売れ筋トップクラスのProfessional-Data-Engineer日本語最新試験問題2025年最新のGoogle試験練習 [Q53-Q71]

売れ筋トップクラスのProfessional-Data-Engineer日本語最新試験問題2025年最新のGoogle試験練習

Google Cloud Certified問題集でProfessional-Data-Engineer日本語試験は完全版問題で試験学習ガイド

質問 # 53
テーブルの最初の3列のみに対する読み取り権限をユーザーに付与するには、どのアクセス制御方法を使用しますか？

• A. 承認されたビュー
• B. テーブルの最初の3列のみにアクセスを許可することはできません。
• C. 原始的な役割
• D. 事前定義された役割

正解：A

解説：
An authorized view allows you to share query results with particular users and groups without giving them read access to the underlying tables. Authorized views can only be created in a dataset that does not contain the tables queried by the view.
When you create an authorized view, you use the view's SQL query to restrict access to only the rows and columns you want the users to see.

質問 # 54
ニューラルネットワークを取得して、カテゴリ機能のカテゴリ間の関係について学習するにはどうすればよいですか？

• A. ハッシュバケットを作成する
• B. 埋め込み列を作成します
• C. ワンホットカラムを作成します
• D. マルチホットカラムを作成する

正解：B

解説：
There are two problems with one-hot encoding. First, it has high dimensionality, meaning that instead of having just one value, like a continuous feature, it has many values, or dimensions. This makes computation more time-consuming, especially if a feature has a very large number of categories. The second problem is that it doesn't encode any relationships between the categories. They are completely independent from each other, so the network has no way of knowing which ones are similar to each other.
Both of these problems can be solved by representing a categorical feature with an embedding column. The idea is that each category has a smaller vector with, let's say, 5 values in it. But unlike a one-hot vector, the values are not usually 0. The values are weights, similar to the weights that are used for basic features in a neural network. The difference is that each category has a set of weights (5 of them in this case).
You can think of each value in the embedding vector as a feature of the category. So, if two categories are very similar to each other, then their embedding vectors should be very similar too.

質問 # 55
名前や住所などの機密情報を含む顧客データを含む BigQuery テーブルがあります。顧客データをデータ分析チームや消費者サポート チームと安全に共有する必要があります。
データ分析チームはすべての顧客のデータにアクセスする必要がありますが、機密データにアクセスできてはなりません。消費者サポート チームはすべてのデータ列にアクセスする必要がありますが、有効な契約を結んでいない顧客にはアクセスできてはなりません。承認されたデータセットとポリシー タグを使用してこれらの要件を強制しました。 これらの手順を実行した後、データ分析チームは機密列にまだアクセスできると報告します。データ分析チームが制限されたデータにアクセスできないようにする必要があります。
2 つの答えを選択してください

• A. bigquery を削除します。承認されたデータセットに対するデータ分析チームからの dataViewer ロール。
• B. 承認されたデータセットを承認されたビューに置き換えます。行レベルのセキュリティを使用し、filter_expression を適用してデータ アクセスを制限します。
• C. ポリシー タグ分類でアクセス制御を強制します。
• D. データ分析チームのメンバーが、ポリシー タグに対するデータ カタログのファイングレイン リーダー ロールを持っていないことを確認します。
• E. 2 つの個別の承認済みデータセットを作成します。1 つはデータ分析チーム用、もう 1 つは消費者サポート チーム用です。

正解：C、D

解説：
To ensure that the data analytics team does not have access to sensitive columns, you should:
* B. Ensure that the data analytics team members do not have the Data Catalog Fine-Grained Reader role for the policy tags. This role allows users to read metadata for data assets that have policy tags applied, which could include sensitive information.
* C. Enforce access control in the policy tag taxonomy. By setting access control at the policy tag level, you can restrict access to specific columns within a dataset, ensuring that only authorized users can view sensitive data.

