[2023年05月]更新のMicrosoft DP-100日本語試験練習テスト問題 [Q111-Q132]

[2023年05月]更新のMicrosoft DP-100日本語試験練習テスト問題

更新された認定試験DP-100日本語問題集で練習テスト問題

質問 # 111
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。
スクリプトという名前のローカルフォルダーにtrain.pyという名前のPythonスクリプトがあります。スクリプトは、scikit-learnを使用して回帰モデルをトレーニングします。スクリプトには、やはりスクリプトフォルダーにあるトレーニングデータファイルを読み込むコードが含まれています。
スクリプトは、aml-computeという名前の計算クラスターでAzure ML実験として実行する必要があります。
モデルトレーニングに必要なパッケージが環境に含まれるように、実行を構成する必要があります。ターゲットの計算クラスターを参照するaml-computeという名前の変数をインスタンス化しました。
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：
The scikit-learn estimator provides a simple way of launching a scikit-learn training job on a compute target. It is implemented through the SKLearn class, which can be used to support single-node CPU training.
Example:
from azureml.train.sklearn import SKLearn
}
estimator = SKLearn(source_directory=project_folder,
compute_target=compute_target,
entry_script='train_iris.py'
)
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-train-scikit-learn

質問 # 112
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解がある場合もあれば、正解がない場合もあります。
このセクションの質問に答えた後は、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、それを検証データでテストするスクリプトを実行する予定です。検証データのラベル値は y_test 変数という名前の変数に保存され、モデルからの予測確率は y_predicted という名前の変数に保存されます。
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：
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 # 113
X、Y、およびZの数値特徴を含む特徴セットがあります。
X、Y、およびZフィーチャのポアソン相関係数（r値）を次の画像に示します。

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質問に回答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：

References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/compute-linear-correlation

質問 # 114
CSVファイルからテキストを前処理する予定です。 Azure Machine Learning Studioのデフォルトのストップワードリストをロードします。
次の要件を満たすように、テキストの前処理モジュールを構成する必要があります。
*単一の標準形式から複数の関連する単語を確認します。
*テキストからパイプ文字を削除します。
*情報検索を最適化するために単語を削除します。
どの3つのオプションを選択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：

Explanation:
Box 1: Remove stop words
Remove words to optimize information retrieval.
Remove stop words: Select this option if you want to apply a predefined stopword list to the text column. Stop word removal is performed before any other processes.
Box 2: Lemmatization
Ensure that multiple related words from a single canonical form.
Lemmatization converts multiple related words to a single canonical form Box 3: Remove special characters Remove special characters: Use this option to replace any non-alphanumeric special characters with the pipe | character.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/preprocess-text
Topic 1, Case Study
Overview
You are a data scientist in a company that provides data science for professional sporting events. Models will be global and local market data to meet the following business goals:
* Understand sentiment of mobile device users at sporting events based on audio from crowd reactions.
* Access a user's tendency to respond to an advertisement.
* Customize styles of ads served on mobile devices.
* Use video to detect penalty events.
Current environment
Requirements
* Media used for penalty event detection will be provided by consumer devices. Media may include images and videos captured during the sporting event and snared using social media. The images and videos will have varying sizes and formats.
* The data available for model building comprises of seven years of sporting event media. The sporting event media includes: recorded videos, transcripts of radio commentary, and logs from related social media feeds feeds captured during the sporting events.
* Crowd sentiment will include audio recordings submitted by event attendees in both mono and stereo Formats.
Advertisements
* Ad response models must be trained at the beginning of each event and applied during the sporting event.
* Market segmentation nxxlels must optimize for similar ad resporr.r history.
* Sampling must guarantee mutual and collective exclusivity local and global segmentation models that share the same features.
* Local market segmentation models will be applied before determining a user's propensity to respond to an advertisement.
* Data scientists must be able to detect model degradation and decay.
* Ad response models must support non linear boundaries features.
* The ad propensity model uses a cut threshold is 0.45 and retrains occur if weighted Kappa deviates from 0.1 +/-5%.
* The ad propensity model uses cost factors shown in the following diagram:

The ad propensity model uses proposed cost factors shown in the following diagram:

Performance curves of current and proposed cost factor scenarios are shown in the following diagram:

Penalty detection and sentiment
Findings
* Data scientists must build an intelligent solution by using multiple machine learning models for penalty event detection.
* Data scientists must build notebooks in a local environment using automatic feature engineering and model building in machine learning pipelines.
* Notebooks must be deployed to retrain by using Spark instances with dynamic worker allocation
* Notebooks must execute with the same code on new Spark instances to recode only the source of the data.
* Global penalty detection models must be trained by using dynamic runtime graph computation during training.
* Local penalty detection models must be written by using BrainScript.
* Experiments for local crowd sentiment models must combine local penalty detection data.
* Crowd sentiment models must identify known sounds such as cheers and known catch phrases. Individual crowd sentiment models will detect similar sounds.
* All shared features for local models are continuous variables.
* Shared features must use double precision. Subsequent layers must have aggregate running mean and standard deviation metrics Available.
segments
During the initial weeks in production, the following was observed:
* Ad response rates declined.
* Drops were not consistent across ad styles.
* The distribution of features across training and production data are not consistent.
Analysis shows that of the 100 numeric features on user location and behavior, the 47 features that come from location sources are being used as raw features. A suggested experiment to remedy the bias and variance issue is to engineer 10 linearly uncorrected features.
Penalty detection and sentiment
* Initial data discovery shows a wide range of densities of target states in training data used for crowd sentiment models.
* All penalty detection models show inference phases using a Stochastic Gradient Descent (SGD) are running too stow.
* Audio samples show that the length of a catch phrase varies between 25%-47%, depending on region.
* The performance of the global penalty detection models show lower variance but higher bias when comparing training and validation sets. Before implementing any feature changes, you must confirm the bias and variance using all training and validation cases.

