2026年最新のの検証済みDP-100日本語問題と解答で合格保証 もしくは全額返金
[2026年06月]更新のDP-100日本語認証と実際の解答はここにあるGoShiken
質問 # 172
Azure ML SDKを使用してバッチ推論パイプラインを作成します。パイプラインを実行するには、次のコードを使用します。
azureml.pipeline.core からパイプラインをインポートします
azureml.core.experiment から Experiment をインポートします
パイプライン = パイプライン(ワークスペース = ws、ステップ = [parallelrun_step])
pipeline_run = Experiment(ws, 'batch_pipeline').submit(pipeline)
パイプライン実行の進行状況を監視する必要があります。
この目標を達成するには、どのような 2 つの方法がありますか? それぞれの正解は完全な解決策を示します。
注意: 正しい選択ごとに 1 ポイントが付与されます。
- A. オプションB
- B. オプションC
- C. オプションA
- D. オプションD
- E. オプションE
正解：D、E
解説：
A batch inference job can take a long time to finish. This example monitors progress by using a Jupyter widget. You can also manage the job's progress by using:
Azure Machine Learning Studio.
Console output from the PipelineRun object.
from azureml.widgets import RunDetails
RunDetails(pipeline_run).show()
pipeline_run.wait_for_completion(show_output=True)
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-parallel-run-step#monitor-the-parallel- run-job
質問 # 173
バイアスと分散の問題に対処するには、グローバル ペナルティ イベント モデルの入力を変更する必要があります。
順番に実行する必要がある 3 つのアクションはどれですか。回答するには、適切なアクションをアクション リストから回答領域に移動し、正しい順序に並べます。
正解：
解説：
質問 # 174
Azure Machine Learning ワークスペースがあります。
Azure Machine Learning Python SDK v2 を使用して、画像分類モデルをトレーニングするパイプラインコンポーネントを定義する予定です。このコンポーネントの実行ロジックは、modeljrain.py というファイルの train() 関数に含まれています。
必要なすべてのライブラリをインポートするコードを記述し、model_train.py と同じフォルダーに train_component.py として保存します。
train_component.py の残りのコードを完成させる必要があります。
コードをどのように完成させるべきですか? 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：
解説：
Explanation:
質問 # 175
あなたは分類タスクに取り組んでいます。生徒がサッカーをプレーしたいかどうかと、それに関連する属性を示すデータセットがあります。データセットには次の列が含まれています。
変数をタイプ別に分類する必要があります。
各カテゴリにどの変数を追加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: 正しく選択するたびに 1 ポイントの価値があります。
正解：
解説：
Explanation
References:
https://www.edureka.co/blog/classification-algorithms/
質問 # 176
Azure Machine Learning ワークスペースを作成し、MLflow ライブラリをインストールします。
MLflow ライブラリを使用して、さまざまな種類のデータをトグする必要があります。
どの方法を使用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は 1 ポイントの価値があります。
正解：
解説：
質問 # 177
Python scnpts を含む 2 つのステップを含むパイプライン 1 という名前の Azure Machine Learning パイプラインを作成します。最初のステップで処理されたデータは、2 番目のステップに渡されます。
パイプライン 1 のダウンストリーム データ ソースのコンテンツを更新し、パイプラインを再度実行する必要があります。
パイプライン 1 の新しい実行で、更新されたコンテンツが完全に処理されるようにする必要があります。
解決策: 2 つのステップで PythonScriptStep オブジェクトの compute.target パラメーターの値を変更します。
ソリューションは目標を満たしていますか?」
- A. はい
- B. いいえ
正解：B
質問 # 178
Azure Machine Learning デザイナーを使用して、Python スクリプト実行コンポーネントとカスタム コードでデータセットを変換しています。
Execute Python Script コンポーネントのメソッド シグネチャと戻り値の型を定義する必要があります。
何を定義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：
解説：
Explanation:
質問 # 179
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。
Apache Spark を使用して、Azure Data Lake Storage Gen2 に保存されているデータをインポートして調整する予定です。
ユーザー ID パススルーを使用して、対話型のデータ ラングリングを開始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：
解説：
質問 # 180
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しています。
次のコードを実行して、Hyperdrive実験を構成します。
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：それぞれの正しい選択は1ポイントの価値があります。
正解：
解説：
Explanation
Box 1: Yes
In random sampling, hyperparameter values are randomly selected from the defined search space. Random sampling allows the search space to include both discrete and continuous hyperparameters.
Box 2: Yes
learning_rate has a normal distribution with mean value 10 and a standard deviation of 3.
Box 3: No
keep_probability has a uniform distribution with a minimum value of 0.05 and a maximum value of 0.1.
Box 4: No
number_of_hidden_layers takes on one of the values [3, 4, 5].
