[2024年05月] 更新されたのはMicrosoft AI-900日本語問題集PDFオンラインエンジン
AI-900日本語.PDFで問題解答！サンプル問題は信頼され続けます
質問 # 103
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 # 104
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：
Explanation:
Graphical user interface, text, application Description automatically generated
Reference:
https://docs.microsoft.com/en-us/azure/architecture/reference-architectures/ai/conversational-bot
https://docs.microsoft.com/en-us/azure/bot-service/bot-builder-webchat-overview?view=azure-bot-service-4.0
質問 # 105
文を完成させるには、回答領域で適切なオプションを選択します。
正解：
解説：
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-designer#deploy
質問 # 106
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：
Explanation
Graphical user interface, text, application, email Description automatically generated
質問 # 107
文を完成させるには、回答領域で適切なオプションを選択します。
正解：
解説：
Reference:
https://docs.microsoft.com/en-us/azure/cognitive-services/custom-vision-service/home custom vision - This is a type of computer vision service which helps in building/training models using user provided data Creating an object detection solution with Custom Vision consists of three main tasks. First you must use upload and tag images, then you can train the model, and finally you must publish the model so that client applications can use it to generate predictions.
https://docs.microsoft.com/en-us/learn/modules/detect-objects-images-custom-vision/2-object-detection-azure
質問 # 108
「後で電話をかけ直してください」などのユーザー入力の意味を解釈するために、どのAIサービスを使用できますか？
- A. Translator Text
- B. QnA Maker
- C. Language Understanding (LUIS)
- D. Speech
正解：C
解説：
Explanation
https://docs.microsoft.com/en-us/azure/cognitive-services/luis/what-is-luis
質問 # 109
特定の期間に発生したタクシーの旅に関する情報を含むデータセットがあります。
タクシーの旅の運賃を予測するには、モデルをトレーニングする必要があります。
機能として何を使用する必要がありますか？
- A. 個々のタクシーの移動距離
- B. 個々のタクシーの旅の旅行ID
- C. データセット内のタクシーの旅の数
- D. 個々のタクシーの旅の運賃
正解：A
解説：
The label is the column you want to predict. The identified Features are the inputs you give the model to predict the Label.
Example:
The provided data set contains the following columns:
rate_code: The rate type of the taxi trip is a feature.
passenger_count: The number of passengers on the trip is a feature.
trip_time_in_secs: The amount of time the trip took. You want to predict the fare of the trip before the trip is completed. At that moment, you don't know how long the trip would take. Thus, the trip time is not a feature and you'll exclude this column from the model.
trip_distance: The distance of the trip is a feature.
payment_type: The payment method (cash or credit card) is a feature.
fare_amount: The total taxi fare paid is the label.
Reference:
https://docs.microsoft.com/en-us/dotnet/machine-learning/tutorials/predict-prices
質問 # 110
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 # 111
文を完成させるには、回答領域で適切なオプションを選択します。
正解：
解説：
Explanation
Classification
質問 # 112
文を完成させるには、回答領域で適切なオプションを選択します。
正解：
解説：
Reference:
https://docs.microsoft.com/en-us/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier
質問 # 113
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：
Explanation
Box 1: Yes
Content Moderator is part of Microsoft Cognitive Services allowing businesses to use machine assisted moderation of text, images, and videos that augment human review.
The text moderation capability now includes a new machine-learning based text classification feature which uses a trained model to identify possible abusive, derogatory or discriminatory language such as slang, abbreviated words, offensive, and intentionally misspelled words for review.
Box 2: No
Azure's Computer Vision service gives you access to advanced algorithms that process images and return information based on the visual features you're interested in. For example, Computer Vision can determine whether an image contains adult content, find specific brands or objects, or find human faces.
Box 3: Yes
Natural language processing (NLP) is used for tasks such as sentiment analysis, topic detection, language detection, key phrase extraction, and document categorization.
Sentiment Analysis is the process of determining whether a piece of writing is positive, negative or neutral.
Reference:
https://azure.microsoft.com/es-es/blog/machine-assisted-text-classification-on-content-moderator-public-preview
https://docs.microsoft.com/en-us/azure/architecture/data-guide/technology-choices/natural-language-processing
質問 # 114
文を完成させるには、回答領域で適切なオプションを選択します。
正解：
解説：
Reference:
https://docs.microsoft.com/en-us/azure/cognitive-services/custom-vision-service/getting-started-build-a-classifier
質問 # 115
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：
Explanation
Reference:
https://docs.microsoft.com/en-gb/azure/cognitive-services/text-analytics/overview
https://azure.microsoft.com/en-gb/services/cognitive-services/speech-services/ You can use the Speech service to transcribe a call to text - Yes we can use Speech to Text API to achieve this
https://docs.microsoft.com/en-us/learn/modules/recognize-synthesize-speech/1-introduction You can use a speech service to translate the audio of a call to a different language - Yes we can use Speech translation service to achieve this The Speech service includes the following application programming interfaces (APIs):
Speech-to-text - used to transcribe speech from an audio source to text format.
