DP-100 문제 231
정리가 필요한 원시 데이터 세트를 분석하고 있습니다.
Azure Machine Learning Studio를 사용하여 변환 및 조작을 수행해야 합니다.
변환을 수행하려면 올바른 모듈을 식별해야 합니다.
어떤 모듈을 선택해야 할까요? 답하려면 적절한 모듈을 올바른 시나리오로 드래그하세요. 각 모듈은 한 번, 두 번 이상 또는 전혀 사용하지 않을 수 있습니다.
콘텐츠를 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수도 있습니다.
참고사항: 정답 하나당 1점입니다.
Azure Machine Learning Studio를 사용하여 변환 및 조작을 수행해야 합니다.
변환을 수행하려면 올바른 모듈을 식별해야 합니다.
어떤 모듈을 선택해야 할까요? 답하려면 적절한 모듈을 올바른 시나리오로 드래그하세요. 각 모듈은 한 번, 두 번 이상 또는 전혀 사용하지 않을 수 있습니다.
콘텐츠를 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수도 있습니다.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 232
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 233
당신은 이미지 분류를 위한 딥 합성곱 신경망(CNN)을 구축하는 데이터 과학자입니다.
당신이 만든 CNN 모델은 과잉적합의 징후를 보입니다.
과도한 적합을 줄이고 모델을 최적의 적합도로 수렴해야 합니다.
어떤 두 가지 행동을 수행해야 합니까? 각 정답은 완전한 솔루션을 제시합니다.
참고사항: 정답 하나당 1점입니다.
당신이 만든 CNN 모델은 과잉적합의 징후를 보입니다.
과도한 적합을 줄이고 모델을 최적의 적합도로 수렴해야 합니다.
어떤 두 가지 행동을 수행해야 합니까? 각 정답은 완전한 솔루션을 제시합니다.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 234
정리가 필요한 원시 데이터 세트를 분석하고 있습니다.
Azure Machine Learning Studio를 사용하여 변환 및 조작을 수행해야 합니다.
변환을 수행하려면 올바른 모듈을 식별해야 합니다.
어떤 모듈을 선택해야 할까요? 답하려면 적절한 모듈을 올바른 시나리오로 드래그하세요. 각 모듈은 한 번, 두 번 이상 또는 전혀 사용하지 않을 수 있습니다.
콘텐츠를 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수도 있습니다.
참고사항: 정답 하나당 1점입니다.
Azure Machine Learning Studio를 사용하여 변환 및 조작을 수행해야 합니다.
변환을 수행하려면 올바른 모듈을 식별해야 합니다.
어떤 모듈을 선택해야 할까요? 답하려면 적절한 모듈을 올바른 시나리오로 드래그하세요. 각 모듈은 한 번, 두 번 이상 또는 전혀 사용하지 않을 수 있습니다.
콘텐츠를 보려면 창 사이의 분할 막대를 끌거나 스크롤해야 할 수도 있습니다.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 235
결정 트리 알고리즘을 사용하여 분류 모델을 훈련합니다.
다음 Python 코드를 실행하여 추정기를 만듭니다. 변수 feature_names는 모든 기능 이름의 목록이고 class_names는 모든 클래스 이름의 목록입니다.
interpret.ext.blackbox에서 TabularExplainer 가져오기
모든 특성의 중요도를 판단하여 모델이 모든 클래스에 대해 내린 예측을 설명해야 합니다.
다음 각 문장에 대해 문장이 사실이라면 예를 선택하세요. 그렇지 않으면 아니요를 선택하세요.
참고사항: 정답 하나당 1점입니다.
다음 Python 코드를 실행하여 추정기를 만듭니다. 변수 feature_names는 모든 기능 이름의 목록이고 class_names는 모든 클래스 이름의 목록입니다.
interpret.ext.blackbox에서 TabularExplainer 가져오기
모든 특성의 중요도를 판단하여 모델이 모든 클래스에 대해 내린 예측을 설명해야 합니다.
다음 각 문장에 대해 문장이 사실이라면 예를 선택하세요. 그렇지 않으면 아니요를 선택하세요.
참고사항: 정답 하나당 1점입니다.
