リリースMicrosoft DP-100日本語更新された問題PDF [Q77-Q101]

リリースMicrosoft DP-100日本語更新された問題PDF

DP-100日本語問題集と練習テスト（403試験問題)

質問 # 77
Azure Machine Learning Studioで新しい実験を作成しています。多くの列に欠損値がある小さなデータセットがあります。データでは、各列に予測変数を適用する必要はありません。欠損データの処理モジュールを使用して、欠損データを処理する予定です。
データクリーニング方法を選択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？

A. 合成マイノリティオーバーサンプリングテクニック（SMOTE）
B. を使用して置き換えます。確率的PCA
C. MICEを使用して交換
D. 正規化

正解：B

解説：
Replace using Probabilistic PCA: Compared to other options, such as Multiple Imputation using Chained Equations (MICE), this option has the advantage of not requiring the application of predictors for each column. Instead, it approximates the covariance for the full dataset. Therefore, it might offer better performance for datasets that have missing values in many columns.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

質問 # 78
あなたはホテル予約のウェブサイト会社で働いているデータサイエンティストです。 Azure Machine Learningサービスを使用して、不正なトランザクションを識別するモデルをトレーニングします。
Azure Machine Learning SDKのModel.deployメソッドを使用して、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する必要があります。デプロイされたWebサービスは、トランザクションデータ入力に基づいて不正のリアルタイム予測を返す必要があります。
モデルのデプロイに使用されるInferenceConfigクラスのentry_scriptパラメーターとして指定されるスクリプトを作成する必要があります。
入力スクリプトは何をすべきですか？

A. 推論の計算に必要なコアの数とメモリの量を指定します。
B. 適切なタグとプロパティを使用してモデルを登録します。
C. Webサービスがデプロイされている推論クラスターでノードを起動します。
D. モデルを読み込み、それを使用して入力データからラベルを予測します。
E. Webサービスコンピューティング用のConda環境を作成し、必要なPythonパッケージをインストールします。

正解：E

質問 # 79
特徴抽出方法を選択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？

A. 相互情報
B. マン・ホイットニー検定
C. スピアマン相関
D. ピアソンの相関

正解：C

解説：
Spearman's rank correlation coefficient assesses how well the relationship between two variables can be described using a monotonic function.
Note: Both Spearman's and Kendall's can be formulated as special cases of a more general correlation coefficient, and they are both appropriate in this scenario.
Scenario: The MedianValue and AvgRoomsInHouse columns both hold data in numeric format. You need to select a feature selection algorithm to analyze the relationship between the two columns in more detail.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/feature-selection-modules

質問 # 80
同僚が次のコードを使用して、機械学習サービスワークスペースにデータストアを登録します。

ノートブックからデータストアにアクセスするには、コードを記述する必要があります。

正解：

解説：

Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-access-data

質問 # 81
テスト要件に従ってデータを分割する方法を特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:
Scenario: Testing
You must produce multiple partitions of a dataset based on sampling using the Partition and Sample module in Azure Machine Learning Studio.
Box 1: Assign to folds
Use Assign to folds option when you want to divide the dataset into subsets of the data. This option is also useful when you want to create a custom number of folds for cross-validation, or to split rows into several groups.
Not Head: Use Head mode to get only the first n rows. This option is useful if you want to test a pipeline on a small number of rows, and don't need the data to be balanced or sampled in any way.
Not Sampling: The Sampling option supports simple random sampling or stratified random sampling. This is useful if you want to create a smaller representative sample dataset for testing.
Box 2: Partition evenly
Specify the partitioner method: Indicate how you want data to be apportioned to each partition, using these options:
* Partition evenly: Use this option to place an equal number of rows in each partition. To specify the number of output partitions, type a whole number in the Specify number of folds to split evenly into text box.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/algorithm-module-reference/partition-and-sample

質問 # 82
トレーニングクラスターと推論クラスターを含むAzure Machine Learningワークスペースがあります。
Azure Machine Learningデザイナーを使用して分類モデルを作成する予定です。
クライアントアプリケーションがデータをHTTPリクエストとして送信し、予測をレスポンスとして受信できることを確認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、適切なアクションをアクション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：

質問 # 83
複数の生徒に実践的なワークショップを実施する予定です。ワークショップでは、Pythonを使用したデータ視覚化の作成に焦点を当てます。各生徒は、インターネットにアクセスできるデバイスを使用します。
学生用デバイスはPython開発用に構成されていません。学生には、デバイスにソフトウェアをインストールするための管理者アクセス権がありません。学生はAzureサブスクリプションを利用できません。
学生がPythonベースのデータ視覚化コードを実行できることを確認する必要があります。
どのAzureツールを使用する必要がありますか？