Text-to-speech - used to generate spoken audio from a text source.
Speech Translation - used to translate speech in one language to text or speech in another.
https://docs.microsoft.com/en-us/learn/modules/translate-text-with-translation-service/2-get-started-azure You can use text analytics service to extract key entities from a call transcript -Yes Text Analytics API helps to achieve this
https://docs.microsoft.com/en-us/learn/modules/analyze-text-with-text-analytics-service/2-get-started-azure
質問 # 116
医学研究プロジェクトでは、事前定義された脳出血タイプに分類された脳スキャン画像の匿名化された大規模なデータセットを使用します。
機械学習を使用して、画像を人がレビューする前に、画像内のさまざまな脳出血タイプの早期検出をサポートする必要があります。
これは、どのタイプの機械学習の例ですか？
- A. 回帰
- B. クラスタリング
- C. 分類
正解：C
解説：
Reference:
https://docs.microsoft.com/en-us/learn/modules/create-classification-model-azure-machine-learning-designer/introduction
質問 # 117
責任あるAIの原則を適切な要件に一致させます。
答えるには、適切な原則を左側の列から右側の要件にドラッグします。各原則は、1回使用することも、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：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/azure/cloud-adoption-framework/innovate/best-practices/trusted-ai
https://docs.microsoft.com/en-us/learn/modules/responsible-ai-principles/4-guiding-principles
質問 # 118
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：
Explanation
Box 1: Yes
In machine learning, if you have labeled data, that means your data is marked up, or annotated, to show the target, which is the answer you want your machine learning model to predict.
In general, data labeling can refer to tasks that include data tagging, annotation, classification, moderation, transcription, or processing.
Box 2: No
Box 3: No
Accuracy is simply the proportion of correctly classified instances. It is usually the first metric you look at when evaluating a classifier. However, when the test data is unbalanced (where most of the instances belong to one of the classes), or you are more interested in the performance on either one of the classes, accuracy doesn't really capture the effectiveness of a classifier.
Reference:
https://www.cloudfactory.com/data-labeling-guide
https://docs.microsoft.com/en-us/azure/machine-learning/studio/evaluate-model-performance
質問 # 119
文を完成させるには、回答領域で適切なオプションを選択します。
正解：
解説：
質問 # 120
次のデータセットがあります。
データセットを使用して、住宅の住宅価格カテゴリを予測するモデルをトレーニングすることを計画しています。
世帯収入と住宅価格のカテゴリとは何ですか？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：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/azure/machine-learning/studio/interpret-model-results
質問 # 121
Text AnalyticsAPI機能をテクニカルサポートチケットシステムに適用することを計画しています。
Text AnalyticsAPI機能を適切な自然言語処理シナリオに一致させます。
答えるには、適切な機能を左側の列から右側のシナリオにドラッグします。各機能は、1回使用することも、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。
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/azure/architecture/data-guide/technology-choices/natural-language-processing
https://azure.microsoft.com/en-us/services/cognitive-services/text-analytics
質問 # 122
分類を使用してイベントを予測するモデルを開発しています。
次の展示に示すように、テストデータでスコアリングされたモデルの混同行列があります。
ドロップダウンメニューを使用して、図に示されている情報に基づいて各ステートメントを完了する回答の選択肢を選択します。
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/azure/machine-learning/studio/evaluate-model-performance Finding TP is easy. It basically means the value where Predicted and True value is 1 and that is 11 in this case.
False Negative means where true value was 1 but predicted value was 0 and that is 1033 in this case The confusion matrix shows cases where both the predicted and actual values were 1 (known as true positives) at the top left, and cases where both the predicted and the actual values were 0 (true negatives) at the bottom right. The other cells show cases where the predicted and actual values differ (false positives and false negatives).
https://docs.microsoft.com/en-us/learn/modules/create-classification-model-azure-machine-learning-designer/evaluate-model
質問 # 123
......
Microsoft AI-900日本語問題集PDFのベストを目指すなら問題集を使おう！高得点目指すならここ：https://jp.fast2test.com/AI-900J-premium-file.html