必ず合格できるGoogle Professional-Data-Engineer日本語試験の正確な333問題と解答あります [Q194-Q215]

必ず合格できるGoogle Professional-Data-Engineer日本語試験の正確な333問題と解答あります

最新 [2024年08月30日]2024年最新の実際にある検証済みのProfessional-Data-Engineer日本語問題集

質問 # 194
あなたの会社は1時間に20,000個のファイルを作成しています。各データファイルは、4 KB未満のコンマ区切り値（CSV）ファイルとしてフォーマットされます。すべてのファイルは、処理する前にGoogle CloudPlatformに取り込む必要があります。会社のサイトはGoogleCloudに対して200ミリ秒の遅延があり、インターネット接続の帯域幅は50Mbpsに制限されています。現在、データ取り込みポイントとしてGoogle Compute Engineの仮想マシンにセキュアFTP（SFTP）サーバーをデプロイしています。ローカルSFTPクライアントは専用マシンで実行され、CSVファイルをそのまま送信します。目標は、前日のデータを含むレポートを経営幹部が利用できるようにすることです。
毎日午前10時。この設計では、帯域幅の使用率はかなり低くても、現在のボリュームにほとんど追いつくことができません。
季節性があるため、会社は今後3か月でファイル数が2倍になると予想していると言われています。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. ネットワークにS3互換のストレージエンドポイントを作成し、Google Cloud Storage TransferServiceを使用してオンプレミスデータを指定のストレージバケットに転送します。
• B. インターネットサービスプロバイダー（ISP）に連絡して、最大帯域幅を少なくとも100Mbpsに増やしてください。
• C. gsutilツールを使用してCSVファイルをストレージバケットに並行して送信するように、データ取り込みプロセスを再設計します。
• D. 1,000個のファイルをテープアーカイブ（TAR）ファイルにアセンブルします。代わりにTARファイルを送信し、受信時にクラウドでCSVファイルを逆アセンブルします。
• E. 各ファイルにデータ圧縮を導入して、ファイル転送の速度を上げます。

正解：A、C

質問 # 195
次のうち、データフローパイプラインについて正しくないものはどれですか？

• A. データフローパイプラインはJavaでプログラムできます
• B. DataflowパイプラインはDataflowに関連付けられており、他のランナーで実行することはできません
• C. データフローパイプラインは統合プログラミングモデルを使用しているため、ストリーミングデータソースとバッチデータソースの両方で機能します
• D. データフローパイプラインは他のGoogleCloudサービスからのデータを消費する可能性があります

正解：B

解説：
Explanation
Dataflow pipelines can also run on alternate runtimes like Spark and Flink, as they are built using the Apache Beam SDKs Reference: https://cloud.google.com/dataflow/

質問 # 196
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。
• 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。
• E. 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。

正解：B、C

質問 # 197
Bigtableの時系列データのホットスポットを回避するために使用する推奨される方法はどれですか？

• A. Salting
• B. ハッシュ
• C. ランダム化
• D. フィールドプロモーション

正解：D

解説：
By default, prefer field promotion. Field promotion avoids hotspotting in almost all cases, and it tends to make it easier to design a row key that facilitates queries.

質問 # 198
時系列指標を集計して Bigtable に書き込む Dataflow ジョブを含むデータ パイプラインがあります。Bigtable でのデータの更新が遅いことに気づきました。このデータは、組織全体の何千人ものユーザーが使用するダッシュボードにフィードされます。追加の同時ユーザーをサポートし、データの書き込みに必要な時間を短縮する必要があります。あなたは何をするべきか？
2 つの答えを選択してください

• A. ローカル実行を使用するように Dataflow パイプラインを構成します。
• B. Bigtable に書き込む前に CoGrcupByKey 変換を使用するように Dataflow パイプラインを変更します。
• C. Bigtable に書き込む前に、Flatten 変換を使用するように Dataflow パイプラインを変更します。
• D. Bigtable クラスター内のノードの数を増やします。
• E. PipelineOptions で maxNumWorkers を設定して、Dataflow ワーカーの最大数を増やします。

正解：D、E

解説：
https://cloud.google.com/bigtable/docs/performance#performance-write-throughput
https://cloud.google.com/dataflow/docs/reference/pipeline-options

質問 # 199
あなたは、配車の需要が高い地域を特定し、需要を満たすために利用可能なドライバーを効果的に再配置する、配車アプリ用のリアルタイム システムを設計しています。システムは複数のソースから Pub/Sub にデータを取り込みます。データを処理し、リアルタイム ダッシュボードでの視覚化と分析のために結果を保存します。データ ソースには、5 秒ごとのドライバーの位置情報の更新と、乗客からのアプリベースの予約イベントが含まれます。データ処理には、過去 30 秒間の需要と供給のデータが 2 秒ごとにリアルタイムに集約され、その結果が可視化のために低遅延システムに保存されます。あなたは何をするべきか？