質問 # 56
Cloud Datastoreを使用して、車両のテレメトリデータをリアルタイムで取り込むことにしました。コストを低く抑えながら、長期的なデータの増加を考慮したストレージシステムを構築したいと考えています。また、データのスナップショットを定期的に作成して、ポイントインタイム（PIT）リカバリを作成したり、別の環境でCloudDatastoreのデータのコピーを複製したりすることもできます。これらのスナップショットを長期間アーカイブする必要があります。
これを達成できる2つの方法はどれですか？ （2つ選択してください。）

• A. マネージドエクスポートを使用し、NearlineまたはColdlineクラスを使用してデータをCloudStorageバケットに保存します。
• B. マネージドエクスポートを使用してから、そのエクスポート専用に作成されたBigQueryテーブルにデータをインポートし、一時的なエクスポートファイルを削除します。
• C. CloudDatastoreクライアントライブラリを使用してすべてのエンティティを読み取るアプリケーションを作成します。 BigQueryストリーミング挿入を介して、各エンティティをBigQueryテーブル行として扱います。エクスポートごとにエクスポートタイムスタンプを割り当て、各行の追加の列として添付します。 BigQueryテーブルがエクスポートタイムスタンプ列を使用してパーティション化されていることを確認してください。
• D. マネージドエクスポートを使用してから、そのエクスポート用に予約された一意の名前空間の下にある別のプロジェクトのCloudDatastoreにインポートします。
• E. CloudDatastoreクライアントライブラリを使用してすべてのエンティティを読み取るアプリケーションを作成します。エクスポートされたデータをJSONファイルにフォーマットします。クラウドソースリポジトリにデータを保存する前に、圧縮を適用します。

正解：B、E

質問 # 57
会社のデータ プラットフォームは、予約データとユーザー プロフィール データの CSV ファイル ダンプを上流のソースから Cloud Storage に取り込みます。データ アナリスト チームは、分析を実行するために、両方のデータセットで利用可能な電子メール フィールドでこれらのデータセットを結合したいと考えています。ただし、個人を特定できる情報 (PII) にはアナリストがアクセスできないようにする必要があります。アナリストのために BigQuery にデータセットを読み込む前に、両方のデータセットのメール フィールドを匿名化する必要があります。あなたは何をするべきか？

• A. 1. 匿名化変換タイプとして FFX を使用した形式保持暗号化を備えた Cloud DLP の RecordTransformations を使用して、メール フィールドを匿名化するパイプラインを作成します。
  2. 予約データとユーザー プロフィール データを BigQuery テーブルに読み込みます。
• B. 1. Cloud Storage から CSV ファイルを BigQuery テーブルに読み込み、動的データ マスキングを有効にします。
  2. データ マスキング ルールとしてデフォルトのマスキング値を使用してポリシー タグを作成します。
  3. 両方のテーブルの電子メールフィールドにポリシーを割り当てます。
  4. BigQuery テーブルの Identity and Access Management bigquerydatapolicy.maskedReader ロールをアナリストに割り当てます。
• C. 1. Cloud Data Loss Prevention (Cloud DLP) の RecordTransformations を使用し、匿名化変換タイプとしてマスキングを使用して、メール フィールドを匿名化するパイプラインを作成します。
  2. 予約データとユーザー プロフィール データを BigQuery テーブルに読み込みます。
• D. 1. Cloud Storage から CSV ファイルを BigQuery テーブルに読み込み、動的データ マスキングを有効にします。
  2. データ マスキング ルールとして電子メール マスクを使用してポリシー タグを作成します。
  3. 両方のテーブルの電子メールフィールドにポリシーを割り当てます。あ
  4. BigQuery テーブルの Identity and Access Management bigquerydatapolicy.maskedReader ロールをアナリストに割り当てます。

