あなたを合格させるDP-100日本語お手軽に試験合格リアルDP-100日本語練習問題集で更新されたのは2024年07月01日 [Q123-Q141]

あなたを合格させるDP-100日本語お手軽に試験合格リアルDP-100日本語練習問題集で更新されたのは2024年07月01日

2024年最新の実際に出ると確認されたで無料Microsoft DP-100日本語試験問題

質問 # 123
Azure MachineLearningワークスペースを使用します。
次のPythonコードを作成します。

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：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/python/api/azureml-core/azureml.core.scriptrunconfig
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.environment.environment

質問 # 124
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：

説明

ボックス1：StandardScaler
StandardScalerは、データが各機能内に通常分布していることを前提としており、分布が標準偏差1で中央が0になるようにスケーリングします。
例：
すべての機能は、互いに相対的に同じスケールになりました。
ボックス2：最小最大スケーラー
分布の歪度は維持されますが、3つの分布は同じスケールになり、重なり合うことに注意してください。
ボックス3：ノーマライザー
参照：
http://benalexkeen.com/feature-scaling-with-scikit-learn/

質問 # 125
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。
残りの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つのクラス間の不均衡です。 5つの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：

説明

ボックス1：300
300（％）と入力すると、モジュールは元のデータセット（1000）と比較して少数派の割合（3000）を3倍にします。
ボックス2：5
5つのデータ行を使用する必要があります。
[最近傍の数]オプションを使用して、SMOTEアルゴリズムが新しいケースを構築するときに使用する機能空間のサイズを決定します。最近傍とは、あるターゲットケースに非常によく似たデータ行（ケース）です。任意の2つのケース間の距離は、すべてのフィーチャの加重ベクトルを組み合わせて測定されます。
最近傍の数を増やすことで、より多くのケースからフィーチャを取得できます。
最近傍の数を少なく保つことにより、元のサンプルの機能に似た機能を使用します。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote

質問 # 126
Azure Machine Learning ワークスペースがある
Azure Machine Learning SDK for Python v1 を使用してジョブを送信し、トレーニングスクリプトを実行する予定です。
トレーニングスクリプトが確実に実行されるようにするには、スクリプトを完成させる必要があります。
スクリプ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は 1 ポイントの価値があります

正解：

解説：

質問 # 127
注: この質問は、同じシナリオを示す一連の質問の一部です。このシリーズの各質問には、指定された目標を達成でき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含まれ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すると、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は表示されません。
Azure Machine Learning モデルをトレーニングして登録します。
モデルをオンラインエンドポイントにデプロイすることを計画しています。
アプリケーションがモデルにアクセスするために、有効期限のないアーティファクトを使用した認証方法を使用できることを確認する必要があります。
解決：
マネージドオンラインエンドポイントを作成し、その auto_mode パラメーターの値を key に設定します。モデルをインラインエンドポイントにデプロイします。
解決策は目標を達成できますか?

A. いいえ
B. はい

正解：B

質問 # 128
モデルのトレーニング要件に従って、順列機能の重要度モジュールを設定する必要があります。
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。
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: Accuracy
Scenario: You want to configure hyperparameters in the model learning process to speed the learning phase by using hyperparameters. In addition, this configuration should cancel the lowest performing runs at each evaluation interval, thereby directing effort and resources towards models that are more likely to be successful.
Box 2: R-Squared

質問 # 129
AutoMLConfig クラスを使用する実験を実行して、最大 10 回のモデルトレーニング反復による自動機械学習タスクを定義します。タスクは、精度という名前のメトリックに基づいて最高のパフォーマンスのモデルを見つけようとします。
次のコードを使用して実験を送信します。
自動機械学習タスクによって生成される最適なモデルを返す Python コードを作成する必要があります。どのコードセグメントを使用する必要がありますか?

正解：A

解説：
Explanation
The get_output method returns the best run and the fitted model.
Reference:
https://notebooks.azure.com/azureml/projects/azureml-getting-started/html/how-to-use-azureml/automated-mach

質問 # 130
AutoMLConfig クラスを使用する実験を実行して、最大 10 回のモデルトレーニング反復による自動機械学習タスクを定義します。タスクは、精度という名前のメトリックに基づいて最高のパフォーマンスのモデルを見つけようとします。
次のコードを使用して実験を送信します。
自動機械学習タスクによって生成される最適なモデルを返す Python コードを作成する必要があります。どのコードセグメントを使用する必要がありますか?

