DP-100日本語実際の問題解答PDFには100%カバー率リアル試験問題
DP-100日本語試験問題解答
質問 # 124
Azureを使用して、機械学習、実験を開発しています。
次の画像は、機械学習実験の入力と出力を示しています。
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：
質問 # 125
あなたは、12,000 件のカスタマー レビューを短文形式で記述した CSV ファイルを使用して、感情分析を実行しています。 CSV ファイルを Azure Machine Learning Studio に追加し、実験の開始点データセットとして構成します。テキストから N-Gram 機能を抽出モジュールを実験に追加して、データセットのカスタマー レビュー列からキー フレーズを抽出します。
カスタマー レビュー テキストから新しい n-gram ディクショナリを作成し、n-gram の最大サイズを trigrams に設定する必要があります。
何を選べばいい？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: 正しい選択ごとに 1 ポイントの価値があります。
正解：
解説：
Explanation
Vocabulary mode: Create
For Vocabulary mode, select Create to indicate that you are creating a new list of n-gram features.
N-Grams size: 3
For N-Grams size, type a number that indicates the maximum size of the n-grams to extract and store. For example, if you type 3, unigrams, bigrams, and trigrams will be created.
Weighting function: Leave blank
The option, Weighting function, is required only if you merge or update vocabularies. It specifies how terms in the two vocabularies and their scores should be weighted against each other.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/extract-n-gram-features-from-
質問 # 126
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：
Explanation:
Box 1: Clean Missing Data
Box 2: SMOTE
Use the SMOTE module in Azure Machine Learning Studio 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.
Box 3: Convert to Indicator Values
Use the Convert to Indicator Values module in Azure Machine Learning Studio. The purpose of this module is to convert columns that contain categorical values into a series of binary indicator columns that can more easily be used as features in a machine learning model.
Box 4: Remove Duplicate Rows
References:
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 # 127
トレーニング済みモデルのリアルタイム推論サービスをデプロイします。
デプロイされたモデルはビジネスに不可欠なアプリケーションをサポートします。Webサービスに送信されたデータと、データが生成する予測を監視できることが重要です。
最小限の管理作業で、デプロイされたモデルの監視ソリューションを実装する必要があります。
あなたは何をするべきか？
- A. Azure MLスタジオで登録されたモデルの説明を表示します。
- B. モデルのトレーニングに使用された実験によって生成されたログファイルを表示します。
- C. エンドポイントを参照するMLフロー追跡URIを作成し、MLフローによってログに記録されたデータを表示します。
- D. サービスエンドポイントのAzure Application Insightsを有効にし、Azureポータルでログデータを表示します。
正解：D
解説：
Explanation
Configure logging with Azure Machine Learning studio
You can also enable Azure Application Insights from Azure Machine Learning studio. When you're ready to deploy your model as a web service, use the following steps to enable Application Insights:
1. Sign in to the studio at https://ml.azure.com.
2. Go to Models and select the model you want to deploy.
3. Select +Deploy.
4. Populate the Deploy model form.
5. Expand the Advanced menu.
6. Select Enable Application Insights diagnostics and data collection.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-enable-app-insights
質問 # 128
決定木アルゴリズムを使用しています。次のツリー深度で一般化するモデルを訓練しました。
10。
さまざまなツリー深度値を持つモデルのバイアスおよび分散プロパティを選択する必要があります。
各ツリーの深さに対してどのプロパティ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。
正解：
解説：
Reference:
https://machinelearningmastery.com/gentle-introduction-to-the-bias-variance-trade-off-in-machine-learning/
質問 # 129
workspace1 という名前の Azure Machine Learning ワークスペースを、compute1 という名前のコンピューティング インスタンスを使用して管理します。接続してコンピューティングします。wofkspace1 のターミナル ウィンドウを使用します。という名前のファイルを作成します
Jupyler を組み込むための Python 依存関係を含む「requirements.txt」。
新しい Jupyter カーネルを compute1 に追加する必要があります。
どの 4 つのコマンドを使用する必要がありますか? 回答するには、アクションの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：
Explanation
質問 # 130
ペナルティイベント検出のプロセス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：
1 - Vary the length of frequency bands between modeling epochs.
2 - Standardize to mono audio clips.
3 - Use the Fast Fourier transform on frequency changes over time.
質問 # 131
決定木アルゴリズムを使用しています。次のツリー深度で一般化するモデルを訓練しました。
10。
さまざまなツリー深度値を持つモデルのバイアスおよび分散プロパティを選択する必要があります。
各ツリーの深さに対してどのプロパティ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。
正解：
解説：
Explanation:
In decision trees, the depth of the tree determines the variance. A complicated decision tree (e.g. deep) has low bias and high variance.