正解：A

解説：
Cloud DLP is a service that helps you discover, classify, and protect your sensitive data. It supports various de-identification techniques, such as masking, redaction, tokenization, and encryption. Format-preserving encryption (FPE) with FFX is a technique that encrypts sensitive data while preserving its original format and length. This allows you to join the encrypted data on the same field without revealing the actual values. FPE with FFX also supports partial encryption, which means you can encrypt only a portion of the data, such as the domain name of an email address. By using Cloud DLP to de-identify the email field with FPE with FFX, you can ensure that the analysts can join the booking and user profile data on the email field without accessing the PII. You can create a pipeline to de-identify the email field by using recordTransformations in Cloud DLP, which allows you to specify the fields and the de-identification transformations to apply to them. You can then load the de-identified data into a BigQuery table for analysis. Reference:
De-identify sensitive data | Cloud Data Loss Prevention Documentation
Format-preserving encryption with FFX | Cloud Data Loss Prevention Documentation De-identify and re-identify data with the Cloud DLP API De-identify data in a pipeline

質問 # 58
BigOuery の会社の customer_order テーブルには、1,000 万人の顧客の注文履歴が保存されており、テーブル サイズは 10 PB です。サポート チームが注文履歴を表示できるようにダッシュボードを作成する必要があります。ダッシュボードには、countryname と username の 2 つのフィルターがあります。どちらも BigQuery テーブル内の文字列データ型です。フィルターを適用すると、ダッシュボードはテーブルから注文履歴を取得し、クエリ結果を表示します。ただし、次のクエリにフィルターを適用すると、ダッシュボードに結果が表示されるまでに時間がかかります。

より高速なアクセスをサポートするには、BigQuery テーブルをどのように再設計すればよいでしょうか?

• A. テーブルを国とユーザー名のフィールドでパーティション分割します。
• B. 国とユーザー名のフィールドごとにテーブルをクラスタ化する
• C. テーブルを国フィールドでクラスタ化し、ユーザー名フィールドでパーティション化します。
• D. テーブルを _PARTITIONTIME でパーティション分割します。

正解：B

解説：
To improve the performance of querying a large BigQuery table with filters on countryname and username, clustering the table by these fields is the most effective approach. Here's why option C is the best choice:
Clustering in BigQuery:
Clustering organizes data based on the values in specified columns. This can significantly improve query performance by reducing the amount of data scanned during query execution.
Clustering by countryname and username means that data is physically sorted and stored together based on these fields, allowing BigQuery to quickly locate and read only the relevant data for queries using these filters.
Filter Efficiency:
With the table clustered by countryname and username, queries that filter on these columns can benefit from efficient data retrieval, reducing the amount of data processed and speeding up query execution.
This directly addresses the performance issue of the dashboard queries that apply filters on these fields.
Steps to Implement:
Redesign the Table:
Create a new table with clustering on countryname and username:
CREATE TABLE project.dataset.new_table
CLUSTER BY countryname, username AS
SELECT * FROM project.dataset.customer_order;
Migrate Data:
Transfer the existing data from the original table to the new clustered table.
Update Queries:
Modify the dashboard queries to reference the new clustered table.
Reference:
BigQuery Clustering Documentation
Optimizing Query Performance

質問 # 59
FlowlogisticのCEOは、顧客ベースについて迅速な洞察を得て、営業チームが現場でより多くの情報を得られるようにしたいと考えています。このチームはあまり技術的ではないため、BigQueryレポートの作成を簡素化するための視覚化ツールを購入しました。しかし、彼らはテーブル内のすべてのデータに圧倒されており、必要なデータを見つけようとするクエリに多額の費用を費やしています。あなたは最も費用効果の高い方法で彼らの問題を解決したいと思っています。あなたは何をするべきか？

• A. 適切な列にIDおよびアクセス管理（IAM）の役割を作成して、クエリに表示されるようにします。
• B. 必要な列のみを含む追加のテーブルを作成します。
• C. 仮想化のためにデータをGoogleスプレッドシートにエクスポートします。
• D. 仮想化ツールに提示するビューをテーブルに作成します。

