2024年最新の問題Microsoft AzureとDP-100日本語リアル試験問をマスターせよ！ [Q170-Q194]

2024年最新のの問題Microsoft AzureとDP-100日本語リアル試験問をマスターせよ！

突破受験者のシミュレーションされたDP-100日本語試験PDF問題を試そう

質問 # 170
参加者にDocker for Windowsを紹介するための実践的なワークショップを開発しています。
ワークショップの参加者がデバイスにDockerをインストールできることを確認する必要があります。
出席者がデバイスにインストールする必要がある2つの前提条件コンポーネントはどれですか？それぞれの正解はソリューションの一部を示しています。
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。

A. BIOS-enabled virtualization
B. Kitematic
C. Microsoft Hardware-Assisted Virtualization Detection Tool
D. Windows 10 64-bit Professional
E. VirtualBox

正解：A、D

解説：
C: Make sure your Windows system supports Hardware Virtualization Technology and that virtualization is enabled.
Ensure that hardware virtualization support is turned on in the BIOS settings. For example:

E: To run Docker, your machine must have a 64-bit operating system running Windows 7 or higher.
Reference:
https://docs.docker.com/toolbox/toolbox_install_windows/
https://blogs.technet.microsoft.com/canitpro/2015/09/08/step-by-step-enabling-hyper-v-for-use-on-windows-10/

質問 # 171
スクリプト実行構成を使用してスクリプトを実験として実行する予定です。スクリプトは、scipyライブラリのモジュールと、通常はデフォルトのconda環境にインストールされないいくつかのPythonパッケージを使用します。小規模なデータセットに対してローカルワークステーションで実験を実行し、より強力なリモートコンピューティングで実行することで実験をスケールアウトする予定です。より大きなデータセットのクラスター。
最小限の管理作業でローカルおよびリモートコンピューティングで実験が正常に実行されることを確認する必要があります。
あなたは何をするべきか？

A. 実験の実行構成で環境を指定しないでください。デフォルトの環境を使用して実験を実行します。
B. 必要なPython構成で仮想マシン（VM）を作成し、VMを計算ターゲットとして接続します。この計算ターゲットをすべての実験の実行に使用します。
C. 必要なパッケージを含む環境を作成して登録します。この環境をすべての実験実行に使用します。
D. 必要なcondaパッケージを定義するconfig.yamlファイルを作成し、実験フォルダーに保存します。
E. デフォルトのパッケージを使用して、常にEstimatorで実験を実行します。

正解：C

解説：
Explanation
If you have an existing Conda environment on your local computer, then you can use the service to create an environment object. By using this strategy, you can reuse your local interactive environment on remote runs.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-environments

質問 # 172
Azure Machine Learning を使用して、Azure ML Python SDK v2 ベースのモデルトレーニングのハイパーパラメーター調整を実装します。
トレーニングの実行は、最高のパフォーマンスの実行と比較して、プライマリメトリックが 25% 以上低下した場合に終了する必要があります。
トレーニングジョブを終了するには、早期終了ポリシ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? 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 # 173
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:
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 # 174
Azure Machine Learning ワークスペースを管理するとします。
MLflow を使用して複数のメトリクスをログに記録する必要があります。
ロギングのパフォーマンスを最大化する必要があります。
この目標を達成するために考えられる 2 つの方法は何ですか? それぞれの正解は完全な解決策を示します。
注: 正しく選択するたびに 1 ポイントの価値があります。

A. mlflow.log_param
B. mlflowlog_metrics
C. MLflowClient.log_batch
D. mlflow.log。メトリック

正解：B、C

質問 # 175
Azure Machine Learning デザイナーを使用して機械学習ソリューションを開発しています。
アプリケーションがデータ特徴値を送信し、予測されたラベルを取得するために使用できる Web サービスを作成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、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 # 176

ワークスペースでデータや実験を操作するには、Azure Machine Learning SDK を使用する必要があります。
Python 環境からワークスペースに接続するには、config.json ファイルを構成する必要があります。
ワークスペースに接続するために、config.json ファイルに追加する必要がある 2 つの追加パラメーターはどれですか?
それぞれの正解は、解決策の一部を示しています。
注: 正しく選択するたびに 1 ポイントの価値があります。

A. キー
B. サブスクリプション ID
C. ログイン
D. 地域
E. リソースグループ

正解：B、E

解説：
Explanation
To use the same workspace in multiple environments, create a JSON configuration file. The configuration file saves your subscription (subscription_id), resource (resource_group), and workspace name so that it can be easily loaded.
The following sample shows how to create a workspace.
from azureml.core import Workspace
ws = Workspace.create(name='myworkspace',
subscription_id='<azure-subscription-id>',
resource_group='myresourcegroup',
create_resource_group=True,
location='eastus2'
)
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.workspace.workspace

質問 # 177
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：

質問 # 178
AzureのWindowsおよびLinux用のData Science Virtual Machines（DSVM）を使用します。
DSVMにアクセスする必要があります。
どのユーティリティ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：

