[2024年最新] 高合格率な最新無料DP-100日本語試験問題集アンサーを使おう [Q149-Q167]

[2024年最新] 高合格率な最新無料DP-100日本語試験問題集アンサーを使おう

DP-100日本語知能問題集PDF！Microsoft DP-100日本語試験問セット

質問 # 149
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：

質問 # 150
STANDARD_D1仮想マシンイメージを使用して、ComputeOneという名前のAzure Machine Learningコンピューティングターゲットを作成します。
Azure Machine Learningワークスペースを参照するwasという名前のPython変数を定義します。次のPython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：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:Yes
ComputeTargetException class: An exception related to failures when creating, interacting with, or configuring a compute target. This exception is commonly raised for failures attaching a compute target, missing headers, and unsupported configuration values.
Create(workspace, name, provisioning_configuration)
Provision a Compute object by specifying a compute type and related configuration.
This method creates a new compute target rather than attaching an existing one.
Box 2: Yes
Box 3: No
The line before print('Step1') will fail.
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.compute.computetarget

質問 # 151
Workspace 1 Workspace! という名前の Azure Machine Learning ワークスペースがあり、PyFunc フレーバーを持つ model 1 という名前の登録済み Mlflow モデルがあります。Azure Machine Learning Python SDK vl を使用して、出力接続なしで、endpoint1 という名前のオンラインエンドポイントに model1 をデプロイする予定です。次のコードがあります。

モデルが正常にデプロイされるようにするには、ManagedOnlineDeployment オブジェクトにパラメーターを追加する必要があります。解決策: 環境パラメーターを追加します。
ソリューションは目標を満たしていますか?

A. いいえ
B. はい

正解：A

質問 # 152
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を持ちます。
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：主成分分析（PCA）サンプリングモードを使用します。
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

質問 # 153
ワークスペースでデータや実験を操作するには、Azure Machine LearningSDK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：正しい選択はそれぞれ1ポイントの価値があります。

A. resource_group
B. 地域
C. subscription_Id
D. ログイン
E. キー

正解：A、C

解説：
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 # 154
10,000個のデータポイントと150個の特徴を持つ正規化された数値特徴セットを含むマルチクラス分類タスク用に作成されたデータセットがあります。
データポイントの75％をトレーニングに使用し、25％をテストに使用します。 Pythonでscikit-learn機械学習ライブラリを使用しています。 Xを使用して機能セットを示し、Yを使用してクラスラベルを示します。
次のPythonデータフレームを作成します。
主成分分析（PCA）メソッドを適用して、トレーニングセットとテストセットの両方で、フィーチャセットの次元を10フィーチャに減らす必要があります。
コードセグメン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には1ポイントの価値があります。

正解：

解説：

Explanation

Box 1: PCA(n_components = 10)
Need to reduce the dimensionality of the feature set to 10 features in both training and testing sets.
Example:
from sklearn.decomposition import PCA
pca = PCA(n_components=2) ;2 dimensions
principalComponents = pca.fit_transform(x)
Box 2: pca
fit_transform(X[, y])fits the model with X and apply the dimensionality reduction on X.
Box 3: transform(x_test)
transform(X) applies dimensionality reduction to X.
References:
https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html

質問 # 155
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、指定された目標を満たす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。
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ます。次のコードを実行して、実験用の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変数という変数に格納され、モデルからの予測確率はy_predictedという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ー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：A

質問 # 156
ビジネスアプリケーションで使用されるバッチ推論パイプラインを公開します。
アプリケーション開発者は、公開されたパイプラインのRESTインターフェースに送信および返される情報を知る必要があります。
RESTリクエストで必要とされ、公開されたパイプラインからの応答として返される情報を識別する必要があります。
RESTリクエストでどの値を使用し、レスポンスで期待すべきですか？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: JSON containing an OAuth bearer token
Specify your authentication header in the request.
To run the pipeline from the REST endpoint, you need an OAuth2 Bearer-type authentication header.
Box 2: JSON containing the experiment name
Add a JSON payload object that has the experiment name.
Example:
rest_endpoint = published_pipeline.endpoint
response = requests.post(rest_endpoint,
headers=auth_header,
json={"ExperimentName": "batch_scoring",
"ParameterAssignments": {"process_count_per_node": 6}})
run_id = response.json()["Id"]
Box 3: JSON containing the run ID
Make the request to trigger the run. Include code to access the Id key from the response dictionary to get the value of the run ID.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/tutorial-pipeline-batch-scoring-classification

質問 # 157
あなたは鳥の健康と移動を追跡するプロジェクトのリードデータサイエンティストです。専門家が収集したラベル付きの鳥の写真のセットを使用するマルチイメージ分類の深層学習モデルを作成します。このモデルを使用して、アプリユーザーが捕獲する鳥の種を予測するクロスプラットフォームのモバイルアプリを開発する予定です。
トレーニング済みモデルをWebサービスとしてテストおよびデプロイする必要があります。デプロイされたモデルは、次の要件を満たしている必要があります。
*認証された接続がテストに必要であってはなりません。
*デプロイされたモデルは、推論中に低遅延で実行する必要があります。
* RESTエンドポイントはスケーラブルである必要があり、複数のエンドユーザーがモバイルアプリケーションを使用している場合に多数のリクエストを処理する能力が必要です。
有効なRESTリクエストが送信されたときに、Webサービスが予想されるJSON形式で予測を返すことを確認する必要があります。
どのコンピューティングリソース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: ds-workstation notebook VM
An authenticated connection must not be required for testing.
On a Microsoft Azure virtual machine (VM), including a Data Science Virtual Machine (DSVM), you create local user accounts while provisioning the VM. Users then authenticate to the VM by using these credentials.
Box 2: gpu-compute cluster
Image classification is well suited for GPU compute clusters
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/data-science-virtual-machine/dsvm-common-identity
https://docs.microsoft.com/en-us/azure/architecture/reference-architectures/ai/training-deep-learning