正解：D

質問 # 60
あなたはeコマース会社のバスケット放棄システムを設計しています。システムは、次のルールに基づいてユーザーにメッセージを送信します。
*サイトでのユーザーによる1時間の対話はありません
*バスケットに30ドル以上の製品を追加しました
*トランザクションを完了していません
Google Cloud Dataflowを使用してデータを処理し、メッセージを送信するかどうかを決定します。パイプラインをどのように設計する必要がありますか？

• A. 60分の固定時間ウィンドウを使用します。
• B. ギャップ時間が60分のセッションウィンドウを使用します。
• C. 60分の遅延のある時間ベースのトリガーを持つグローバルウィンドウを使用します。
• D. 60分のスライディングタイムウィンドウを使用します。

正解：B

質問 # 61
履歴データをクラウドストレージに保存します。履歴データに対して分析を実行する必要があります。ソリューションを使用して、無効なデータエントリを検出し、プログラミングやSQLの知識を必要としないデータ変換を実行する必要があります。
あなたは何をするべきか？

• A. HadoopジョブでCloud Dataprocを使用して、エラーを検出し、変換を実行します。
• B. Cloud Dataprepをレシピとともに使用して、エラーを検出し、変換を実行します。
• C. BigQueryのフェデレーションテーブルをクエリとともに使用して、エラーを検出し、変換を実行します。
• D. Cloud Dataflow with Beamを使用して、エラーを検出し、変換を実行します。

正解：D

質問 # 62
あなたは、JdbclO を使用して Cloud SQL インスタンスからデータを抽出する Apache Beam パイプラインを開発しています。
Google Cloud で 2 つのプロジェクトが実行されています。パイプラインはプロジェクト A の Dataflow にデプロイされ、実行されます。Cloud SQL インスタンスはプロジェクト B で実行されており、パブリック IP アドレスを持っていません。パイプラインをデプロイした後、接続障害によりパイプラインが Cloud SQL インスタンスからデータを抽出できなかったことに気づきました。VPC Service Controls と共有 VPC がこれらのプロジェクトで使用されていないことを確認しました。
データが公共のインターネットを経由しないようにしながら、このエラーを解決したいと考えています。あなたは何をするべきか？

• A. Dataflow ワーカーの外部 IP アドレスをオフにします。プロジェクト A でクラウド NAT を有効にします。
• B. プロジェクト A とプロジェクト B の間に VPC ネットワーク ピアリングを設定します。ピアリングされたサブネット上のプロジェクト B に外部 IP アドレスなしで Compute Engine インスタンスを作成し、Cloud SQL データベースへのプロキシ サーバーとして機能します。
• C. Dataflow ワーカーの外部 IP アドレスを、Cloud SOL インスタンスの承認済みネットワークとして追加します。
• D. プロジェクト A とプロジェクト B の間に VPC ネットワーク ピアリングを設定します。ファイアウォール ルールを追加して、ピアリングされたサブネット範囲がネットワーク上のすべてのインスタンスにアクセスできるようにします。

正解：B

解説：
* Option A is incorrect because VPC Network Peering alone does not enable connectivity to Cloud SQL instances with private IP addresses. You also need to configure private services access and allocate an IP address range for the service producer network1.
* Option B is incorrect because Cloud NAT does not support Cloud SQL instances with private IP addresses. Cloud NAT only provides outbound connectivity for resources that do not have public IP addresses, such as VMs, GKE clusters, and serverless instances2.
* Option C is correct because it allows you to use a Compute Engine instance as a proxy server to connect to the Cloud SQL database over the peered network. The proxy server does not need an external IP address because it can communicate with the Dataflow workers and the Cloud SQL instance using internal IP addresses. You need to install the Cloud SQL Auth proxy on the proxy server and configure it to use a service account that has the Cloud SQL Client role.
* Option D is incorrect because it requires you to assign public IP addresses to the Dataflow workers, which exposes the data to the public internet. This violates the requirement of ensuring that the data does not go through the public internet. Moreover, adding authorized networks does not work for Cloud SQL instances with private IP addresses.