正解：C

質問 # 131
統計分布で非対称性を分析しています。
次の画像には、2つのデータセットの確率分布を示す2つの密度曲線が含まれています。

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

Explanation:
Box 1: Positive skew
Positive skew values means the distribution is skewed to the right.
Box 2: Negative skew
Negative skewness values mean the distribution is skewed to the left.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-elementary-statistics

質問 # 132
バイナリ分類を実行するリカレントニューラルネットワークを構築しています。
各トレーニングエポックのトレーニング損失、検証損失、トレーニング精度、および検証精度が提供されています。分類モデルがオーバーフィットしているかどうかを識別する必要があります。
次のうち正しいものはどれですか？

A. トレーニング損失は一定のままであり、検証損失はモデルをトレーニングするときに一定の値でトレーニング損失値に近いままです。
B. モデルをトレーニングすると、検証損失は減少しますが、トレーニング損失は増加します。
C. モデルをトレーニングするとき、トレーニング損失は一定のままで、検証損失は減少します。
D. モデルのトレーニング時に検証損失が増加する一方で、トレーニング損失は減少します。

正解：D

解説：
説明
オーバーフィットモデルとは、トレインセットのパフォーマンスが良好であり、改善を続ける一方で、検証セットのパフォーマンスがある程度改善し、その後低下し始めるモデルです。
参照：
https://machinelearningmastery.com/diagnose-overfitting-underfitting-lstm-models/

質問 # 133
パフォーマンスカーブの図に示されているように、広告応答モデルの新しいコストファクターシナリオを実装する必要があります。
どのテクニックを使用する必要がありますか？

A. Set the threshold to 0.05 and retrain if weighted Kappa deviates +/- 5% from 0.5.
B. Set the threshold to 0.5 and retrain if weighted Kappa deviates +/- 5% from 0.45.
C. Set the threshold to 0.75 and retrain if weighted Kappa deviates +/- 5% from 0.15.
D. Set the threshold to 0.2 and retrain if weighted Kappa deviates +/- 5% from 0.6.

正解：B

解説：
Scenario:
Performance curves of current and proposed cost factor scenarios are shown in the following diagram:

The ad propensity model uses a cut threshold is 0.45 and retrains occur if weighted Kappa deviated from 0.1 +/- 5%.

質問 # 134
ハイパードライブを使用して、モデルのトレーニング時に選択されたハイパーパラメーターを最適化する予定です。次のコードを作成して、ハイパーパラメータ実験のオプションを定義します

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：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/python/api/azureml-train-core/azureml.train.hyperdrive.hyperdriveconfig
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters

質問 # 135
二項分類モデルを作成して、人が病気にかかっているかどうかを予測します。
考えられる分類エラーを検出する必要があります。
説明ごとにどのエラータイプを選択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：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://developers.google.com/machine-learning/crash-course/classification/true-false-positive-negative

質問 # 136
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 # 137
AccessibilityToHighway列の欠落データを置き換える必要があります。
Clean Missing Dataモジュールをどのように構成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：

Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

質問 # 138
数値特徴量 X、Y、Z を含む特徴セットがあります。
X、Y、Z フィーチャのポアソン相関係数 (r 値) 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、図に示されている情報に基づいて各質問に答える回答の選択肢を選択します。
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

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 # 139
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。
Pythonスクリプトを使用して、Azure MachineLearningの実験を実行することを計画しています。スクリプトは、実験実行コンテキストへの参照を作成し、ファイルからデータをロードし、ラベル列の一意の値のセットを識別して、実験実行を完了します。

実験では、後で確認できる実行のメトリックとして、データに一意のラベルを記録する必要があります。
コメントで示されたポイントで実行メトリックとして一意のラベル値を記録するには、スクリプトにコードを追加する必要があります。
解決策：コメントを次のコードに置き換えます。
run.log_list（ 'ラベル値'、label_vals）
ソリューションは目標を達成していますか？

A. いいえ
B. はい

正解：B

解説：
Explanation
run.log_list log a list of values to the run with the given name using log_list.
Example: run.log_list("accuracies", [0.6, 0.7, 0.87])
Note:
Data= pd.read_csv('data.csv')
Data is read into a pandas.DataFrame, which is a two-dimensional, size-mutable, potentially heterogeneous tabular data.
label_vals =data['label'].unique
label_vals contains a list of unique label values.
Reference:
https://www.element61.be/en/resource/azure-machine-learning-services-complete-toolbox-ai
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.run(class)
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.html

質問 # 140
Azure Machine Learning ワークスペースがある
Azure Machine Learning SDK for Python v1 を使用してジョブを送信し、トレーニングスクリプトを実行する予定です。
トレーニングスクリプトを確実に実行するには、スクリプトを完了する必要があります。
スクリプトをどのように完成させるべきでしょうか? 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：