DP-100日本語問題集で2024年最新のMicrosoft DP-100日本語試験問題 [Q47-Q68]

DP-100日本語問題集で2024年最新のMicrosoft DP-100日本語試験問題

無料で使えるDP-100日本語ブレーン問題集でダウンロード（DP-100日本語テスト問題集無料更新された)

質問 # 47
あなたのチームは、データエンジニアリングおよびデータサイエンスの開発環境を構築しています。
環境は次の要件をサポートする必要があります。
* PythonおよびScalaをサポート
*データストレージ、移動、および処理サービスを自動データパイプラインに構成
*データエンジニアリングとデータサイエンスの両方のオーケストレーションに同じツールを使用する必要があります
*ワークロードの分離とインタラクティブなワークロードをサポート
*マシンのクラスター全体のスケーリングを有効にする
環境を作成する必要があります。
あなたは何をするべきか？

A. HDInsight用のApache Hiveで環境を構築し、オーケストレーションにAzure Data Factoryを使用します。
B. HDInsightのApache Sparkで環境を構築し、オーケストレーションにAzure Container Instancesを使用します。
C. Azure Databricksで環境を構築し、オーケストレーションにAzure Data Factoryを使用します。
D. Azure Databricksで環境を構築し、オーケストレーションにAzure Container Instancesを使用します。

正解：C

解説：
In Azure Databricks, we can create two different types of clusters.
* Standard, these are the default clusters and can be used with Python, R, Scala and SQL
* High-concurrency
Azure Databricks is fully integrated with Azure Data Factory.
Incorrect Answers:
D: Azure Container Instances is good for development or testing. Not suitable for production workloads.
References:
https://docs.microsoft.com/en-us/azure/architecture/data-guide/technology-choices/data-science-and-machinelearning

質問 # 48
Azure Machine Learning デザイナーを使用してトレーニングパイプラインを作成します。モデルのトレーニングに使用するデータを含む CSV ファイルをアップロードします。
デザイナーを使用して、次のタスクを実行する手順を含むパイプラインを作成する必要があります。
pandas フィルターメソッドを使用してトレーニング機能を選択します。
naive_bayes.GaussianNB アルゴリズムに基づいてモデルをトレーニングします。
クエリ SELECT [Scored Labels] FROM t1; を使用して、Scored Labels 列のみを返します。どのモジュールを使用する必要がありますか?答えるには、適切なモジュールを適切な場所にドラッグします。各モジュール名は、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、分割バーをペイン間でドラッグするか、スクロールする必要がある場合があります。
注: 正しい選択ごとに 1 ポイントの価値があります。

正解：

解説：

質問 # 49
広告応答のモデリング戦略を定義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のリストから回答エリアに移動し、正しい順序に並べます。

正解：

解説：

Explanation

Step 1: Implement a K-Means Clustering model
Step 2: Use the cluster as a feature in a Decision jungle model.
Decision jungles are non-parametric models, which can represent non-linear decision boundaries.
Step 3: Use the raw score as a feature in a Score Matchbox Recommender model The goal of creating a recommendation system is to recommend one or more "items" to "users" of the system.
Examples of an item could be a movie, restaurant, book, or song. A user could be a person, group of persons, or other entity with item preferences.
Scenario:
Ad response rated declined.
Ad response models must be trained at the beginning of each event and applied during the sporting event.
Market segmentation models must optimize for similar ad response history.
Ad response models must support non-linear boundaries of features.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/multiclass-decision-jungle
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-matchbox-recommende

質問 # 50
あなたは鳥の健康と移動を追跡するプロジェクトのリードデータサイエンティストです。専門家が収集したラベル付きの鳥の写真のセットを使用するマルチクラス画像分類ディープラーニングモデルを作成します。
あなたは鳥の写真を10万枚持っています。すべての写真はJPG形式を使用し、AzureサブスクリプションのAzure BLOBコンテナーに保存されます。
深層学習モデルのトレーニングに使用されるAzure Machine Learning serviceワークスペースからAzure blobコンテナー内の鳥の写真ファイルにアクセスする必要があります。データの移動を最小限に抑える必要があります。
あなたは何をするべきか？

A. 鳥の写真を含むAzure BlobストレージをデータストアとしてAzure Machine Learningサービスに登録します。
B. Azure Cosmos DBデータベースを作成し、鳥の写真のストレージを含むAzure Blobをデータベースに接続します。
C. Azure Data Lakeストアを作成し、鳥の写真をストアに移動します。
D. 鳥の写真を、Azure Machine Learningサービスワークスペースで作成されたblobデータストアにコピーします。
E. 鳥の写真を含むAzure Blobストレージを参照するTabularDatasetクラスを使用して、データセットを作成および登録します。

正解：A

解説：
We recommend creating a datastore for an Azure Blob container. When you create a workspace, an Azure blob container and an Azure file share are automatically registered to the workspace.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-access-data

質問 # 51
Azure Machine Learning ワークスペースがあります。
ワークスペースの構成ファイルがダウンロードされている Python 環境で、次のコードを実行します。