質問 # 179
Azure Machine Learning Studioで多重線形回帰モデルを作成しています。
いくつかの独立変数は高度に相関しています。
すべてのデータに対して効果的な特徴エンジニアリングを行うための適切な方法を選択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：

Explanation:
Step 1: Use the Filter Based Feature Selection module
Filter Based Feature Selection identifies the features in a dataset with the greatest predictive power.
The module outputs a dataset that contains the best feature columns, as ranked by predictive power. It also outputs the names of the features and their scores from the selected metric.
Step 2: Build a counting transform
A counting transform creates a transformation that turns count tables into features, so that you can apply the transformation to multiple datasets.
Step 3: Test the hypothesis using t-Test
References:
https://docs.microsoft.com/bs-latn-ba/azure/machine-learning/studio-module-reference/filter-based-feature-selection
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/build-counting-transform

質問 # 180
TSVファイルのセットを含むAzureBLOBコンテナーがあります。 Azure BLOBコンテナーは、Azure MachineLearningサービスワークスペースのデータストアとして登録されます。各TSVファイルは同じデータスキーマを使用します。
すべてのTSVファイルのデータをまとめて集約し、Azure Machine Learning SDK for Pythonを使用して、集約されたデータをデータセットとしてAzure MachineLearningワークスペースに登録することを計画しています。
次のコードを実行します。

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.data.tabulardataset

質問 # 181
ローカルワークステーションで Azure Machine Learning SDK を使用してモデルをトレーニングし、登録します。Python 3.6 と Visual Studio Code がワークステーションにインストールされています。
モデルを Azure Kubernetes Service (AKS) ベースの Web サービスとして運用環境にデプロイしようとすると、スコアリングスクリプトでエラーが発生し、デプロイが失敗します。
サービスを実稼働環境にデプロイする前に、ローカルワークステーションでサービスをデバッグする必要があります。
どの 4 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、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 - Install Docker on the workstation
2 - Create an AksWebservice deployment configuration and deploy the model to it
3 - Create a LocalWebservice deployment configuration for the service and deploy the model to it
4 - Debug and modify the scoring script as necessary. Use the reload() method of the service after each modification.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-deploy-azure-kubernetes-service
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-troubleshoot-deployment-local

質問 # 182
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。
Azure Machine Learningを使用して、分類モデルをトレーニングする実験を実行しています。
Hyperdriveを使用して、モデルのAUCメトリックを最適化するパラメーターを見つけたいと考えています。次のコードを実行して、実験用にHyperDriveConfigを構成します。

この構成を使用して、ランダムフォレストモデルをトレーニングし、検証データでテストするスクリプトを実行することを計画しています。検証データのラベル値はy_test変数という名前の変数に格納され、モデルから予測された確率はy_predictedという名前の変数に格納されます。
HyperdriveがAUCメトリックのハイパーパラメータを最適化できるようにするには、スクリプトにログを追加する必要があります。
解決策：次のコードを実行します。

ソリューションは目標を達成していますか？

A. はい
B. いいえ

正解：B

解説：
Explanation
Use a solution with logging.info(message) instead.
Note: Python printing/logging example:
logging.info(message)
Destination: Driver logs, Azure Machine Learning designer
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-debug-pipelines

質問 # 183
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 the second algorithm...
2 - Select the Explain model option.
3 - Display the aggregate feature importance chart.

質問 # 184
さまざまな都市の家の所有権に関する人口統計データを探索する予定です。データは、次の形式のCSVファイルです。
年齢、都市、収入、自宅所有者
21,Chicago,50000,0
35,Seattle,120000,1
23,Seattle,65000,0
45,Seattle,130000,1
18,Chicago,48000,0
データを探索して結果を記録するには、Azure Machine Learningワークスペースで実験を実行する必要があります。実験では、次の情報を記録する必要があります。
*データセット内の観測数
* home_ownerによる収入の箱ひげ図
*都市名と各都市の平均収入を含む辞書必要な情報をログに記録するには、実験の実行オブジェクトの適切なロギングメソッドを使用する必要があります。
どのようにコードを完成させる必要がありますか？回答するには、適切なコードセグメントを正しい場所にドラッグします。各コードセグメントは、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：

質問 # 185
次のコードを使用して、パイプラインのステップを定義します。
azureml.coreからインポートワークスペース、実験、実行
azureml.pipeline.coreからインポートパイプライン
azureml.pipeline.stepsからPythonScriptStepをインポートします
ws = Workspace.from_config（）
。。。
step1 = PythonScriptStep（name = "step1"、...）
step2 = PythonScriptsStep（name = "step2"、...）
Pipeline_steps = [step1、step2]
手順を実行するには、コードを追加する必要があります。
この目標を達成するために使用できる2つのコードセグメントはどれですか？それぞれの正解は完全な解決策を提示します。
注：正しい選択はそれぞれ1ポイントの価値があります。