A. Azure BatchAl
B. Azure Notebooks
C. Azure Machine Learning Service
D. Anaconda Data Science Platform

正解：B

解説：
Reference:
https://notebooks.azure.com/

質問 # 84
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 # 85
Python SDK v2 を使用して、workspace1 という名前の Azure Machine Learning ワークスペースを管理します。
workspace1 のデフォルトのデータストアには、sample_dat という名前のフォルダーが含まれています
を。フォルダー構造には、次のコンテンツが含まれています。

Python SDK v2 コードを記述して、sample.data フォルダー内のファイルのデータを Pandas データフレームに実体化します。MLTaWe フォルダーをマテリアライゼーションブループリントとして使用するには、Python SDK v2 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 # 86
Azure Machine Learning を使用して、Bandit の早期終了ポリシーでハイパーパラメーターの調整を実装します。
このポリシーでは、slack_factor を 01 に設定し、評価間隔を 1 に設定し、評価遅延を b に設定します。
早期終了ポリシーの結果を評価する必要があります
あなたは何を評価すべきですか？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 # 87
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：

質問 # 88
ディープラーニング仮想マシン（DLVM）を使用して、コンピューティングユニファイドデバイスアーキテクチャ（CUDA）計算を使用したディープラーニングモデルをトレーニングする予定です。
CUDAをサポートするようにDLVMを構成する必要があります。
何を実装すべきですか？

A. Intel Software Guard Extensions（Intel SGX）テクノロジー
B. 高ランダムアクセスメモリ（RAM）構成
C. グラフィックプロセッシングユニット（GPU）
D. オーバークロッキングの使用によるコンピューター処理装置（CPU）の速度の向上
E. ソリッドステートドライブ（SSD）

正解：C

解説：
Explanation
A Deep Learning Virtual Machine is a pre-configured environment for deep learning using GPU instances.
References:
https://azuremarketplace.microsoft.com/en-au/marketplace/apps/microsoft-ads.dsvm-deep-learning

質問 # 89
Azure Machine Learning ワークスペースとデータセットを作成します。データセットには、大規模な糖尿病患者グループの年齢値が含まれています。SmartNoise ライブラリの dp.mean 関数を使用して、年齢値の平均を計算します。値を age.mean という名前の変数に保存します。
95% の確率で返されるリリース平均値の間隔範囲の値を出力する必要があります。
コードを完成させる必要があります。
どのコード値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選択肢を選択してください。注: 正しい選択肢はそれぞれ 1 ポイントの価値があります。

正解：

解説：
see the answer below.
Explanation
See below image

質問 # 90
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 # 91
トレーニングと検証のエラー値に大きな差があるモデルがあります。
新しいモデルを作成し、相互検証を実行する必要があります。
Azure Machine Learning Studioを使用して、新しいモデルのパラメーターセットを識別する必要があります。
各ステップで使用するモジュールはどれですか？答えるには、適切なモジュールを正しい手順にドラッグします。
各モジュールは、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、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：

References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample

質問 # 92
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A
B. オプションE
C. オプションD
D. オプションC
E. オプションB

正解：E

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 # 93
実験の要件とデータセットに基づいて、機能ベースの機能選択モジュールを構成する必要があります。
モジュールのプロパティ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：

Explanation:
Box 1: Mutual Information.
The mutual information score is particularly useful in feature selection because it maximizes the mutual information between the joint distribution and target variables in datasets with many dimensions.
Box 2: MedianValue
MedianValue is the feature column, , it is the predictor of the dataset.
Scenario: The MedianValue and AvgRoomsinHouse columns both hold data in numeric format. You need to select a feature selection algorithm to analyze the relationship between the two columns in more detail.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/filter-based-feature-selection

質問 # 94
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：サンプリングモードに層別分割を使用します。
ソリューションは目標を達成していますか？

A. いいえ
B. はい

正解：A

解説：
説明
代わりに、Synthetic Minority Oversampling Technique（SMOTE）サンプリングモードを使用します。
注：SMOTEは、機械学習に使用されるデータセット内の過小評価されたケースの数を増やすために使用されます。
SMOTEは、既存のケースを単純に複製するよりも、まれなケースの数を増やすより良い方法です。
参照：
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smote

質問 # 95
モデルの適合の問題を修正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: Augment the data
Scenario: Columns in each dataset contain missing and null values. The datasets also contain many outliers.
Step 2: Add the Bayesian Linear Regression module.
Scenario: You produce a regression model to predict property prices by using the Linear Regression and Bayesian Linear Regression modules.
Step 3: Configure the regularization weight.
Regularization typically is used to avoid overfitting. For example, in L2 regularization weight, type the value to use as the weight for L2 regularization. We recommend that you use a non-zero value to avoid overfitting.
Scenario:
Model fit: The model shows signs of overfitting. You need to produce a more refined regression model that reduces the overfitting.

