추가합니다.
모듈을 구성해야 합니다.
어떤 값을 사용해야 합니까? 대답하려면 답변 영역의 대화 상자에서 적절한 옵션을 선택합니다.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 224
표 A에 명시된 순서대로 처리해야 하는 5개의 Python 스크립트를 작성합니다. 이를 통해 동일한 모듈을 병렬로 실행할 수 있지만 종속성이 있는 모듈을 기다립니다.
버전 제어 시스템에서 추적할 파이프라인을 만드는 스크립트를 작성하고 싶기 때문에 Python SDK를 사용하여 Azure Machine Learning 파이프라인을 만들어야 합니다. 5개의 PythonScriptSteps를 만들고 모듈 이름과 일치하도록 변수 이름을 지정했습니다.
표시된 파이프라인을 만들어야 합니다. 모든 관련 가져오기가 완료되었다고 가정합니다.
어떤 Python 코드 세그먼트를 사용해야 합니까?
버전 제어 시스템에서 추적할 파이프라인을 만드는 스크립트를 작성하고 싶기 때문에 Python SDK를 사용하여 Azure Machine Learning 파이프라인을 만들어야 합니다. 5개의 PythonScriptSteps를 만들고 모듈 이름과 일치하도록 변수 이름을 지정했습니다.
표시된 파이프라인을 만들어야 합니다. 모든 관련 가져오기가 완료되었다고 가정합니다.
어떤 Python 코드 세그먼트를 사용해야 합니까?
DP-100 문제 225
참고: 이 질문은 동일한 시나리오를 제시하는 일련의 질문 중 일부입니다. 이 시리즈의 각 질문에는 명시된 목표를 충족할 수 있는 고유한 솔루션이 포함되어 있습니다. 일부 질문 세트에는 두 개 이상의 정답이 있을 수 있고, 다른 세트에는 정답이 없을 수 있습니다.
이 섹션의 질문에 답한 후에는 다시 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
입력 데이터 세트와 동일한 열과 헤더 행을 갖고 두 입력 데이터 세트의 모든 행을 포함하는 데이터 세트를 만들어야 합니다.
해결 방법: Python 스크립트 실행 모듈을 사용하세요.
해결책이 목표를 충족하는가?
이 섹션의 질문에 답한 후에는 다시 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
입력 데이터 세트와 동일한 열과 헤더 행을 갖고 두 입력 데이터 세트의 모든 행을 포함하는 데이터 세트를 만들어야 합니다.
해결 방법: Python 스크립트 실행 모듈을 사용하세요.
해결책이 목표를 충족하는가?