質問 # 63
BigQueryからのデータのエクスポートに関するこれらのステートメントのどれが間違っていますか？

• A. サポートされているエクスポート先はGoogle CloudStorageのみです。
• B. 1 GBを超えるデータをエクスポートするには、宛先ファイル名にワイルドカードを挿入する必要があります。
• C. 使用可能な圧縮オプションはGZIPのみです。
• D. データはJSONまたはAvro形式でのみエクスポートできます。

正解：D

解説：
Explanation
Data can be exported in CSV, JSON, or Avro format. If you are exporting nested or repeated data, then CSV format is not supported.
Reference: https://cloud.google.com/bigquery/docs/exporting-data

質問 # 64
あなたは服の推奨をするためのモデルを構築しています。ユーザーのファッションの好みは時間の経過とともに変化する可能性が高いことがわかっているため、データパイプラインを構築して、新しいデータが利用可能になったときにモデルにストリーミングします。
このデータをどのように使用してモデルをトレーニングする必要がありますか？

• A. 新しいデータのみでモデルを継続的に再トレーニングします。
• B. 新しいデータをテストセットとして使用しながら、既存のデータをトレーニングします。
• C. 既存のデータをテストセットとして使用しながら、新しいデータをトレーニングします。
• D. 既存のデータと新しいデータの組み合わせでモデルを継続的に再トレーニングします。

正解：B

解説：
https://cloud.google.com/automl-tables/docs/prepare

質問 # 65
以下に示すような顧客データを分析するために、GoogleのDataflowSDKを使用することを計画しています。プロジェクトの要件は、データソースから顧客名のみを抽出してから、出力PCollectionに書き込むことです。
トム、555Xストリート
ティム、553Yストリート
サム、111Zストリート
上記のデータ処理要件に最適な操作はどれですか？

• A. シンクAPI
• B. ParDo
• C. データ抽出
• D. ソースAPI

正解：B

解説：
In Google Cloud dataflow SDK, you can use the ParDo to extract only a customer name of each
element in your PCollection.

質問 # 66
MJTelcoケーススタディ
会社概要
MJTelcoは、世界中の急速に成長し、サービスの行き届いていない市場でネットワークを構築することを計画している新興企業です。
同社は革新的な光通信ハードウェアの特許を取得しています。これらの特許に基づいて、安価なハードウェアで多くの信頼性の高い高速バックボーンリンクを作成できます。
会社背景
経験豊富な通信幹部によって設立されたMJTelcoは、宇宙での通信の課題を克服するために元々開発されたテクノロジーを使用しています。運用の基本として、リアルタイム分析を推進し、機械学習を組み込んでトポロジを継続的に最適化する分散データインフラストラクチャを作成する必要があります。彼らのハードウェアは安価であるため、ネットワークを過剰に展開して、動的な地域政治が場所の可用性とコストに与える影響を考慮できるようにすることを計画しています。
彼らの管理および運用チームは世界中に配置されており、データコンシューマー間で多対多の関係を構築し、システムで提供しています。慎重に検討した結果、彼らはパブリッククラウドが彼らのニーズをサポートするのに最適な環境であると判断しました。
ソリューションコンセプト
MJTelcoは、ラボで成功した概念実証（PoC）プロジェクトを実行しています。彼らには2つの主要なニーズがあります：
* PoCをスケーリングおよび強化して、50,000を超えるインストールに増加したときに生成される大幅に多くのデータフローをサポートします。
*機械学習サイクルを改善して、トポロジ定義の制御に使用する動的モデルを検証および改善します。
MJTelcoは、開発/テスト、ステージング、本番の3つの個別の動作環境も使用して、実験の実行、新機能の展開、本番の顧客へのサービス提供のニーズに対応します。
ビジネス要件
*最小限のコストで本番環境をスケールアップし、予測不可能な分散型通信ユーザーコミュニティで必要なときに必要な場所でリソースをインスタンス化します。
*独自のデータのセキュリティを確保して、最先端の機械学習と分析を保護します。
*分散した研究者からの分析のためのデータへの信頼できるタイムリーなアクセスを提供します
*顧客に影響を与えることなく、機械学習モデルの迅速な反復をサポートする分離された環境を維持します。
技術要件
テレメトリデータの安全で効率的な転送と保存を保証します
インスタンスを迅速にスケーリングして、それぞれ複数のフローを持つ10,000〜100,000のデータプロバイダーをサポートします。
約1億レコード/日を保存する最大2年間のデータを追跡するデータテーブルに対する分析とプレゼンテーションを可能にします。テレメトリフローと本番学習サイクルの両方でのデータパイプラインの問題の認識に焦点を当てた監視インフラストラクチャの迅速な反復をサポートします。
CEOの声明
私たちのビジネスモデルは、特許、分析、動的な機械学習に依存しています。当社の安価なハードウェアは信頼性が高くなるように構成されているため、コスト面で有利です。信頼性と容量のコミットメントを満たすには、大規模な分散データパイプラインを迅速に安定させる必要があります。
CTOステートメント
当社のパブリッククラウドサービスは、宣伝どおりに動作する必要があります。データを拡張して安全に保つリソースが必要です。
また、データサイエンティストがモデルを注意深く研究し、迅速に適応できる環境も必要です。
データの処理は自動化に依存しているため、反復しながら機能する開発環境とテスト環境も必要です。
CFOステートメント
プロジェクトが大きすぎて、データと分析に必要なハードウェアとソフトウェアを維持できません。また、運用チームにこれほど多くのデータフィードを監視する余裕がないため、自動化とインフラストラクチャに依存します。 Google Cloudの機械学習により、定量的研究者は、データパイプラインの問題ではなく、価値の高い問題に取り組むことができます。
Google Data Studio 360で、大規模なチームの新しいレポートを作成します。レポートは、データソースとしてGoogleBigQueryを使用します。従業員が自分の地域に関連付けられたデータのみを表示できるようにすることは会社のポリシーであるため、各地域のテーブルを作成してデータを入力します。データへの地域アクセスポリシーを適用する必要があります。
あなたはどちらの2つの行動を取るべきですか？ （2つ選択してください。）