• A. Dataflow パイプラインのホッピング ウィンドウを使用してデータをグループ化し、集約されたデータを BigQuery に書き込みます。
• B. Dataflow パイプラインのセッション ウィンドウを使用してデータをグループ化し、集約されたデータを BigQuery に書き込みます。
• C. Dataflow パイプラインのタンブリング ウィンドウを使用してデータをグループ化し、集約されたデータを Memorystore に書き込みます。
• D. Dataflow パイプラインのホッピング ウィンドウを使用してデータをグループ化し、集約されたデータを Memorystore に書き込みます。

正解：D

解説：
A hopping window is a type of sliding window that advances by a fixed period of time, producing overlapping windows. This is suitable for the scenario where the system needs to aggregate data for the last 30 seconds, every 2 seconds, and provide real-time updates. A Dataflow pipeline can implement the hopping window logic using Apache Beam, and process both streaming and batch data sources. Memorystore is a low-latency, in-memory data store that can serve the aggregated data to the visualization layer. BigQuery is not a good choice for this scenario, as it is not optimized for low-latency queries and frequent updates.

質問 # 200
一元化された分析プラットフォームとしてBigQueryを使用します。新しいデータは毎日読み込まれ、ETLパイプラインは元のデータを変更して最終ユーザー向けに準備します。このETLパイプラインは定期的に変更され、エラーが発生する可能性がありますが、エラーが検出されるのは2週間後の場合もあります。これらのエラーから回復する方法を提供する必要があり、バックアップはストレージコストに合わせて最適化する必要があります。 BigQueryでデータをどのように整理し、バックアップを保存する必要がありますか？

• A. データを単一のテーブルに整理し、BigQueryデータをエクスポートして圧縮し、CloudStorageに保存します。
• B. データを月ごとに別々のテーブルに整理し、BigQueryの別々のデータセットにデータを複製します。
• C. データを月ごとに別々のテーブルに整理し、スナップショットデコレータを使用してテーブルを破損前の時間に復元します。
• D. データを月ごとに別々のテーブルに整理し、データをエクスポート、圧縮、クラウドストレージに保存します。

正解：C

質問 # 201
あなたの会社は厳しく規制された業界にいます。要件の1つは、個々のユーザーが自分の仕事を行うために必要な最小限の情報にのみアクセスできるようにすることです。この要件をGoogleBigQueryで適用する必要があります。どの3つのアプローチを取ることができますか？ （3つ選択してください。）

• A. 特定のテーブルへの書き込みを無効にします。
• B. Google Stackdriver AuditLoggingを使用してポリシー違反を特定します。
• C. データが常に暗号化されていることを確認してください。
• D. BigQueryAPIアクセスを承認されたユーザーに制限します。
• E. 複数のテーブルまたはデータベース間でデータを分離します。
• F. ロールごとにテーブルへのアクセスを制限します。

正解：B、D、F

質問 # 202
米国を拠点とする会社が、ユーザーの行動を評価して対応するためのアプリケーションを作成しました。
プライマリテーブルのデータ量は、1秒あたり250,000レコードずつ増加します。多くのサードパーティは、アプリケーションのAPIを使用して、独自のフロントエンドアプリケーションに機能を組み込みます。アプリケーションのAPIは、次の要件に準拠している必要があります。
*単一のグローバルエンドポイント
* ANSISQLのサポート
*最新のデータへの一貫したアクセス
あなたは何をするべきか？

• A. 北米のプライマリクラスターとアジアとヨーロッパのセカンダリクラスターでCloudBigtableを実装します。
• B. 北米のリーダーとアジアとヨーロッパの読み取り専用レプリカでCloudSpannerを実装します。
• C. NorhtAmericaでマスターを使用してCloudSQL for PostgreSQLを実装し、アジアとヨーロッパでレプリカを読み取ります。
• D. ストレージまたは処理用にリージョンを選択せず​​にBigQueryを実装します。

正解：B

質問 # 203
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. データ抽出
• B. ソースAPI
• C. シンクAPI
• D. ParDo

正解：D

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 # 204
次のうち、データフローパイプラインについて正しくないものはどれですか？

• A. パイプラインはインスタンス間でデータを共有できます
• B. パイプラインは一連の操作です
• C. パイプラインはステップの有向グラフを表します
• D. パイプラインはデータ処理ジョブを表します

