DP-100日本語 無料問題集「Microsoft Designing and Implementing a Data Science Solution on Azure (DP-100日本語版)」

イベント中の通話数を推定するための回帰モデルを構築しています。
特徴値がポアソン回帰モデルを構築する条件を満たしているかどうかを判断する必要があります。
機能セットにはどの 2 つの条件が含まれている必要がありますか? それぞれの正解はソリューションの一部を示しています。
注意: 正しい選択ごとに 1 ポイントが付与されます。

正解:B、E 解答を投票する
解説: (JPNTest メンバーにのみ表示されます)
注: この質問は、同じシナリオを提示する一連の質問の一部です。シリーズの各質問には、記載された目標を達成する可能性のある独自の解決策が含まれています。一部の質問セットには複数の正解がある場合もあれば、正解がない場合もあります。
このセクションの質問に答えた後は、その質問に戻ることはできません。その結果、これらの質問はレビュー画面に表示されません。
Azure Machine Learning を使用して、分類モデルをトレーニングする実験を実行しています。
Hyperdrive を使用して、モデルの AUC メトリックを最適化するパラメーターを見つけたいと考えています。次のコードを実行して、実験用に HyperDriveConfig を構成します。

この構成を使用して、ランダム フォレスト モデルをトレーニングし、それを検証データでテストするスクリプトを実行する予定です。検証データのラベル値は y_test 変数という名前の変数に保存され、モデルからの予測確率は y_predicted という名前の変数に保存されます。
Hyperdrive が AUC メトリックのハイパーパラメータを最適化できるようにするには、スクリプトにログを追加する必要があります。解決策: 次のコードを実行します。

ソリューションは目標を達成していますか?

解説: (JPNTest メンバーにのみ表示されます)
ドラッグアンドドロップの質問
Azure Machine Learning ワークスペースに複数の機械学習モデルが登録されています。
選択したモデルの公平性を評価するには、Fairlearn ダッシュボードを使用する必要があります。
どの 3 つのアクションを順番に実行する必要がありますか? 回答するには、アクション リストから適切なアクションを回答領域に移動し、正しい順序で並べます。
正解:

Explanation:
Step 1: Select a model feature to be evaluated.
Step 2: Select a binary classification or regression model.
Register your models within Azure Machine Learning. For convenience, store the results in a dictionary, which maps the id of the registered model (a string in name:version format) to the predictor itself.
Example:
model_dict = {}
lr_reg_id = register_model("fairness_logistic_regression", lr_predictor) model_dict[lr_reg_id] = lr_predictor svm_reg_id = register_model("fairness_svm", svm_predictor) model_dict[svm_reg_id] = svm_predictor Step 3: Select a metric to be measured Precompute fairness metrics.
Create a dashboard dictionary using Fairlearn's metrics package.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-machine-learning-fairness-aml
デザイナを使用して、分類モデルのトレーニングパイプラインを作成します。パイプラインは、モデルのトレーニングに必要な機能とラベルを含むデータセットを使用します。
トレーニングパイプラインからリアルタイムの推論パイプラインを作成します。生成されたWebサービス入力のスキーマがデータセットに基づいており、モデルが予測するラベル列が含まれていることがわかります。サービスを使用するクライアントアプリケーションは、この値を送信する必要はありません。
要件を満たすために、推論パイプラインを変更する必要があります。
あなたは何をするべきか?

解説: (JPNTest メンバーにのみ表示されます)
Azure Machine Learning ワークスペースを作成します。ワークスペースには、sample_dataset という名前のデータセット、コンピューティング インスタンス、およびコンピューティング クラスターが含まれます。
データセット内のデータを準備し、準備したデータに基づいてモデルをトレーニングして登録する 2 段階のパイプラインを作成する必要があります。
パイプラインの最初のステージには次のコードが含まれています。

2 番目のステージの入力として使用できるスクリプトの最初のステージの出力が含まれる場所を特定する必要があります。
どの保管場所を使用すればよいですか?

解説: (JPNTest メンバーにのみ表示されます)
注: この質問は、同じシナリオを提示する一連の質問の一部です。一連の質問にはそれぞれ、定められた目標を満たす独自の解決策が含まれています。質問セットによっては、正しい解決策が複数ある場合もあれば、正しい解決策がない場合もあります。
このセクションの質問に回答した後は、その質問に戻ることはできません。そのため、これらの質問はレビュー画面に表示されません。
IT 部門は、次の Azure リソース グループとリソースを作成します。

IT 部門は、Azure Machine Learning ワークスペースに、aks-cluster という名前の Azure Kubernetes Service (AKS) ベースの推論コンピューティング ターゲットを作成します。
GPU を搭載した Microsoft Surface Book コンピューターがあります。Python 3.6 と Visual Studio Code がインストールされています。
ディープ ニューラル ネットワーク (DNN) モデルをトレーニングし、損失と精度のメトリックを記録するスクリプトを実行する必要があります。
解決策: mlvm 仮想マシンを Azure Machine Learning ワークスペースのコンピューティング ターゲットとして接続します。Surface Book に Azure ML SDK をインストールし、Python コードを実行してワークスペースに接続します。mlvm リモート コンピューティング リソースで、実験としてトレーニング スクリプトを実行します。
ソリューションは目標を満たしていますか?