• A. すべてのテーブルがグローバルデータセットに含まれていることを確認します。
• B. 各テーブルの設定を調整して、関連するリージョンベースのセキュリティグループビューアクセスを許可します。
• C. 各ビューの設定を調整して、関連するリージョンベースのセキュリティグループビューへのアクセスを許可します。
• D. 各テーブルがリージョンのデータセットに含まれていることを確認します。
• E. 各データセットの設定を調整して、関連するリージョンベースのセキュリティグループビューアクセスを許可します。

正解：C、D

質問 # 67
ストリーミングクラウドデータフローパイプラインを運用しています。エンジニアは、異なるウィンドウアルゴリズムとトリガー戦略を備えた新しいバージョンのパイプラインを使用しています。実行中のパイプラインを新しいバージョンで更新したいとします。更新中にデータが失われないようにする必要があります。あなたは何をするべきか？

• A. [キャンセル]オプションを使用してCloudDataflowパイプラインを停止します。更新されたコードを使用して新しいCloudDataflowジョブを作成します
• B. -jobNameを既存のジョブ名に設定して--updateオプションを渡すことにより、実行中のCloudDataflowパイプラインを更新します
• C. [ドレイン]オプションを使用してCloudDataflowパイプラインを停止します。更新されたコードを使用して新しいCloudDataflowジョブを作成します
• D. -jobNameを新しい一意のジョブ名に設定して--updateオプションを渡すことにより、実行中のCloudDataflowパイプラインを更新します

正解：B

質問 # 68
あなたの会社は、さまざまなクライアントのデータ処理を処理しています。各クライアントは、独自の分析ツールスイートを使用することを好みます。一部のクライアントは、GoogleBigQueryを介した直接クエリアクセスを許可します。クライアントが互いのデータを見ることができないように、データを保護する必要があります。データへの適切なアクセスを確保する必要があります。あなたはどの3つのステップを踏むべきですか？ （3つ選択してください。）