質問 # 96
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：

質問 # 97
Azure Machine Learning Studioを使用して、2つのデータセットが互いに著しく異なるかどうかを判断しています。
1つのデータセットの推定値は、他のデータセットの参照値よりも大きい場合も小さい場合もあります。定数を持つ分布を作成する必要があります。相関の関数としてのタイプIエラー。
ディストリビューションを作成する必要があります。
どのタイプの配布を作成する必要がありますか？

A. 片側オプション付きの対応のないt検定
B. 両側オプション付きの対応のあるt検定
C. ツーテールオプションを使用した対応のないt検定
D. 片側オプション付きの対応のあるt検定

正解：B

解説：
Explanation
Choose a one-tail or two-tail test. The default is a two-tailed test. This is the most common type of test, in which the expected distribution is symmetric around zero.
Example: Type I error of unpaired and paired two-sample t-tests as a function of the correlation. The simulated random numbers originate from a bivariate normal distribution with a variance of 1.

Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/test-hypothesis-using-t-test
https://en.wikipedia.org/wiki/Student%27s_t-test
Topic 1, Case Study 2
Case study
Overview
You are a data scientist for Fabrikam Residences, a company specializing in quality private and commercial property in the United States. Fabrikam Residences is considering expanding into Europe and has asked you to investigate prices for private residences in major European cities. You use Azure Machine Learning Studio to measure the median value of properties. You produce a regression model to predict property prices by using the Linear Regression and Bayesian Linear Regression modules.
Datasets
There are two datasets in CSV format that contain property details for two cities, London and Paris, with the following columns:

The two datasets have been added to Azure Machine Learning Studio as separate datasets and included as the starting point of the experiment.
Dataset issues
The AccessibilityToHighway column in both datasets contains missing values. The missing data must be replaced with new data so that it is modeled conditionally using the other variables in the data before filling in the missing values.
Columns in each dataset contain missing and null values. The dataset also contains many outliers. The Age column has a high proportion of outliers. You need to remove the rows that have outliers in the Age column.
The MedianValue and AvgRoomsinHouse columns both hold data in numeric format. You need to select a feature selection algorithm to analyze the relationship between the two columns in more detail.
Model fit
The model shows signs of overfitting. You need to produce a more refined regression model that reduces the overfitting.
Experiment requirements
You must set up the experiment to cross-validate the Linear Regression and Bayesian Linear Regression modules to evaluate performance.
In each case, the predictor of the dataset is the column named MedianValue. An initial investigation showed that the datasets are identical in structure apart from the MedianValue column. The smaller Paris dataset contains the MedianValue in text format, whereas the larger London dataset contains the MedianValue in numerical format. You must ensure that the datatype of the MedianValue column of the Paris dataset matches the structure of the London dataset.
You must prioritize the columns of data for predicting the outcome. You must use non-parameters statistics to measure the relationships.
You must use a feature selection algorithm to analyze the relationship between the MedianValue and AvgRoomsinHouse columns.
Model training
Given a trained model and a test dataset, you need to compute the permutation feature importance scores of feature variables. You need to set up the Permutation Feature Importance module to select the correct metric to investigate the model's accuracy and replicate the findings.
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.
You are concerned that the model might not efficiently use compute resources in hyperparameter tuning. You also are concerned that the model might prevent an increase in the overall tuning time. Therefore, you need to implement an early stopping criterion on models that provides savings without terminating promising jobs.
Testing
You must produce multiple partitions of a dataset based on sampling using the Partition and Sample module in Azure Machine Learning Studio. You must create three equal partitions for cross-validation. You must also configure the cross-validation process so that the rows in the test and training datasets are divided evenly by properties that are near each city's main river. The data that identifies that a property is near a river is held in the column named NextToRiver. You want to complete this task before the data goes through the sampling process.
When you train a Linear Regression module using a property dataset that shows data for property prices for a large city, you need to determine the best features to use in a model. You can choose standard metrics provided to measure performance before and after the feature importance process completes. You must ensure that the distribution of the features across multiple training models is consistent.
Data visualization
You need to provide the test results to the Fabrikam Residences team. You create data visualizations to aid in presenting the results.
You must produce a Receiver Operating Characteristic (ROC) curve to conduct a diagnostic test evaluation of the model. You need to select appropriate methods for producing the ROC curve in Azure Machine Learning Studio to compare the Two-Class Decision Forest and the Two-Class Decision Jungle modules with one another.

質問 # 98
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 # 99
都市の住宅販売データを含む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。

データセットの各行は、個々の住宅販売トランザクションに対応しています。
家の特徴に基づいて販売価格を予測するための最適なモデルを生成するには、自動機械学習を使用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

Box 1: Regression
Regression is a supervised machine learning technique used to predict numeric values.
Box 2: Price
Reference:
https://docs.microsoft.com/en-us/learn/modules/create-regression-model-azure-machine-learning-designer

質問 # 100
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。