正解：A

解説：
The data and transforms in a pipeline are unique to, and owned by, that pipeline. While your program can create multiple pipelines, pipelines cannot share data or transforms

質問 # 205
トレーニングデータセットから学習するときにニューラルネットワークによって調整される数値はどれですか（2つの回答を選択してください）。

• A. バイアス
• B. 重み
• C. 継続的な機能
• D. 入力値

正解：A、B

解説：
A neural network is a simple mechanism that's implemented with basic math. The only difference between the traditional programming model and a neural network is that you let the computer determine the parameters (weights and bias) by learning from training datasets.
Reference:
https://cloud.google.com/blog/big-data/2016/07/understanding-neural-networks-with-tensorflow-playground

質問 # 206
これらの主要なツールが使用されており、データ形式はOptimized Row Columnar（ORC）です。すべてのORCファイルがCloudStorageバケットに正常にコピーされました。パフォーマンスを最大化するには、一部のデータをクラスターのローカルHadoop分散ファイルシステム（HDFS）に複製する必要があります。Cloud DataprocでHiveの使用を開始する2つの方法は何ですか？（2つ選択してください。）

• A. Hadoop用のCloud Storageコネクターを利用して、ORCファイルを外部Hiveテーブルとしてマウントします。外部Hiveテーブルをネイティブテーブルに複製します。
• B. ORCファイルをBigQueryに読み込みます。Hadoop用のBigQueryコネクタを利用して、BigQueryテーブルを外部Hiveテーブルとしてマウントします。外部Hiveテーブルをネイティブテーブルに複製します。
• C. gsutilユーティリティを実行して、すべてのORCファイルをCloudStorageバケットからDataprocクラスターのマスターノードに転送します。次に、Hadoopユーティリティを実行して、HDFSを実行してそれらをコピーします。HDFSからHiveテーブルをマウントします。
• D. gsutilユーティリティを実行して、すべてのORCファイルをCloudStorageバケットからDataprocクラスターの任意のノードに転送します。Hiveテーブルをローカルにマウントします。
• E. gsutilユーティリティを実行して、すべてのORCファイルをCloudStorageバケットからHDFSに転送します。Hiveテーブルをローカルにマウントします。

正解：C、D

質問 # 207
BigQueryによって処理される列の数を減らすために使用できるSQLキーワードはどれですか？

• A. 制限
• B. WHERE
• C. SELECT
• D. BETWEEN

正解：C

解説：
SELECT allows you to query specific columns rather than the whole table.
LIMIT, BETWEEN, and WHERE clauses will not reduce the number of columns processed by BigQuery.
Reference:
https://cloud.google.com/bigquery/launch-checklist#architecture_design_and_development_checklist

質問 # 208
数百万台のコンピューターの時系列のCPUとメモリの使用量を保存するデータベースを選択する必要があります。このデータを1秒間隔のサンプルに保存する必要があります。アナリストは、データベースに対してリアルタイムのアドホック分析を実行します。実行されたすべてのクエリに対して課金されることを避け、スキーマ設計がデータセットの将来の拡張を可能にすることを保証する必要があります。どのデータベースとデータモデルを選択する必要がありますか？

• A. BigQueryでテーブルを作成し、CPUとメモリの新しいサンプルをテーブルに追加します
• B. Cloud Bigtableで、コンピューター識別子と1分ごとのサンプル時間を組み合わせた行キーを使用して幅の広いテーブルを作成し、1秒ごとの値を列データとして組み合わせます。
• C. BigQueryで幅の広いテーブルを作成し、毎秒のサンプル値の列を作成し、毎秒の間隔で行を更新します
• D. ComputerEngineのコンピューター識別子と毎秒のサンプル時間を組み合わせた行キーを使用してCloudBigtableに狭いテーブルを作成します

正解：D

質問 # 209
BigQuery にデータがあり、会社のレポートを生成するために使用されます。週次エグゼクティブ レポートの一部のフィールドが会社の標準に従った形式に対応していないことに気づきました。たとえば、レポートのエラーには、異なる電話形式や異なる国コード ID が含まれます。これは頻繁に発生する問題であるため、データを正規化するための定期的なジョブを作成する必要があります。コーディングを必要としない迅速なソリューションが必要です。どうすればよいでしょうか?