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
質問 # 181
Azure Machine Learning ワークスペースを管理します。
Azure Machine Learning Python SDK v2 を使用してパイプライン ジョブをスケジュールします。
cron 式を使用した時間ベースのスケジュールが正しく実装されているかどうかを判断する必要があります。
以下の各文について、正しい場合は「はい」を選択してください。そうでない場合は「いいえ」を選択してください。
注意: 正しい選択ごとに 1 ポイントが加算されます。
正解：
解説：
Explanation:
質問 # 182
Azure ストレージ アカウント内の BLOB コンテナーを参照する training_data というデータストアを作成します。BLOB コンテナーには、複数のコンマ区切り値 (CSV) ファイルが格納される csv_files というフォルダーが含まれます。
ローカルフォルダ「./script」に「train.py」というスクリプトがあり、これを推定器を用いた実験として実行する予定です。このスクリプトには、csv_files フォルダからデータを読み取るための以下のコードが含まれています。
次のスクリプトがあります。
スクリプトが training_data データストアの csv_files フォルダーを参照する data_ref という名前のデータ参照からデータを読み取ることができるように、実験の推定値を構成する必要があります。
推定値を構成するにはどのコードを使用すればよいですか?
- A. オプションE
- B. オプションC
- C. オプションA
- D. オプションD
- E. オプションB
正解：E
解説：
Besides passing the dataset through the inputs parameter in the estimator, you can also pass the dataset through script_params and get the data path (mounting point) in your training script via arguments. This way, you can keep your training script independent of azureml-sdk. In other words, you will be able use the same training script for local debugging and remote training on any cloud platform.
Example:
from azureml.train.sklearn import SKLearn
script_params = {
# mount the dataset on the remote compute and pass the mounted path as an argument to the training script
'--data-folder': mnist_ds.as_named_input('mnist').as_mount(),
'--regularization': 0.5
}
est = SKLearn(source_directory=script_folder,
script_params=script_params,
compute_target=compute_target,
environment_definition=env,
entry_script='train_mnist.py')
# Run the experiment
run = experiment.submit(est)
run.wait_for_completion(show_output=True)
Incorrect Answers:
A: Pandas DataFrame not used.
Reference:
https://docs.microsoft.com/es-es/azure/machine-learning/how-to-train-with-datasets
質問 # 183
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？
- A. はい
- B. いいえ
正解：B
解説：
Use the Multiple Imputation by Chained Equations (MICE) method.
Reference:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3074241/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data
質問 # 184
パイプラインを実行するPythonスクリプトがあります。このスクリプトには以下のコードが含まれています。
azureml.core から実験をインポート
pipeline_run = Experiment(ws, 'pipeline_test').submit(pipeline)
スクリプトをデプロイする前にパイプラインをテストする必要があります。
パイプラインが完了したら、STDOUT 出力に書き込まれたパイプライン実行の詳細を表示する必要があります。
テスト スクリプトに追加する必要があるコード セグメントはどれですか?
- A. pipeline_run.wait_for_completion(show_output=True)
- B. pipeline_param = PipelineParameter(name="stdout",default_value="console")
- C. pipeline_run.get.metrics()
- D. pipeline_run.get_status()
正解：A
解説：
wait_for_completion: Wait for the completion of this run. Returns the status object after the wait.
Syntax: wait_for_completion(show_output=False, wait_post_processing=False, raise_on_error=True) Parameter: show_output Indicates whether to show the run output on sys.stdout.
質問 # 185
Azure Machine Learning ワークスペースで Apache Spark を使用して対話型データ加工を行うプロジェクトを設計します。データ パイプラインは、以下のソリューションを提供する必要があります。
* データベースやAPIなどのさまざまなソースやリンクされたサービスから膨大な量のデータを取り込んで処理します
* 結果を Microsoft Power Bl で視覚化します。
* 最小限のリソースを使用して少量のデータのみを観察することで、問題を迅速に特定して対処する可能性を含めます。
プロジェクト アクティビティの計算オプションを選択する必要があります。
正解：
解説：
質問 # 186
自動機械学習を使用して、分類モデルと回帰モデルをトレーニングします。
自動化された機械学習の実験結果を評価する必要があります。結果には、分類モデルがその予測においてどのように系統的誤差を起こしているか、およびターゲット特徴と回帰モデルの予測の間の関係が含まれます。自動機械学習によって生成されたチャートを使用する必要があります。
モデル タイプごとにグラフのタイプを選択する必要があります。
どの種類のグラフ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: 正しく選択するたびに 1 ポイントの価値があります。
正解：
解説：
質問 # 187
パブリックエンドポイントからアクセスできるworkspace1という名前のAzureMachineLearningワークスペースがあります。ワークスペースには、account1という名前のAzureストレージアカウントのBLOBコンテナーを表すstore1という名前のAzureBlobストレージデータストアが含まれています。同じ仮想ネットワーク内のプライベートエンドポイントを使用して、workspace1とaccount1にアクセスできるように構成します。
Azure Machine Learning SDK for Pythonを使用して、store1のコンテンツにアクセスできる必要があります。 Azure Machine Learning Studioを使用して、store1のコンテンツをプレビューできる必要があります。
store1を構成する必要があります。
あなたは何をするべきか？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：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
Text, table Description automatically generated
Box 1: Regenerate the keys of account1.
Azure Blob Storage support authentication through Account key or SAS token.