質問 # 158
2,000 行を含むデータセットがあります。 Azure Learning Studio を使用して、機械学習分類モデルを構築しています。実験にパーティションとサンプルモジュールを追加します。
モジュールを構成する必要があります。次の要件を満たす必要があります。
データをサブセットに分割する
ラウンドロビン方式を使用して、行をフォールドに割り当てます
データセット内の行の再利用を許可する
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: 正しい選択ごとに 1 ポイントの価値があります。

正解：

解説：

Explanation

Use the Split data into partitions 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.
Add the Partition and Sample module to your experiment in Studio (classic), and connect the dataset.
For Partition or sample mode, select Assign to Folds.
Use replacement in the partitioning: Select this option if you want the sampled row to be put back into the pool of rows for potential reuse. As a result, the same row might be assigned to several folds.
If you do not use replacement (the default option), the sampled row is not put back into the pool of rows for potential reuse. As a result, each row can be assigned to only one fold.
Randomized split: Select this option if you want rows to be randomly assigned to folds.
If you do not select this option, rows are assigned to folds using the round-robin method.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample

質問 # 159
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. 正規化
B. 合成マイノリティオーバーサンプリングテクニック（SMOTE）
C. MICEを使用して交換
D. を使用して置き換えます。確率的PCA

正解：D

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

質問 # 160
実験の実行が完了した後、Runオブジェクトのget_metricsメソッドを使用して返すことができるrow_countという名前のメトリックとして行数を記録する必要があります。どのコードを使用する必要がありますか？

A. run.log_row('row_count', rows)
B. run.upload_file('row_count', './data.csv')
C. run.log_table('row_count', rows)
D. run.tag('row_count', rows)
E. run.log('row_count', rows)

正解：E

解説：
Log a numerical or string value to the run with the given name using log(name, value, description=''). Logging a metric to a run causes that metric to be stored in the run record in the experiment. You can log the same metric multiple times within a run, the result being considered a vector of that metric.
Example: run.log("accuracy", 0.95)
Incorrect Answers:
E: Using log_row(name, description=None, **kwargs) creates a metric with multiple columns as described in kwargs. Each named parameter generates a column with the value specified. log_row can be called once to log an arbitrary tuple, or multiple times in a loop to generate a complete table.
Example: run.log_row("Y over X", x=1, y=0.4)
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.run

質問 # 161
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 # 162
Azure Machine Learning ワークスペースがあります。ローカルコンピューターで実験を実行しています。
Azure Machine Learning Python SDK v2 で MLflow Tracking を使用して、ローカル実験の実行からのメトリックとアーティファクトをワークスペースに保存できることを確認する必要があります。
どの順序でアクションを実行する必要がありますか? 回答するには、すべての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、正しい順序で並べます。

正解：

解説：

1 - Go to workspace in the Azure portal.
2 - Retrieve the tracking URI of the workspace.
3 - Import MLflow and MLClient classes.
4 - Set the MLflow tracking URI and the experiment..

質問 # 163
ローカルペナルティ検出データのスケーリング戦略を実装する必要があります。
どの正規化タイプを使用する必要がありますか？

A. Weight
B. Cosine
C. Streaming
D. Batch

正解：D

解説：
Explanation
Post batch normalization statistics (PBN) is the Microsoft Cognitive Toolkit (CNTK) version of how to evaluate the population mean and variance of Batch Normalization which could be used in inference Original Paper.
In CNTK, custom networks are defined using the BrainScriptNetworkBuilder and described in the CNTK network description language "BrainScript." Scenario:
Local penalty detection models must be written by using BrainScript.
References:
https://docs.microsoft.com/en-us/cognitive-toolkit/post-batch-normalization-statistics

質問 # 164
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。
機械学習モデルをトレーニングして登録します。
モデルをリアルタイムWebサービスとしてデプロイすることを計画しています。モデルを使用するには、アプリケーションでキーベースの認証を使用する必要があります。
Webサービスをデプロイする必要があります。
解決：
AksWebserviceインスタンスを作成します。
auth_enabledプロパティの値をTrueに設定します。
モデルをサービスにデプロイします。
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：A

解説：
Explanation
Key-based authentication.
Web services deployed on AKS have key-based auth enabled by default. ACI-deployed services have key-based auth disabled by default, but you can enable it by setting auth_enabled = TRUE when creating the ACI web service. The following is an example of creating an ACI deployment configuration with key-based auth enabled.
deployment_config <- aci_webservice_deployment_config(cpu_cores = 1,
memory_gb = 1,
auth_enabled = TRUE)
Reference:
https://azure.github.io/azureml-sdk-for-r/articles/deploying-models.html

質問 # 165
Azure Machine Learning ソリューションの実装を計画しています。次の要件があります。
* Jupyter ノートブックを実行して、機械学習モデルをインタラクティブにトラムします。
* カスタムプログラミングではなくスクリプトを使用して、機械学習の概念実証用のアセットとワークフローをデプロイします。
要件ごとに開発手法を選択する必要があります
どの開発手法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 # 166
fsi という名前のファイルシステムと、folder1 という名前のフォルダーを含む storage1 という名前の Azure Data Lake Storage Gen2 ストレージアカウントを作成します。
folder1 の内容は、Azure Machine Learning ワークスペースのコンピューティングターゲット上のジョブからアクセスできる必要があります。
フォルダー 1 を参照するための URL を構築する必要があります。
URI はどのように構築すればよいでしょうか? 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：
see the answer below.
Explanation
See below image