• A. Dataflow SQL を使用してデータを正規化するジョブを作成し、ジョブの最初の実行後にパイプラインが繰り返し実行されるようにスケジュールします。
• B. Spark ジョブを作成し、Dataproc Serverless に送信します。
• C. BigQuery と GoogleSQL を使用してデータを正規化し、BigQuery で定期的なクエリをスケジュールします。
• D. Cloud Data Fusion と Wrangler を使用してデータを正規化し、定期的なジョブを設定します。

正解：D

解説：
Cloud Data Fusion is a fully managed, cloud-native data integration service that allows you to build and manage data pipelines with a graphical interface. Wrangler is a feature of Cloud Data Fusion that enables you to interactively explore, clean, and transform data using a spreadsheet-like UI. You can use Wrangler to normalize the data in BigQuery by applying various directives, such as parsing, formatting, replacing, and validating data. You can also preview the results and export the wrangled data to BigQuery or other destinations. You can then set up a recurring job in Cloud Data Fusion to run the Wrangler pipeline on a schedule, such as weekly or daily. This way, you can create a quick and code-free solution to normalize the data for your reports. References:
* Cloud Data Fusion overview
* Wrangler overview
* Wrangle data from BigQuery
* [Scheduling pipelines]

質問 # 210
既存の初期化アクションを使用して、起動時にすべてのCloudDataprocクラスターに追加の依存関係をデプロイする必要があります。会社のセキュリティポリシーでは、Cloud Dataprocノードがインターネットにアクセスできないため、パブリック初期化アクションでリソースをフェッチできません。あなたは何をするべきか？

• A. すべての依存関係をVPCセキュリティ境界内のCloudStorageバケットにコピーします
• B. CloudDataprocマスターにCloudSQLプロキシをデプロイします
• C. Resource Managerを使用して、CloudDataprocクラスターが使用するサービスアカウントをネットワークユーザーロールに追加します
• D. SSHトンネルを使用して、CloudDataprocクラスターにインターネットへのアクセスを許可します

正解：C

質問 # 211
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. マルチホットカラムを作成する
• B. ワンホットカラムを作成します
• C. ハッシュバケットを作成する
• D. 埋め込み列を作成します

正解：D

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 # 212
CSV ファイルを Cloud Storage から BigQuery にロードしています。これらのファイルには、同じ列内の STRINGS と INT64 などのデータ型の不一致や、電話番号や住所などの値の形式の不一致など、既知のデータ品質の問題があります。データの品質を維持し、必要なクレンジングと変換を実行するには、データ パイプラインを作成する必要があります。あなたは何をするべきか？

• A. Data Fusion を使用して、CSV ファイルを AVRO などの自己記述型データ形式に変換します。データを BigOuery にロードする前に。
• B. CSV ファイルを目的のスキーマを持つステージング テーブルにロードし、SQL で変換を実行します。
  そして、その結果を最終的な宛先テーブルに書き込みます。
• C. BigQuery に読み込む前に、Data Fusion を使用してデータを変換します。
• D. 目的のスキーマを含むテーブルを作成し、CSV ファイルをテーブルに読み込み、SQL を使用して適切な変換を実行します。

正解：C

解説：
Data Fusion's advantages:
Visual interface: Offers a user-friendly interface for designing data pipelines without extensive coding, making it accessible to a wider range of users.
Built-in transformations: Includes a wide range of pre-built transformations to handle common data quality issues, such as:
Data type conversions
Data cleansing (e.g., removing invalid characters, correcting formatting) Data validation (e.g., checking for missing values, enforcing constraints) Data enrichment (e.g., adding derived fields, joining with other datasets) Custom transformations: Allows for custom transformations using SQL or Java code for more complex cleaning tasks.
Scalability: Can handle large datasets efficiently, making it suitable for processing CSV files with potential data quality issues.
Integration with BigQuery: Integrates seamlessly with BigQuery, allowing for direct loading of transformed data.

質問 # 213
BigQueryテーブルの特定のパーティションをどのようにクエリしますか？

• A. EXTRACT（DAY）句を使用します
• B. WHERE句でDATEBETWEENを使用します
• C. WHERE句で__PARTITIONTIME疑似列を使用します
• D. WHERE句でDAY列を使用します

正解：C

解説：
Partitioned tables include a pseudo column named _PARTITIONTIME that contains a date-based timestamp for data loaded into the table. To limit a query to particular partitions (such as Jan 1st and 2nd of 2017), use a clause similar to this:
WHERE _PARTITIONTIME BETWEEN TIMESTAMP('2017-01-01') AND TIMESTAMP('2017-01-02')

質問 # 214
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. [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
• 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. -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
• D. [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

正解：B

質問 # 215
......

無料でゲット！2024年最新のに更新されたGoogle Professional-Data-Engineer日本語試験問題と解答：https://jp.fast2test.com/Professional-Data-Engineer-JPN-premium-file.html