Note: In statistics and machine learning, the bias-variance tradeoff is the property of a set of predictive models whereby models with a lower bias in parameter estimation have a higher variance of the parameter estimates across samples, and vice vers a. Increasing the bias will decrease the variance. Increasing the variance will decrease the bias.
References:
https://machinelearningmastery.com/gentle-introduction-to-the-bias-variance-trade-off-in-machine-learning/
質問 # 132
150を超える機能を含むデータセットがあります。 データセットを使用して、サポートベクターマシン（SVM）バイナリ分類器をトレーニングします。
Azure Machine Learning StudioのPermutation Feature Importanceモジュールを使用して、データセットの一連の機能重要度スコアを計算する必要があります。
どの順序でアクションを実行する必要がありますか？ 回答するには、すべての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: Add a Two-Class Support Vector Machine module to initialize the SVM classifier.
Step 2: Add a dataset to the experiment
Step 3: Add a Split Data module to create training and test dataset.
To generate a set of feature scores requires that you have an already trained model, as well as a test dataset.
Step 4: Add a Permutation Feature Importance module and connect to the trained model and test dataset.
Step 5: Set the Metric for measuring performance property to Classification - Accuracy and then run the experiment.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/two-class-support-vector-machine
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importance
質問 # 133
Azure Machine Learning Studioで実験を作成します-10.000行を含むトレーニングデータセットを追加します。最初の9.000行はクラス0（90パーセント）を表します。最初の1.000行はクラス1（10パーセント）を表します。
トレーニングセットは2つのクラス間で不均衡です。データ行を使用して、クラス1のトレーニング例の数を4,000に増やす必要があります。 Synthetic Minority Oversampling Technique（SMOTE）モジュールを実験に追加します。
モジュールを構成する必要があります。
どの値を使用する必要がありますか？回答するには、回答領域のダイアログボックス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：
解説：
質問 # 134
Azure Machine Learningデザイナーを使用して実験を構築しています。
データセットをトレーニングセットとテストセットに分割します。 Two-Class Boosted Decision Treeをアルゴリズムとして選択します。
モデルの曲線下面積（AUC）を決定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必要がありますか？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領域に移動し、正しい順序に並べます。
正解：
解説：
Explanation:
Step 1: Train Model
Two-Class Boosted Decision Tree
First, set up the boosted decision tree model.
1. Find the Two-Class Boosted Decision Tree module in the module palette and drag it onto the canvas.
2. Find the Train Model module, drag it onto the canvas, and then connect the output of the Two-Class Boosted Decision Tree module to the left input port of the Train Model module.
The Two-Class Boosted Decision Tree module initializes the generic model, and Train Model uses training data to train the model.
3. Connect the left output of the left Execute R Script module to the right input port of the Train Model module (in this tutorial you used the data coming from the left side of the Split Data module for training).
This portion of the experiment now looks something like this:
Step 2: Score Model
Score and evaluate the models
You use the testing data that was separated out by the Split Data module to score our trained models. You can then compare the results of the two models to see which generated better results.
Add the Score Model modules
1. Find the Score Model module and drag it onto the canvas.
2. Connect the Train Model module that's connected to the Two-Class Boosted Decision Tree module to the left input port of the Score Model module.
3. Connect the right Execute R Script module (our testing data) to the right input port of the Score Model module.
Step 3: Evaluate Model
To evaluate the two scoring results and compare them, you use an Evaluate Model module.
1. Find the Evaluate Model module and drag it onto the canvas.
2. Connect the output port of the Score Model module associated with the boosted decision tree model to the left input port of the Evaluate Model module.
3. Connect the other Score Model module to the right input port.
質問 # 135
C-Support Vector分類を使用して、不均衡なトレーニングデータセットでマルチクラス分類を行っています。以下に示すPythonコードを使用したC-Support Vector分類：
C-Support Vector分類コードを評価する必要があります。
どの評価ステートメント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には1ポイントの価値があります。
正解：
解説：
Explanation:
Box 1: Automatically adjust weights inversely proportional to class frequencies in the input data The "balanced" mode uses the values of y to automatically adjust weights inversely proportional to class frequencies in the input data as n_samples / (n_classes * np.bincount(y)).
Box 2: Penalty parameter
Parameter: C : float, optional (default=1.0)
Penalty parameter C of the error term.