• A. データを異なるパーティションにロードします。
• B. 各クライアントのユーザーに適切なIDおよびアクセス管理（IAM）の役割を使用します。
• C. 各クライアントのBigQueryデータセットを異なるテーブルに配置します。
• D. サービスアカウントのみにデータセットへのアクセスを許可します。
• E. クライアントのデータセットを承認されたユーザーに制限します。
• F. クライアントごとに異なるデータセットにデータをロードします。

正解：B、E、F

質問 # 69
日付ごとにパーティション化された数百万行の販売データを含むテーブルがあるとします。さまざまなアプリケーションやユーザーがこのデータを 1 分間に何度もクエリします。クエリでは、avg を使用して値を集計する必要があります。最大。と合計を計算し、他のテーブルに結合する必要はありません。必要な集計は過去 1 年間のデータに対してのみ計算されますが、ベース テーブルに完全な履歴データを保持する必要があります。計算コストやメンテナンスのオーバーヘッドを削減しながら、クエリ結果には常にテーブルの最新データが含まれるようにしたいと考えています。 、および期間。あなたは何をするべきか？

• A. パーティションの最後の年を指定するフィルター句を含む、ベース テーブル データを集計する新しいテーブルを作成します。スケジュールされたクエリを設定して、1 時間ごとに新しいテーブルを再作成します。
• B. 過去 1 年間のパーティションを指定するフィルター句を含む実体化ビュー (実体化ビュー) を作成してベース テーブル データを集計します。
• C. ベース テーブル データを集計するためのビューを作成します。パーティションの最後の年を指定するフィルター句を含めます。
• D. マテリアライズド ビューを作成してベース テーブル データを集約します。ベース テーブルにパーティションの有効期限を構成して、過去 1 年間のパーティションのみを保持します。

正解：D

解説：
A materialized view is a database object that contains the results of a query, which can be updated periodically. It can improve the performance and efficiency of queries that involve aggregations, joins, or filters. By creating a materialized view to aggregate the base table data and include a filter clause to specify the last one year of partitions, you can ensure that the query results always include the latest data from the tables, while also reducing computation cost, maintenance overhead, and duration. The materialized view will automatically refresh when the base table data changes, and will only use the partitions that match the filter clause. Option A is incorrect because it will delete the historical data from the base table, which is not desired.
Option C is incorrect because it will create a redundant table that needs to be updated manually by a scheduled query, which is more complex and costly than using a materialized view. Option D is incorrect because a view does not store any data, but only references the base table data, which means it will not reduce the computation cost or duration of the query. References:
* Materialized views, ML models in data warehouse - Google Cloud
* Data Engineering with Google Cloud Platform - Packt Subscription

質問 # 70
ニューラルネットワークを取得して、カテゴリ機能のカテゴリ間の関係について学習するにはどうすればよいですか？

• A. ハッシュバケットを作成する
• B. 埋め込み列を作成します
• C. ワンホットカラムを作成します
• D. マルチホットカラムを作成する

正解：B

解説：
There are two problems with one-hot encoding. First, it has high dimensionality, meaning that instead of having just one value, like a continuous feature, it has many values, or dimensions. This makes computation more time-consuming, especially if a feature has a very large number of categories. The second problem is that it doesn't encode any relationships between the categories. They are completely independent from each other, so the network has no way of knowing which ones are similar to each other.
Both of these problems can be solved by representing a categorical feature with an embedding
column. The idea is that each category has a smaller vector with, let's say, 5 values in it. But unlike a one-hot vector, the values are not usually 0. The values are weights, similar to the weights that are used for basic features in a neural network. The difference is that each category has a set of weights (5 of them in this case).
You can think of each value in the embedding vector as a feature of the category. So, if two categories are very similar to each other, then their embedding vectors should be very similar too.

質問 # 71
......

最善な方法で問題集を使おう！練習テストならこれGoogle Professional-Data-Engineer日本語：https://jp.fast2test.com/Professional-Data-Engineer-JPN-premium-file.html