最新のAI-900日本語試験問題集でMicrosoft試験にはトレーニングを提供しています [Q11-Q26]

最新のAI-900日本語試験問題集でMicrosoft試験にはトレーニングを提供しています

合格できるMicrosoft Microsoft Azure AI Fundamentals (AI-900日本語版)のPDF問題集は最近更新された325問あります

質問 # 11
責任あるAIの原則を適切な説明に一致させます。
答えるには、適切な原則を左側の列から右側の説明にドラッグします。各原則は、1回使用することも、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。
注：正しい一致はそれぞれ1ポイントの価値があります。

正解：

解説：

質問 # 12
文を完成させるには、回答領域で適切なオプションを選択します。

正解：

解説：

Reference:
https://docs.microsoft.com/en-us/azure/cognitive-services/custom-vision-service/home

質問 # 13
次の各ステートメントについて、ステートメントがtrueの場合は、[はい]を選択します。それ以外の場合は、[いいえ]を選択します。
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：

解説：

Reference:
https://azure.microsoft.com/en-us/services/machine-learning/automatedml/#features

質問 # 14
Azure OpenAI GPT-3.5 モデルを使用するチャットソリューションからより詳細な応答を生成するには、どのパラメーターを構成する必要がありますか?

A. プレゼンスペナルティ
B. 最大レスポンスB
C. 温度
D. シーケンスを停止

正解：C

解説：
In a chat solution using the Azure OpenAI GPT-3.5 model, the temperature parameter controls the creativity and variability of generated responses. According to the Microsoft Learn documentation for Azure OpenAI Service, temperature is a float value typically between 0 and 2, determining how deterministic or random the model's output is. A lower temperature (e.g., 0-0.3) makes responses more focused and deterministic, while a higher temperature (e.g., 0.8-1.2) produces more verbose, creative, and diverse responses.
When you want the chat model to generate more detailed or expressive output, increasing the temperature encourages the model to explore a broader range of possible continuations, leading to longer and more varied text. This parameter directly affects how "verbose" or elaborate the model's responses can be, which is why it is the correct answer.
The other options are not appropriate for this scenario:
* A. Presence penalty reduces repetition by discouraging reuse of the same phrases but does not control verbosity.
* C. Stop sequence defines tokens where generation should stop, limiting rather than extending response length.
* D. Max response (max tokens) controls the maximum length of the response but does not inherently make answers more verbose or expressive.
Thus, to encourage more elaborate and detailed output from the Azure OpenAI GPT-3.5 model, the correct configuration parameter to adjust is Temperature (B).

質問 # 15
文を正しく完成させる答えを選択してください。

正解：

解説：

Explanation:

質問 # 16
次の各ステートメントについて、ステートメントがtrueの場合は、[はい]を選択します。それ以外の場合は、[いいえ]を選択します。
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：

解説：
Explanation
Graphical user interface, text, application, letter, email Description automatically generated

質問 # 17
次の各ステートメントについて、ステートメントがtrueの場合は、[はい]を選択します。それ以外の場合は、[いいえ]を選択します。
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：

解説：

Reference:
https://docs.microsoft.com/en-us/azure/bot-service/bot-service-overview-introduction?view=azure-bot-service-4.0

質問 # 18
次のデータセットを使用して、特定の顧客の収入範囲を予測する必要があります。

機能として使用する必要がある2つのフィールドはどれですか？それぞれの正解は完全な解決策を提示します。
注：正しい選択はそれぞれ1ポイントの価値があります。

A. 年齢
B. 教育レベル
C. 名
D. 収入範囲
E. 姓

正解：A、B

解説：
Explanation
First Name, Last Name, Age and Education Level are features. Income range is a label (what you want to predict). First Name and Last Name are irrelevant in that they have no bearing on income. Age and Education level are the features you should use.

質問 # 19
文を完成させるには、回答領域で適切なオプションを選択します。

正解：

解説：

Reference:
https://docs.microsoft.com/en-us/dotnet/machine-learning/resources/tasks

質問 # 20
文を正しく完成させる答えを選択してください。

正解：

解説：

質問 # 21
責任あるAIの原則を適切な説明に一致させます。
答えるには、適切な原則を左側の列から右側の説明にドラッグします。各原則は、1回使用することも、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。
注：正しい一致はそれぞれ1ポイントの価値があります。

正解：

解説：

質問 # 22
Azure Machine Learning デザイナーのカスタムコードを作成するために使用できる 2 つの言語はどれですか? それぞれの正解は完全な解決策を示します。
注記; 正しく選択するたびに 1 ポイントの価値があります。

A. Python
B. R
C. Scala
D. C#

正解：A、B

質問 # 23
文を正しく完成させる答えを選択してください。

正解：

解説：

Explanation:

This question is drawn from the Microsoft Azure AI Fundamentals (AI-900) syllabus section "Describe features of natural language processing (NLP) workloads on Azure." According to the Microsoft Learn materials, Natural Language Processing (NLP) is a branch of artificial intelligence that allows computers to analyze, understand, and generate human language. NLP enables machines to work with text or speech data in a way that extracts meaning, sentiment, and intent.
Microsoft defines NLP as enabling scenarios such as language detection, text classification, key phrase extraction, sentiment analysis, and named entity recognition. The example given-classifying emails as
"work-related" or "personal"-is a text classification task, which falls under NLP capabilities. The AI model processes the textual content of emails, identifies linguistic patterns, and categorizes them based on the detected topic or context.
Let's analyze the other options:
* Predict the number of future car rentals # This is a forecasting task, handled by machine learning regression models, not NLP.
* Predict which website visitors will make a transaction # This is a classification or prediction problem in machine learning, not NLP, since it deals with behavioral or numerical data rather than language.
* Stop a process in a factory when extremely high temperatures are registered # This is an IoT or anomaly detection scenario, focusing on sensor data, not language understanding.
Therefore, only classifying email messages as work-related or personal correctly represents an NLP use case.
It illustrates how NLP can analyze written text and make intelligent categorizations-a key capability covered in AI-900's natural language workloads section.