References:
https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
質問 # 136
2 つの異なる年齢グループ内の糖尿病の陽性症例を予測するバイナリ分類器があります。
分類子は、年齢グループ間で高度な格差を示しています。
分類器の出力を変更して、年齢層全体で公平性を最大化し、次の要件を満たす必要があります。
* 分類子の基になっているモデルを再トレーニングする必要がなくなります。
* 真陽性率と偽陽性率の年齢層間の格差を最小限に抑えます。
どのアルゴリズムとパンティ拘束を使用する必要がありますか? 回答するには、回答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：
Explanation
質問 # 137
次の形式のsalesDataという名前のPythonデータフレームがあります。
データフレームは、次のように長いデータ形式にピボット解除する必要があります。
変換を実行するには、Pythonのpandas.melt（）関数を使用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: dataFrame
Syntax: pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)[source] Where frame is a DataFrame Box 2: shop Paramter id_vars id_vars : tuple, list, or ndarray, optional Column(s) to use as identifier variables.
Box 3: ['2017','2018']
value_vars : tuple, list, or ndarray, optional
Column(s) to unpivot. If not specified, uses all columns that are not set as id_vars.
Example:
df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'},
... 'B': {0: 1, 1: 3, 2: 5},
... 'C': {0: 2, 1: 4, 2: 6}})
pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])
A variable value
0 a B 1
1 b B 3
2 c B 5
3 a C 2
4 b C 4
5 c C 6
References:
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.melt.html
質問 # 138
Azure Machine Learning ワークスペースを作成します。Azure Machine Learning スタジオでコードなしの AutoML を使用して分類モデルをトレーニングしています。
モデルは、金融機関の顧客が定期預金を申し込むかどうかを予測する必要があります。2 番目に高いスコアリング アルゴリズムのモデルの予測に最も影響を与える特徴を特定する必要があります。機能を特定するための労力と時間を最小限に抑える必要があります。
識別を完了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? 答えるには、アクションの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：
1 - Select teh second algotithm on the list..
2 - Select the Explain model option.
3 - Display the aggregate feature importance chart.
質問 # 139
AzureStorageアカウントのBLOBコンテナーを参照するtraining_dataという名前の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ているcsv_filesという名前のフォルダーが含まれています。
./scriptという名前のローカルフォルダーにtrain.pyという名前のスクリプトがあり、推定器を使用して実験として実行する予定です。スクリプトには、csv_filesフォルダーからデータを読み取るための次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。
Estimatorを構成するためにどのコードを使用する必要がありますか？
- A. オプションD
- B. オプションC
- C. オプションA
- D. オプションB
- E. オプションE
正解：D
解説：
Explanation
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)
Reference:
https://docs.microsoft.com/es-es/azure/machine-learning/how-to-train-with-datasets
質問 # 140
分類タスクを解決しています。
k分割交差検証を使用して、限られたデータサンプルでモデルを評価する必要があります。 kパラメーターを分割数として構成することから始めます。
交差検定のkパラメーターを構成する必要があります。
どの値を使用する必要がありますか？
- A. k=5
- B. k=0
- C. k=0.5
- D. k=1
正解：A
解説：
Leave One Out (LOO) cross-validation
Setting K = n (the number of observations) yields n-fold and is called leave-one out cross-validation (LOO), a special case of the K-fold approach.
LOO CV is sometimes useful but typically doesn't shake up the data enough. The estimates from each fold are highly correlated and hence their average can have high variance.
This is why the usual choice is K=5 or 10. It provides a good compromise for the bias-variance tradeoff.
質問 # 141
組織はAzure Machine Learningサービスを使用しており、機械学習の使用を拡大したいと考えています。
次のコンピューティング環境があります。組織は別のコンピューティング環境を作成したくありません。
次のシナリオで使用するコンピューティング環境を決定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？答えるには、適切なコンピューティング環境を正しいシナリオにドラッグします。各コンピューティング環境は、1回、複数回、またはまったく使用しない場合があります。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は1ポイントの価値があります。
正解：
解説：
Explanation
Box 1: nb_server
Box 2: mlc_cluster
With Azure Machine Learning, you can train your model on a variety of resources or environments, collectively referred to as compute targets. A compute target can be a local machine or a cloud resource, such as an Azure Machine Learning Compute, Azure HDInsight or a remote virtual machine.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-set-up-training-targets
質問 # 142
......
DP-100日本語試験練習テスト問題：https://www.goshiken.com/Microsoft/DP-100J-mondaishu.html