Microsoft Designing and Implementing a Data Science Solution on Azure (DP-100 Korean Version) - DP-100 Korean무료 덤프문제 풀어보기
다음 각 문장에 대해, 문장이 사실이면 '예'를 선택하고, 그렇지 않으면 '아니오'를 선택하십시오. 참고: 각 정답은 1점입니다.
정답:
머신러닝 실험을 학습시키기 위한 컴퓨팅 대상을 생성하고 있습니다.
컴퓨팅 대상은 자동화된 머신 러닝, 머신 러닝 파이프라인 및 Azure Machine Learning Designer 교육을 지원해야 합니다.
컴퓨팅 대상을 구성해야 합니다.
어떤 옵션을 사용해야 할까요?
컴퓨팅 대상은 자동화된 머신 러닝, 머신 러닝 파이프라인 및 Azure Machine Learning Designer 교육을 지원해야 합니다.
컴퓨팅 대상을 구성해야 합니다.
어떤 옵션을 사용해야 할까요?
정답: D
당신은 은행에서 근무하는 데이터 과학자이며, Azure ML을 사용하여 고객이 대출금을 상환할 가능성을 예측하는 머신 러닝 모델을 학습시키고 등록했습니다.
모델이 어떤 방식으로 선택을 내리는지 이해하고, 신청자의 거주지를 이유로 대출을 거부하는 등 정부 규정을 위반하지 않는지 확인해야 합니다.
고객 데이터의 각 특징이 예측에 어느 정도 영향을 미치는지 파악해야 합니다.
어떻게 해야 할까요?
모델이 어떤 방식으로 선택을 내리는지 이해하고, 신청자의 거주지를 이유로 대출을 거부하는 등 정부 규정을 위반하지 않는지 확인해야 합니다.
고객 데이터의 각 특징이 예측에 어느 정도 영향을 미치는지 파악해야 합니다.
어떻게 해야 할까요?
정답: D
설명: (Fast2test 회원만 볼 수 있음)
Azure Machine Learning 서비스에서 머신 러닝 모델을 학습시키기 위한 스크립트를 생성합니다.
다음 코드를 실행하여 견적기를 생성합니다.
다음 각 문장에 대해, 문장이 사실이면 '예'를 선택하고, 그렇지 않으면 '아니요'를 선택하십시오.
참고: 정답 하나당 1점입니다.
다음 코드를 실행하여 견적기를 생성합니다.
다음 각 문장에 대해, 문장이 사실이면 '예'를 선택하고, 그렇지 않으면 '아니요'를 선택하십시오.
참고: 정답 하나당 1점입니다.
정답:
Explanation:
Box 1: Yes
Parameter source_directory is a local directory containing experiment configuration and code files needed for a training job.
Box 2: Yes
script_params is a dictionary of command-line arguments to pass to the training script specified in entry_script.
Box 3: No
Box 4: Yes
The conda_packages parameter is a list of strings representing conda packages to be added to the Python environment for the experiment.
Azure ML SDK를 사용하여 배치 추론 파이프라인을 생성합니다. 다음 코드를 사용하여 파이프라인을 실행합니다.
AzureML.Pipeline.core에서 Pipeline을 가져옵니다.
AzureML.core.experiment에서 Experiment를 가져옵니다.
pipeline = Pipeline(workspace=ws, steps=[parallelrun_step])
pipeline_run = Experiment(ws, 'batch_pipeline').submit(pipeline)
파이프라인 실행 진행 상황을 모니터링해야 합니다.
이 목표를 달성할 수 있는 두 가지 방법은 무엇입니까? 각 정답은 완전한 해결책을 제시합니다.
참고: 정답 하나당 1점입니다.
AzureML.Pipeline.core에서 Pipeline을 가져옵니다.
AzureML.core.experiment에서 Experiment를 가져옵니다.
pipeline = Pipeline(workspace=ws, steps=[parallelrun_step])
pipeline_run = Experiment(ws, 'batch_pipeline').submit(pipeline)
파이프라인 실행 진행 상황을 모니터링해야 합니다.
이 목표를 달성할 수 있는 두 가지 방법은 무엇입니까? 각 정답은 완전한 해결책을 제시합니다.
참고: 정답 하나당 1점입니다.
정답: A,B
설명: (Fast2test 회원만 볼 수 있음)
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
데이터셋1
데이터셋2
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
입력 데이터셋과 동일한 열과 헤더 행을 가지면서 두 입력 데이터셋의 모든 행을 포함하는 데이터셋을 생성해야 합니다.
해결 방법: 데이터 결합 구성 요소를 사용하십시오.
이 해결책은 목표를 달성합니까?
데이터셋1
데이터셋2
Azure Machine Learning Designer를 사용하여 다음 데이터 세트를 실험에 로드합니다.
입력 데이터셋과 동일한 열과 헤더 행을 가지면서 두 입력 데이터셋의 모든 행을 포함하는 데이터셋을 생성해야 합니다.
해결 방법: 데이터 결합 구성 요소를 사용하십시오.
이 해결책은 목표를 달성합니까?
정답: A
Azure Machine Learning Studio에서 다중 선형 회귀 모델을 생성하고 있습니다.
여러 독립 변수들이 높은 상관관계를 보인다.
모든 데이터에 대해 효과적인 특징 추출을 수행하려면 적절한 방법을 선택해야 합니다.
어떤 세 가지 행동을 순서대로 수행해야 할까요? 정답을 선택하려면, 행동 목록에서 적절한 행동을 골라 답란에 옮겨 올바른 순서대로 배열하세요.
여러 독립 변수들이 높은 상관관계를 보인다.
모든 데이터에 대해 효과적인 특징 추출을 수행하려면 적절한 방법을 선택해야 합니다.
어떤 세 가지 행동을 순서대로 수행해야 할까요? 정답을 선택하려면, 행동 목록에서 적절한 행동을 골라 답란에 옮겨 올바른 순서대로 배열하세요.
정답:
Explanation:
Step 1: Use the Filter Based Feature Selection module
Filter Based Feature Selection identifies the features in a dataset with the greatest predictive power.
The module outputs a dataset that contains the best feature columns, as ranked by predictive power. It also outputs the names of the features and their scores from the selected metric.
Step 2: Build a counting transform
A counting transform creates a transformation that turns count tables into features, so that you can apply the transformation to multiple datasets.
Step 3: Test the hypothesis using t-Test
References:
https://docs.microsoft.com/bs-latn-ba/azure/machine-learning/studio-module-reference/filter-based-feature- selection
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/build-counting-transform
오픈소스 딥러닝 프레임워크인 Caffe2와 Theano를 사용하기 위해 데이터 과학 가상 머신(DSVM)을 사용할 계획입니다. 프레임워크를 지원하도록 사전 구성된 DSVM을 선택해야 합니다.
무엇을 만들어야 할까요?
무엇을 만들어야 할까요?
정답: A