A. パイプライン= Pipeline（workspace = ws、steps = pipeline_steps）
run = pipe.submit（experiment_name = 'pipeline-experiment'）
B. パイプライン= Pipeline（workspace = ws、steps = pipeline_steps）
実験=実験（workspace = ws、
name = 'pipeline-experiment'）
run = Experiment.submit（pipeline）
C. experiment = Experiment（workspace = ws、
name = 'pipeline-experiment'）
run = Experiment.submit（config = pipeline_steps）
D. run = Run（pipeline_steps）

正解：A、B

解説：
Explanation
After you define your steps, you build the pipeline by using some or all of those steps.
# Build the pipeline. Example:
pipeline1 = Pipeline(workspace=ws, steps=[compare_models])
# Submit the pipeline to be run
pipeline_run1 = Experiment(ws, 'Compare_Models_Exp').submit(pipeline1)
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-create-machine-learning-pipelines

質問 # 186
PyTorchフレームワークを使用して、マルチクラス画像分類の深層学習実験を作成します。 GPUを備えたノードを持つAzure Computeクラスターで実験を実行する予定です。
画像分類モデルの毎月の再トレーニングを実行するには、Azure Machine Learningサービスパイプラインを定義する必要があります。パイプラインは最小限のコストで実行し、モデルのトレーニングに必要な時間を最小限に抑える必要があります。
どの3つのパイプラインステップ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：

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

質問 # 187
大規模な糖尿病患者グループの年齢情報を含むデータセットを分析するコードを開発しています。Azure Machine Learning ワークスペースを作成し、必要なすべてのライブラリをインストールします。プライバシー予算を 1.0 に設定します)。
データセットを分析し、データのプライバシーを保護する必要があります。プライバシーバジェットが使い果たされる前に、コードを 2 回実行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 # 188
Azure Machine Learning Designerを使用して、トレーニングパイプラインを作成して実行します。次に、リアルタイムの推論パイプラインを作成します。
リアルタイム推論パイプラインをWebサービスとしてデプロイする必要があります。
リアルタイム推論パイプラインをデプロイする前に、何をする必要がありますか？

A. トレーニングパイプラインのクローンを作成します。
B. バッチ推論パイプラインを作成します。
C. Azure MachineLearningコンピューティングクラスターを作成します。
D. リアルタイム推論パイプラインを実行します。

正解：C

解説：
You need to create an inferencing cluster.
Deploy the real-time endpoint
After your AKS service has finished provisioning, return to the real-time inferencing pipeline to complete deployment.
Select Deploy above the canvas.
Select Deploy new real-time endpoint.
Select the AKS cluster you created.
Select Deploy.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/tutorial-designer-automobile-price-deploy

質問 # 189
MLflow モデルを作成します
バッチ推論のためにモデルを Azure Machine Learning にデプロイする必要があります。
バッチ展開を作成する必要があります。
どの 2 つのコンポーネントを使用する必要がありますか? それぞれの正解は、完全な解決策を提示します。
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

A. 計算対象
B. モデルファイル
C. 環境
D. Kubernetes オンラインエンドポイント
E. オンラインエンドポイント

正解：B、C

質問 # 190
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 # 191
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、指定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。
履歴データに基づいて気象条件を予測するモデルを作成します。
データストアからデータを読み込み、処理されたデータを機械学習モデルのトレーニングスクリプトに渡すために、処理スクリプトを実行するパイプラインを作成する必要があります。
解決策：次のコードを実行します。

ソリューションは目標を達成していますか？

A. はい
B. いいえ

正解：B

解説：
Explanation
Note: Data used in pipeline can be produced by one step and consumed in another step by providing a PipelineData object as an output of one step and an input of one or more subsequent steps.
Compare with this example, the pipeline train step depends on the process_step_output output of the pipeline process step:
from azureml.pipeline.core import Pipeline, PipelineData
from azureml.pipeline.steps import PythonScriptStep
datastore = ws.get_default_datastore()
process_step_output = PipelineData("processed_data", datastore=datastore) process_step = PythonScriptStep(script_name="process.py", arguments=["--data_for_train", process_step_output], outputs=[process_step_output], compute_target=aml_compute, source_directory=process_directory) train_step = PythonScriptStep(script_name="train.py", arguments=["--data_for_train", process_step_output], inputs=[process_step_output], compute_target=aml_compute, source_directory=train_directory) pipeline = Pipeline(workspace=ws, steps=[process_step, train_step]) Reference:
https://docs.microsoft.com/en-us/python/api/azureml-pipeline-core/azureml.pipeline.core.pipelinedata?view=azu

質問 # 192
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。
複数の列に欠損値を含む数値データセットを分析しています。
機能セットの次元に影響を与えることなく、適切な操作を使用して欠損値を消去する必要があります。
すべての値を含めるには、完全なデータセットを分析する必要があります。
解決策：欠落しているデータポイントを含む列全体を削除します。
ソリューションは目標を達成していますか？

A. はい
B. いいえ

正解：B

解説：
説明
連鎖方程式による多重代入（MICE）メソッドを使用します。
参照：
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3074241/
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

質問 # 193
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。