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)」
Workspace 1 Workspace! という名前の Azure Machine Learning ワークスペースがあり、PyFunc フレーバーを持つ model 1 という名前の登録済み Mlflow モデルがあります。Azure Machine Learning Python SDK vl を使用して、出力接続なしで、endpoint1 という名前のオンライン エンドポイントに model1 をデプロイする予定です。次のコードがあります。
モデルが正常にデプロイされるようにするには、ManagedOnlineDeployment オブジェクトにパラメーターを追加する必要があります。解決策: 環境パラメーターを追加します。
ソリューションは目標を満たしていますか?
モデルが正常にデプロイされるようにするには、ManagedOnlineDeployment オブジェクトにパラメーターを追加する必要があります。解決策: 環境パラメーターを追加します。
ソリューションは目標を満たしていますか?
正解：A
解答を投票する
注: この質問は、同じシナリオを示す一連の質問の一部です。このシリーズの各質問には、指定された目標を達成でき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しい解決策が含まれる場合がありますが、他の質問セットには正しい解決策がない場合があります。
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。そのため、これらの質問はレビュー画面には表示されません。
機械学習モデルをトレーニングして登録します。
モデルをリアルタイム Web サービスとしてデプロイすることを計画しています。アプリケーションでモデルを使用するには、キーベースの認証を使用する必要があります。
Web サービスをデプロイする必要があります。
解決：
AksWebservice インスタンスを作成します。
auth_enabled プロパティの値を False に設定します。
token_auth_enabled プロパティの値を True に設定します。
モデルをサービスにデプロイします。
解決策は目標を達成できますか?
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。そのため、これらの質問はレビュー画面には表示されません。
機械学習モデルをトレーニングして登録します。
モデルをリアルタイム Web サービスとしてデプロイすることを計画しています。アプリケーションでモデルを使用するには、キーベースの認証を使用する必要があります。
Web サービスをデプロイする必要があります。
解決：
AksWebservice インスタンスを作成します。
auth_enabled プロパティの値を False に設定します。
token_auth_enabled プロパティの値を True に設定します。
モデルをサービスにデプロイします。
解決策は目標を達成できますか?
正解：A
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。
複数の列に欠損値を含む数値データセットを分析しています。
機能セットの次元に影響を与えることなく、適切な操作を使用して欠損値を消去する必要があります。
すべての値を含めるには、完全なデータセットを分析する必要があります。
解決策：欠落しているデータポイントを含む列全体を削除します。
ソリューションは目標を達成していますか？
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。
複数の列に欠損値を含む数値データセットを分析しています。
機能セットの次元に影響を与えることなく、適切な操作を使用して欠損値を消去する必要があります。
すべての値を含めるには、完全なデータセットを分析する必要があります。
解決策：欠落しているデータポイントを含む列全体を削除します。
ソリューションは目標を達成していますか？
正解：A
解答を投票する
解説: (JPNTest メンバーにのみ表示されます)
Azure Machine Learningのハイパードライブ機能を使用して、モデルをトレーニングするときに最適なハイパーパラメーター値を決定することを計画しています。
次のハイパーパラメータ値の組み合わせを試すには、ハイパードライブを使用する必要があります。
* Learning_rate：0.001〜0.1の任意の値
* batch_size：16、32、または64
Hyperdrive実験の検索スペースを構成する必要があります。
どの2つのパラメータ式を使用する必要がありますか？それぞれの正解は、解決策の一部を示しています。
注：正しい選択はそれぞれ1ポイントの価値があります。
次のハイパーパラメータ値の組み合わせを試すには、ハイパードライブを使用する必要があります。
* Learning_rate：0.001〜0.1の任意の値
* batch_size：16、32、または64
Hyperdrive実験の検索スペースを構成する必要があります。
どの2つのパラメータ式を使用する必要がありますか？それぞれの正解は、解決策の一部を示しています。
注：正しい選択はそれぞれ1ポイントの価値があります。
正解：A、B
解答を投票する
解説: (JPNTest メンバーにのみ表示されます)
Azure Machine Learning Studioを使用して、大規模なデータストアからデータを取得しています。
システムクロックに基づいたランダムサンプリングシードを使用して、テスト目的でデータのサブセットを作成する必要があります。
パーティションとサンプルモジュールを実験に追加します。
モジュールのプロパティを選択する必要があります。
どの値を選択する必要がありますか？回答するには、回答エリアで適切なオプションを選択します。
注：それぞれの正しい選択には1ポイントの価値があります。
システムクロックに基づいたランダムサンプリングシードを使用して、テスト目的でデータのサブセットを作成する必要があります。
パーティションとサンプルモジュールを実験に追加します。
モジュールのプロパティを選択する必要があります。
どの値を選択する必要がありますか？回答するには、回答エリアで適切なオプションを選択します。
注：それぞれの正しい選択には1ポイントの価値があります。
正解：
Explanation:
Box 1: Sampling
Create a sample of data
This option supports simple random sampling or stratified random sampling. This is useful if you want to create a smaller representative sample dataset for testing.
1. Add the Partition and Sample module to your experiment in Studio, and connect the dataset.
2. Partition or sample mode: Set this to Sampling.
3. Rate of sampling. See box 2 below.
Box 2: 0
3. Rate of sampling. Random seed for sampling: Optionally, type an integer to use as a seed value.
This option is important if you want the rows to be divided the same way every time. The default value is 0, meaning that a starting seed is generated based on the system clock. This can lead to slightly different results each time you run the experiment.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample
トレーニングと検証のエラー値に大きな差があるモデルがあります。
新しいモデルを作成し、相互検証を実行する必要があります。
Azure Machine Learning Studioを使用して、新しいモデルのパラメーターセットを識別する必要があります。
各ステップで使用するモジュールはどれですか？答えるには、適切なモジュールを正しい手順にドラッグします。
各モジュールは、1回または複数回使用することも、まったく使用しないこともできます。コンテンツを表示するには、ペイン間で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：それぞれの正しい選択には1ポイントの価値があります。
新しいモデルを作成し、相互検証を実行する必要があります。
Azure Machine Learning Studioを使用して、新しいモデルのパラメーターセットを識別する必要があります。
各ステップで使用するモジュールはどれですか？答えるには、適切なモジュールを正しい手順にドラッグします。
各モジュールは、1回または複数回使用することも、まったく使用しないこともできます。コンテンツを表示するには、ペイン間で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：それぞれの正しい選択には1ポイントの価値があります。
正解：
Explanation:
Box 1: Split data
Box 2: Partition and Sample
Box 3: Two-Class Boosted Decision Tree
Box 4: Tune Model Hyperparameters
Integrated train and tune: You configure a set of parameters to use, and then let the module iterate over multiple combinations, measuring accuracy until it finds a "best" model. With most learner modules, you can choose which parameters should be changed during the training process, and which should remain fixed.
We recommend that you use Cross-Validate Model to establish the goodness of the model given the specified parameters. Use Tune Model Hyperparameters to identify the optimal parameters.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample