Professional-Data-Engineer日本語 無料問題集「Google Certified Professional Data Engineer Exam (Professional-Data-Engineer日本語版)」

（A）Sideinputの代わりにCoGroupByKeyを使用する

（B）圧縮されたAvroファイルに切り替えます

（C）エラーをスローしたレコードを再試行します

（D）バッチサイズを小さくします

（A）<timestamp>形式の行キーを使用します。

（B）>＃<sensorid>＃<timestamp>の形式の行キーを使用します。

（C）<timestamp>＃<sensorid>の形式の行キーを使用します。

（D）<sensorid>形式の行キーを使用します。

（A）Cloud Bigtable

（B）Cloud SQL

（C）Cloud Datastore

（D）Cloud Spanner

（A）StackDriver Logging Agentをインストールし、MariaDBログを読み取るようにfluentdin_tailプラグインを構成します。

（B）ヘルスチェックを使用してMariaDBインスタンスをインスタンスグループに配置します。

（C）StackDriver Agentをインストールし、MySQLプラグインを構成します。

（D）OpenCensus Agentをインストールし、StackDriverエクスポーターを使用してカスタムメトリック収集アプリケーションを作成します。

（A）クラウドストレージを使用して、主要なデータ保護基準に準拠します。すべてのユーザーが共有する1つのサービスアカウントを使用する

（B）必要なIDおよびアクセス管理（IAM）の役割をすべての従業員に割り当て、保護リソースにアクセスするための単一のサービスアカウントを作成します

（C）1つのサービスアカウントを使用してCloud SQLデータベースにアクセスし、人間のユーザーごとに個別のサービスアカウントを使用します

（D）クラウドストレージを使用して、主要なデータ保護基準に準拠します。IAMグループに関連付けられた複数のサービスアカウントを使用して、各グループに適切なアクセスを許可します

（A）gcloudml-engineローカルトレイン

（B）Cloud MLEngineを使用して自分のコンピューターでTensorFlowプログラムを実行することはできません。

（C）gcloudml-engineジョブがトレーニングを送信

（D）gcloudml-engineジョブがローカルでトレーニングを送信

（A）権限のある担当者のみが表示できるBigQueryデータセットで、データアクセスログを使用して監査機能を提供します。

（B）バケットへのリンクを提供する前にユーザー情報を収集してアクセスをログに記録するAppEngineサービスからのみアクセス可能なCloudStorageのバケット内。

（C）Cloud SQLでは、ユーザーごとに個別のデータベースユーザー名があります。 Cloud SQL Adminアクティビティログは、監査機能を提供するために使用されます。

（D）ユーザー指定の暗号化キーを使用してクラウドストレージで暗号化されます。許可されたユーザーごとに個別の復号化キーが与えられます。

（A）各エンティティのテーブルを含む正規化モデルを作成します。更新前のスナップショットを使用して履歴データを追跡する

（B）ネストされた繰り返しフィールドを含む非正規化モデルを作成します。テーブルを更新し、スナップショットを使用して履歴データを追跡します。

（C）ネストされた繰り返しフィールドを含む非正規化された追加専用モデルを作成します。取り込みタイムスタンプを使用して履歴データを追跡します。

（D）各エンティティのテーブルを含む正規化モデルを作成します。履歴データを追跡するために、すべての入力ファイルを Cloud Storage バケットに保存します

（A）高可用性を備えたCloudDataprocクラスターを作成します。データをHDFSに保存し、必要に応じて分析を実行します。

（B）マルチリージョンのクラウドストレージバケットにデータを保存します。 Cloud Dataproc、BigQuery、ComputeEngineを使用してデータに直接アクセスします。

（C）地域のCloudStorageバケットにデータを保存します。 Cloud Dataproc、BigQuery、ComputeEngineを使用してバケットに直接アクセスします。

（D）データをBigQueryに保存します。 BigQueryコネクタまたはCloudDataprocとComputeEngineを使用してデータにアクセスします。

（A）モデルへの入力フィーチャの数を増やします。

（B）トレーニングデータセットをサブサンプリングします。

（C）ニューラルネットワークのレイヤー数を増やします。

（D）テストデータセットをサブサンプリングします。

（A）IDごとに個別のテーブルを作成します。

（B）LIMITキーワードを使用して、返される行数を減らします。

（C）bq query--maximum_bytes_billedフラグを使用して、請求されるバイト数を制限します。

（D）パーティショニング列とクラスタリング列を使用してテーブルを再作成します。

（A）新しいCloud Pub / Subサブスクリプションを持つ新しいパイプラインを作成し、古いパイプラインをキャンセルします。

（B）同じCloud Pub / Subサブスクリプションを持つ新しいパイプラインを作成し、古いパイプラインをキャンセルします。

（C）現在のパイプラインを更新し、変換マッピングJSONオブジェクトを提供します。

（D）現在のパイプラインを更新し、ドレインフラグを使用します。

（A）データをGoogle BigQueryテーブルに読み込み、データに接続するGoogle Data Studio 360レポートを作成し、指標を計算してから、フィルター式を使用してテーブル内の最適ではない行のみを表示します。

（B）データをGoogle Cloud Datastoreテーブルに読み込み、すべての行をクエリするGoogle App Engineアプリケーションを作成し、関数を適用して指標を導出し、Googleチャートと視覚化APIを使用して結果をテーブルにレンダリングします。

（C）データをGoogleスプレッドシートに読み込み、数式を使用して指標を計算し、フィルタ/並べ替えを使用して、テーブルに最適ではないリンクのみを表示します。

（D）データをGoogle BigQueryテーブルに読み込み、データをクエリして指標を計算し、Googleスプレッドシートのテーブルに最適ではない行のみを表示するGoogle AppsScriptを記述します。

（A）線形回帰をトレーニングして、クレジットデフォルトリスクスコアを予測します。

（B）追加のデータを収集して、データセットのサイズを増やします。

（C）データからバイアスを取り除き、ローンが拒否されたアプリケーションを収集します。

（D）ローンの申請者とソーシャルプロファイルを照合して、機能エンジニアリングを有効にします。