指示: 次の各ステートメントについて、ステートメントが正しい場合は [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

質問 # 52
クリーニングが必要な生のデータセットを分析しています。
Azure Machine Learning Studioを使用して、変換と操作を実行する必要があります。
変換を実行するには、正しいモジュールを識別する必要があります。
どのモジュールを選択する必要がありますか？答えるには、適切なモジュールを正しいシナリオにドラッグします。各モジュールは、1回、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：

解説：

Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/convert-to-indicator-values

質問 # 53
Azure Machine Learning ワークスペースがあります。Azure Data Lake Storage Gen2 アカウントをデータストアとしてワークスペースに接続しています。ワークスペースから Azure Data Lake Storage Gen2 アカウントへのアクセスを承認する必要があります。
何を使えばいいのでしょうか？

A. サービスプリンシパル
B. マネージド ID
C. SAS トークン
D. アカウントキー

正解：B

質問 # 54
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。
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の他のクラスよりもはるかに少ない数の観測値があります。
クラスの不均衡を補うために、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：Scale and Reduce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達成していますか？

A. はい
B. いいえ

正解：B

解説：
Instead use the Synthetic Minority Oversampling Technique (SMOTE) sampling mode.
Note: SMOTE is used to increase the number of underepresented cases in a dataset used for machine learning. SMOTE is a better way of increasing the number of rare cases than simply duplicating existing cases.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote

質問 # 55
あなたはAzureMachineLearningワークスペースの所有者です。
カスタムロールを使用して、コンピューティングリソースの作成または削除を防止する必要があります。ワークスペース内の他のすべての操作を許可する必要があります。
カスタムロールを構成する必要があります。
どのように構成を完了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：

Reference:
https://docs.microsoft.com/en-us/azure/role-based-access-control/overview#how-azure-rbac-determines-if-a-user-has-access-to-a-resource

質問 # 56
広告応答のモデリング戦略を定義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のリストから回答エリアに移動し、正しい順序に並べます。

正解：

質問 # 57
次のコードを使用して、モデルをAzure Machine LearningリアルタイムWebサービスとしてデプロイします。

デプロイメントは失敗します。
デプロイメント中に実行されたアクションを判別し、失敗した特定のアクションを識別することにより、デプロイメントの失敗をトラブルシューティングする必要があります。
どのコードセグメントを実行する必要がありますか？

A. service.update_deployment_state（）
B. service.serialize（）
C. service.get_logs（）
D. service.state

正解：C

解説：
Explanation
You can print out detailed Docker engine log messages from the service object. You can view the log for ACI, AKS, and Local deployments. The following example demonstrates how to print the logs.
# if you already have the service object handy
print(service.get_logs())
# if you only know the name of the service (note there might be multiple services with the same name but different version number) print(ws.webservices['mysvc'].get_logs()) Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-troubleshoot-deployment

質問 # 58
あなたは、画像分類のための深い畳み込みニューラルネットワーク（CNN）を構築するデータサイエンティストです。
構築したCNNモデルは、過剰適合の兆候を示しています。
過剰適合を減らし、モデルを最適な適合に収束させる必要があります。
実行すべき2つのアクションはどれですか？それぞれの正解は完全な解決策を提示します。
注：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。

A. トレーニングデータの増強を使用する
B. L1 / L2正則化を追加します。
C. トレーニングデータの量を減らします。
D. 64の入力ユニットを持つ追加の高密度レイヤーを追加します
E. 512入力単位の追加の高密度レイヤーを追加します。

正解：B、C

解説：
Explanation
References:
https://machinelearningmastery.com/how-to-reduce-overfitting-in-deep-learning-with-weight-regularization/
https://en.wikipedia.org/wiki/Convolutional_neural_network

質問 # 59
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 # 60
Azure Machine Learning Designerを使用して、リアルタイムサービスエンドポイントを作成します。 Azure Machine Learning serviceコンピューティングリソースが1つあります。モデルをトレーニングし、デプロイメント用のリアルタイムパイプラインを準備します。推論パイプラインをWebサービスとして公開する必要があります。どの計算タイプを使用する必要がありますか？

A. HDInsight
B. Azure Kubernetesサービス
C. 既存の機械学習コンピューティングリソース
D. 新しい機械学習コンピューティングリソース
E. Azure Databricks

正解：B

解説：
Azure Kubernetes Service (AKS) can be used real-time inference.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target

質問 # 61
x.1、x2、およびx3の機能に対してscikit-learn Pythonライブラリを使用して、機能のスケーリングを実行しています。
元のデータとスケーリングされたデータを次の図に示します。

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る情報に基づいて各質問に回答する回答選択肢を選択します。
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：

解説：

Explanation:

Box 1: StandardScaler
The StandardScaler assumes your data is normally distributed within each feature and will scale them such that the distribution is now centred around 0, with a standard deviation of 1.
Example:

All features are now on the same scale relative to one another.
Box 2: Min Max Scaler

Notice that the skewness of the distribution is maintained but the 3 distributions are brought into the same scale so that they overlap.
Box 3: Normalizer
References:
http://benalexkeen.com/feature-scaling-with-scikit-learn/

質問 # 62
あなたは鳥の健康と移動を追跡するプロジェクトのリードデータサイエンティストです。専門家が収集したラベル付きの鳥の写真のセットを使用するマルチイメージ分類の深層学習モデルを作成します。このモデルを使用して、アプリユーザーが捕獲する鳥の種を予測するクロスプラットフォームのモバイルアプリを開発する予定です。
トレーニング済みモデルをWebサービスとしてテストおよびデプロイする必要があります。デプロイされたモデルは、次の要件を満たしている必要があります。
*認証された接続がテストに必要であってはなりません。
*デプロイされたモデルは、推論中に低遅延で実行する必要があります。
* RESTエンドポイントはスケーラブルである必要があり、複数のエンドユーザーがモバイルアプリケーションを使用している場合に多数のリクエストを処理する能力が必要です。
有効なRESTリクエストが送信されたときに、Webサービスが予想されるJSON形式で予測を返すことを確認する必要があります。
どのコンピューティングリソース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：

Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/dsvm-common-identity
https://docs.microsoft.com/en-us/azure/architecture/reference-architectures/ai/training-deep-learning

質問 # 63
AzureDatabricksワークスペースとリンクされたAzureMachineLearningワークスペースを作成します。
Azure MachineLearningワークスペースには次のPythonコードセグメントがあります。
mlflowをインポートします
mlflow.azuremlをインポートします
azureml.mlflowをインポートします
azureml.coreをインポートします
azureml.coreからインポートワークスペース
subscription_id = 'subscription_id'
resourse_group = 'resource_group_name'
workspace_name = 'workspace_name'
ws = Workspace.get(name=workspace_name,
subscription_id=subscription_id,
resource_group = resource_group）
ExperimentName = "/ Users / {user_name} / {experiment_folder} / {experiment_name}" mlflow.set_experiment（experimentName）uri = ws.get_mlflow_tracking_uri（）mlflow.set_tracking_uri（uri）手順：次の各ステートメントで、次の場合は[はい]を選択します。ステートメントは真です。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
A screenshot of a computer Description automatically generated with medium confidence

Box 1: No
The Workspace.get method loads an existing workspace without using configuration files.
ws = Workspace.get(name="myworkspace",
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup')
Box 2: Yes
MLflow Tracking with Azure Machine Learning lets you store the logged metrics and artifacts from your local runs into your Azure Machine Learning workspace.
The get_mlflow_tracking_uri() method assigns a unique tracking URI address to the workspace, ws, and set_tracking_uri() points the MLflow tracking URI to that address.
Box 3: Yes
Note: In Deep Learning, epoch means the total dataset is passed forward and backward in a neural network once.
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.workspace.workspace
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-mlflow

質問 # 64
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、指定された目標を満たす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。
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コンピュータを使用しています。 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ログに記録するスクリプトを実行する必要があります。
ソリューション：Azure ML SDKをSurface Bookにインストールします。 Pythonコードを実行してワークスペースに接続し、ローカルコンピューティングの実験としてトレーニングスクリプトを実行します。

A. はい
B. いいえ

正解：B

解説：
Explanation
Need to attach the mlvm virtual machine as a compute target in the Azure Machine Learning workspace.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target

質問 # 65
Azure Machine Learning Studio を使用して mltabte データ資産をプロファイリングしています。奇数または欠損値を持つ列を検出する必要があります。どの統計を分析する必要がありますか?

A. 標準偏差
B. タイプ
C. プロフィール
D. エラー数

正解：D

質問 # 66
データの視覚化要件に従って、診断テストの評価用に視覚化を作成する必要があります。
どの3つのモジュールを順番に使用することをお勧めしますか？回答するには、適切なモジュールをモジュールのリストから回答エリアに移動し、正しい順序で並べます。

正解：

解説：

1 - SweepClustering
2 - Train Model
3 - Evaluate Model

質問 # 67
バイナリ分類モデルを作成します。
モデルのパフォーマンスを評価する必要があります。
どの2つの指標を使用できますか？それぞれの正解は完全な解決策を提示します。
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。

A. accuracy
B. mean absolute error
C. coefficient of determination
D. relative absolute error
E. precision

正解：A、E

解説：
The evaluation metrics available for binary classification models are: Accuracy, Precision, Recall, F1 Score, and AUC.
Note: A very natural question is: 'Out of the individuals whom the model, how many were classified correctly (TP)?' This question can be answered by looking at the Precision of the model, which is the proportion of positives that are classified correctly.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance

質問 # 68
......

検証済みのDP-100日本語問題集と解答で合格保証で試験問題集テストエンジン：https://www.goshiken.com/Microsoft/DP-100J-mondaishu.html

関するブログ

もっと

DP-100J無料問題集