To authenticate your access to the underlying storage service, you can provide either your account key, shared access signatures (SAS) tokens, or service principal Box 2: Update the authentication for store1.
For Azure Machine Learning studio users, several features rely on the ability to read data from a dataset; such as dataset previews, profiles and automated machine learning. For these features to work with storage behind virtual networks, use a workspace managed identity in the studio to allow Azure Machine Learning to access the storage account from outside the virtual network.
Note: Some of the studio's features are disabled by default in a virtual network. To re-enable these features, you must enable managed identity for storage accounts you intend to use in the studio.
The following operations are disabled by default in a virtual network:
Preview data in the studio.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-access-data
質問 # 188
次の数値特徴を含む特徴セットがあります: X、Y、Z。
X、Y、Z 特徴のポアソン相関係数 (r 値) は次の図に示されています。
ドロップダウン メニューを使用して、グラフィックに表示されている情報に基づいて各質問に答える選択肢を選択します。
注意: 正しい選択ごとに 1 ポイントが付与されます。
正解：
解説：
Explanation:
Box 1: 0.859122
Box 2: a positively linear relationship
+1 indicates a strong positive linear relationship
-1 indicates a strong negative linear correlation
0 denotes no linear relationship between the two variables.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation
質問 # 189
Azure OpenAI サービス モデルが接続された Azure AI Foundry プロジェクトがあります。
コンピュータ上にローカルに保存されたテキスト ファイルのセットがあります。
ローカル ファイルの内容に基づいて応答を生成するフローを設定する必要があります。
解決策を実装する必要があります。
どの 4 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、適切なアクションをアクション リストから回答領域に移動し、正しい順序に並べます。
正解：
解説：
質問 # 190
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、述べら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しい解決策があ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した後は、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。
ロジスティック回帰アルゴリズムを使用して分類モデルをトレーニングします。
各機能の重要度を、全体的なグローバル相対重要度値として、および特定の予測セットのローカル重要度の尺度として計算することにより、モデルの予測を説明できる必要があります。
必要なグローバルおよびローカルの特徴重要度値を取得するために使用できる説明を作成する必要があります。
解決策：MimicExplainerを作成します。
ソリューションは目標を達成していますか？
- A. はい
- B. いいえ
正解：B
解説：
Instead use Permutation Feature Importance Explainer (PFI).
Note 1: Mimic explainer is based on the idea of training global surrogate models to mimic blackbox models.
A global surrogate model is an intrinsically interpretable model that is trained to approximate the predictions of any black box model as accurately as possible. Data scientists can interpret the surrogate model to draw conclusions about the black box model.
Note 2: Permutation Feature Importance Explainer (PFI): Permutation Feature Importance is a technique used to explain classification and regression models. At a high level, the way it works is by randomly shuffling data one feature at a time for the entire dataset and calculating how much the performance metric of interest changes. The larger the change, the more important that feature is. PFI can explain the overall behavior of any underlying model but does not explain individual predictions.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-machine-learning-interpretability
質問 # 191
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。
あなたはAzure Machine Learning Studioを使用しているデータサイエンティストです。
ターゲット列を予測するには、値を正規化して出力列をビンに生成する必要があります。
解決策：ビニングモードをカスタムの開始および停止モードで等幅に適用します。
ソリューションは目標を達成していますか？
- A. はい
- B. いいえ
正解：B
解説：
説明
Use the Entropy MDL binning mode which has a target column.
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/group-data-into-bins
質問 # 192
注: この問題は、同じシナリオを提示する一連の問題の一部です。一連の問題にはそれぞれ、定められた目標を満たす可能性のある独自の解答が含まれています。問題セットによっては、複数の正解が存在する場合もあれば、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。
学生の教育期間、学位の種類、芸術形式などの変数に応じて、学生の芸術作品の価格を予測するモデルを作成しています。
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、精度、適合率、再現率、F1 スコア、および AUC。
ソリューションは目標を満たしていますか?
- A. はい
- B. いいえ
正解：B
解説：
Accuracy, Precision, Recall, F1 score, and AUC are metrics for evaluating classification models.
Note: Mean Absolute Error, Root Mean Absolute Error, Relative Absolute Error are OK for the linear regression model.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model
質問 # 193
Azure MachineLearningワークスペースを作成します。
DataDriftDetectorクラスを使用して、ベースラインデータセットと後続のターゲットデータセット間のデータドリフトを検出する必要があります。
コードセグメントをどのように完成させ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てください。
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, Word Description automatically generated
Box 1: create_from_datasets
The create_from_datasets method creates a new DataDriftDetector object from a baseline tabular dataset and a target time series dataset.
Box 2: backfill
The backfill method runs a backfill job over a given specified start and end date.
Syntax: backfill(start_date, end_date, compute_target=None, create_compute_target=False) Reference:
https://docs.microsoft.com/en-us/python/api/azureml-datadrift/azureml.datadrift.datadriftdetector(class)
質問 # 194
......
DP-100日本語リアル有効で正確な問題集519問題と解答が待ってます：https://www.goshiken.com/Microsoft/DP-100J-mondaishu.html