解説: (JPNTest メンバーにのみ表示されます)
ホットスポットに関する質問
映画の説明のリストをテキストデータ形式で作成します。
自動化された機械学習を使用して映画の説明を分析する必要があります。
AutoML ジョブ用の特定の自然言語処理 (NLP) タスク関数を使用してジョブを構成するには、Azure Machine Learning for Python SDK v1 を使用する必要があります。
どの機能を使用すればよいですか? 回答するには、回答エリアで適切なオプションを選択してください。
注意: 正しい選択ごとに 1 ポイントが付与されます。
正解:

Explanation:
https://learn.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-nlp- models?tabs=cli#named-entity-recognition-ner
注:この質問は、同じシナリオを提示する一連の質問の一部です。シリーズの各質問には、記載された目標を達成する可能性のある独自のソリューションが含まれています。一部の質問セットには複数の正しい解決策がある場合もあれば、正しい解決策がない場合もあります。
このセクションの質問に回答すると、その質問に戻ることはできません。その結果、これらの質問はレビュー画面に表示されません。
次の変数に応じて、学生のアートワークの価格を予測するモデルを作成しています:学生の教育期間、学位タイプ、および芸術形態。
まず、線形回帰モデルを作成します。
線形回帰モデルを評価する必要があります。
解決策:次のメトリックを使用します:平均絶対誤差、ルート平均絶対誤差、相対絶対誤差、相対二乗誤差、および決定係数。
ソリューションは目標を達成していますか?

解説: (JPNTest メンバーにのみ表示されます)
ドラッグアンドドロップの質問
Azure Machine Learning ワークスペースを管理します。model1 という名前のモデルをトレーニングします。
異なるモデル予測結果を得るために、変更する機能を特定する必要があります。
モデル 1 の Responsible AI (RAI) ダッシュボードを構成する必要があります。
どの 3 つのアクションを順番に実行する必要がありますか? 回答するには、アクション リストから適切なアクションを回答領域に移動し、正しい順序で並べます。
正解:
注: この質問は、同じシナリオを提示する一連の質問の一部です。一連の質問にはそれぞれ、定められた目標を満たす独自の解決策が含まれています。質問セットによっては、正しい解決策が複数ある場合もあれば、正しい解決策がない場合もあります。
このセクションの質問に回答した後は、その質問に戻ることはできません。そのため、これらの質問はレビュー画面に表示されません。
Azure Machine Learning Studio で新しい実験を作成しています。
1 つのクラスには、トレーニング セット内の他のクラスよりも観測値の数が大幅に少なくなっています。
クラスの不均衡を補うには、適切なデータ サンプリング戦略を選択する必要があります。
解決策: 主成分分析 (PCA) サンプリング モードを使用します。
ソリューションは目標を満たしていますか?

解説: (JPNTest メンバーにのみ表示されます)
ホットスポットに関する質問
C-サポート ベクター分類を使用して、不均衡なトレーニング データセットでマルチクラス分類を実行します。Python コードを使用した C-サポート ベクター分類を以下に示します。

C-Support Vector 分類コードを評価する必要があります。
どの評価ステートメントを使用する必要がありますか? 回答するには、回答領域で適切なオプションを選択してください。
注意: 正しい選択ごとに 1 ポイントが付与されます。
正解:

Explanation:
Box 1: Automatically adjust weights inversely proportional to class frequencies in the input data The "balanced" mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y)).
Box 2: Penalty parameter
Parameter: C : float, optional (default=1.0)
Penalty parameter C of the error term.
References:
https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
ホットスポットに関する質問
コンピューティング クラスターを使用して新しい Azure Machine Learning ワークスペースを作成します。
Azure Machine Learning Python SDK v2 を使用して、コンピューティング クラスターを非同期的に作成する必要があります。
コード セグメントをどのように完了する必要がありますか? 回答するには、回答領域で適切なオプションを選択します。
注意: 正しい選択ごとに 1 ポイントが付与されます。
正解:
ドラッグアンドドロップの質問
ある組織は Azure Machine Learning サービスを使用しており、機械学習の使用を拡大したいと考えています。
次のコンピューティング環境があります。組織は別のコンピューティング環境を作成することを望んでいません。

次のシナリオでは、どのコンピューティング環境を使用するかを決定する必要があります。
どのコンピューティング タイプを使用すればよいですか? 答えるには、適切なコンピューティング環境を正しいシナリオにドラッグします。各コンピューティング環境は、1 回、複数回、またはまったく使用されない場合があります。コンテンツを表示するには、ペイン間の分割バーをドラッグするか、スクロールする必要がある場合があります。
注意: 正しい選択ごとに 1 ポイントが付与されます。
正解:

Explanation:
Box 1: nb_server

Box 2: mlc_cluster
With Azure Machine Learning, you can train your model on a variety of resources or environments, collectively referred to as compute targets. A compute target can be a local machine or a cloud resource, such as an Azure Machine Learning Compute, Azure HDInsight or a remote virtual machine.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-set-up-training-targets

弊社を連絡する

我々は12時間以内ですべてのお問い合わせを答えます。

オンラインサポート時間:( UTC+9 ) 9:00-24:00
月曜日から土曜日まで

サポート:現在連絡