DP-100 문제 31
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.
여러 열에 누락된 값이 포함된 수치형 데이터 세트를 분석하고 있습니다.
특성 세트의 차원에 영향을 주지 않고 적절한 작업을 사용하여 누락된 값을 정리해야 합니다.
모든 값을 포함하려면 전체 데이터 세트를 분석해야 합니다.
해결 방법: MICE(Multiple Imputation by Chained Equations) 방법을 사용하여 누락된 값을 각각 바꿉니다.
해결책이 목표를 충족하는가?
이 섹션의 질문에 답한 후에는 다시 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 나타나지 않습니다.
여러 열에 누락된 값이 포함된 수치형 데이터 세트를 분석하고 있습니다.
특성 세트의 차원에 영향을 주지 않고 적절한 작업을 사용하여 누락된 값을 정리해야 합니다.
모든 값을 포함하려면 전체 데이터 세트를 분석해야 합니다.
해결 방법: MICE(Multiple Imputation by Chained Equations) 방법을 사용하여 누락된 값을 각각 바꿉니다.
해결책이 목표를 충족하는가?
DP-100 문제 32
레이블이 지정된 사진 세트를 사용하는 다중 클래스 이미지 분류 딥 러닝 모델이 있습니다. 모델을 학습할 때 하이퍼파라미터 값을 선택하기 위해 다음 코드를 만듭니다.
다음 각 문장에 대해 문장이 사실이라면 예를 선택하세요. 그렇지 않으면 아니요를 선택하세요.
참고사항: 정답 하나당 1점입니다.
다음 각 문장에 대해 문장이 사실이라면 예를 선택하세요. 그렇지 않으면 아니요를 선택하세요.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 33
Azure Machine Learning 작업 영역을 관리합니다.
구조화되지 않은 텍스트에 레이블이나 지정된 토큰을 할당하는 자연어 처리(NLP) 모델을 훈련할 계획입니다. 자동화된 머신 러닝을 사용하여 NLP 작업을 구성해야 합니다.
어떤 구성 값을 사용해야 합니까? 대답하려면 답변 영역에서 적절한 옵션을 선택하세요.
참고 사항: 올바른 선택지 하나당 1점입니다.
구조화되지 않은 텍스트에 레이블이나 지정된 토큰을 할당하는 자연어 처리(NLP) 모델을 훈련할 계획입니다. 자동화된 머신 러닝을 사용하여 NLP 작업을 구성해야 합니다.
어떤 구성 값을 사용해야 합니까? 대답하려면 답변 영역에서 적절한 옵션을 선택하세요.
참고 사항: 올바른 선택지 하나당 1점입니다.
DP-100 문제 34
Azure Machine Learning을 사용하여 Azure ML Python SDK v2 기반 모델 학습을 위한 하이퍼파라미터 튜닝을 구현합니다.
기본 지표가 가장 성과가 좋은 실행에 비해 25% 이상 낮아지면 교육 실행을 종료해야 합니다.
학습 작업을 종료하려면 조기 종료 정책을 구성해야 합니다.
어떤 값을 사용해야 합니까? 대답하려면 답변 영역에서 적절한 옵션을 선택하세요.
참고사항: 정답 하나당 1점입니다.
기본 지표가 가장 성과가 좋은 실행에 비해 25% 이상 낮아지면 교육 실행을 종료해야 합니다.
학습 작업을 종료하려면 조기 종료 정책을 구성해야 합니다.
어떤 값을 사용해야 합니까? 대답하려면 답변 영역에서 적절한 옵션을 선택하세요.
참고사항: 정답 하나당 1점입니다.
DP-100 문제 35
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 Learning을 사용하여 분류 모델을 학습하는 실험을 실행합니다.
Hyperdrive를 사용하여 모델의 AUC 메트릭을 최적화하는 매개변수를 찾고 싶습니다. 다음 코드를 실행하여 실험에 대한 HyperDriveConfig를 구성합니다.
이 구성을 사용하여 랜덤 포레스트 모델을 훈련한 다음 검증 데이터 a로 테스트하는 스크립트를 실행하려고 합니다. 검증 데이터의 레이블 값은 y_test 변수라는 변수에 저장되고, 모델의 예측 확률은 y_predicted라는 변수에 저장됩니다.
Hyperdrive가 AUC 메트릭에 대한 하이퍼파라미터를 최적화할 수 있도록 스크립트에 로깅을 추가해야 합니다. 솔루션: 다음 코드를 실행합니다.
해결책이 목표를 충족하는가?
이 섹션의 질문에 답한 후에는 다시 돌아갈 수 없습니다. 따라서 이러한 질문은 검토 화면에 나타나지 않습니다.
Azure Machine Learning을 사용하여 분류 모델을 학습하는 실험을 실행합니다.
Hyperdrive를 사용하여 모델의 AUC 메트릭을 최적화하는 매개변수를 찾고 싶습니다. 다음 코드를 실행하여 실험에 대한 HyperDriveConfig를 구성합니다.
이 구성을 사용하여 랜덤 포레스트 모델을 훈련한 다음 검증 데이터 a로 테스트하는 스크립트를 실행하려고 합니다. 검증 데이터의 레이블 값은 y_test 변수라는 변수에 저장되고, 모델의 예측 확률은 y_predicted라는 변수에 저장됩니다.
Hyperdrive가 AUC 메트릭에 대한 하이퍼파라미터를 최적화할 수 있도록 스크립트에 로깅을 추가해야 합니다. 솔루션: 다음 코드를 실행합니다.
해결책이 목표를 충족하는가?