質問 # 115
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。

正解：

解説：

質問 # 116
テスト要件に従ってデータを分割する方法を特定する必要があります。
どのプロパティを選択する必要がありますか？回答するには、適切なオプションを選択します。m回答エリアで。注意：
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 # 117
同僚が次のコードを使用して、機械学習サービスワークスペースにデータストアを登録します。

ノートブックからデータストアにアクセスするには、コードを記述する必要があります。

正解：

解説：

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

質問 # 118
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. 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。
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. 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。
E. 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。

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 # 119
Azure Machine Learning Studioで分類タスクを実行しています。
提供されたデータセットに基づいて、バランスの取れたテストおよびトレーニングサンプルを準備する必要があります。
0.75：0.25の比率でデータを分割する必要があります。
各パラメーターに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には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-module-reference/split-data

質問 # 120
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 # 121
Azure Machine Learning Studioを使用して実験を作成しています。
評価のためにデータを4つのサブセットに分割する必要があります。データには高度な欠損値があります。
分析用のデータを準備する必要があります。
実験を作成するための適切な方法を選択する必要があります。
どの3つのモジュール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エリアに移動し、正しい順序に並べます。
注：回答の選択肢の複数の順序が正しいです。選択した正しい注文のいずれかのクレジットを受け取ります。

正解：

解説：

Explanation:
The Clean Missing Data module in Azure Machine Learning Studio, to remove, replace, or infer missing values.
Incorrect Answers:
Latent Direchlet Transformation: Latent Dirichlet Allocation module in Azure Machine Learning Studio, to group otherwise unclassified text into a number of categories. Latent Dirichlet Allocation (LDA) is often used in natural language processing (NLP) to find texts that are similar. Another common term is topic modeling.
Build Counting Transform: Build Counting Transform module in Azure Machine Learning Studio, to analyze training data. From this data, the module builds a count table as well as a set of count-based features that can be used in a predictive model.
Missing Value Scrubber: The Missing Values Scrubber module is deprecated.
Feature hashing: Feature hashing is used for linguistics, and works by converting unique tokens into integers.
Replace discrete values: the Replace Discrete Values module in Azure Machine Learning Studio is used to generate a probability score that can be used to represent a discrete value. This score can be useful for understanding the information value of the discrete values.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data

質問 # 122
テスト要件に従ってデータを分割する方法を特定する必要があります。
どのプロパティを選択する必要がありますか？回答するには、適切なオプションを選択します。m回答エリアで。注意：
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 # 123
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。
次の変数に応じて、学生のアートワークの価格を予測するモデルを作成しています：学生の教育期間、学位タイプ、および芸術形態。
まず、線形回帰モデルを作成します。
線形回帰モデルを評価する必要があります。
解決策：次のメトリックを使用します：相対二乗誤差、決定係数、精度、精度、リコール、F1スコア、およびAUC。
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：
Relative Squared Error, Coefficient of Determination are good metrics to evaluate the linear regression model, but the others are metrics for classification models.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model

質問 # 124
YOUには、150以上の機能を含むデータセットがあります。データセットを使用して、サポートベクターマシン（SVM）バイナリ分類子をトレーニングします。
Azure Machine Learning StudioのPermutation Feature Importanceモジュールを使用して、データセットの一連の機能重要度スコアを計算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エリアに移動し、正しい順序で並べます。

正解：

解説：

質問 # 125
Azure Machine Learning SDK for Python を使用して、2 段階のパイプラインを実装する予定です。
パイプラインは、最初のステップから 2 番目のステップに一時データを渡します。
パイプラインの最初のステップで生成された一時データにアクセスするには、2 番目のステップで使用するクラスと対応するメソッドを特定する必要があります。
どのクラスとメソッドを識別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 # 126
Azure Machine Learning を使用して機械学習モデルを開発しています。モデルデータ a に複数のテキストファイルを表形式で使用しています。次の要件があります。
* モデルをトレーニングするには、AutoML ジョブを使用する必要があります。
* 指定した列のデータを使用する必要があります。
* データの概念は、遅延評価をサポートする必要があります。
Pandas データフレームにデータをロードする必要があります。
どのデータ概念を使用する必要がありますか?

A. データ資産
B. ML テーブル
C. URI
D. データストア

正解：D

質問 # 127
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：

Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/tutorial-pipeline-batch-scoring-classification

質問 # 128
ペナルティイベント検出のプロセスを定義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？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エリアに移動し、正しい順序に並べます。

正解：

解説：

質問 # 129
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. キー
C. subscription_Id
D. ログイン
E. 地域

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 # 130
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：連鎖方程式による多重代入（MICE）メソッドを使用して、各欠損値を置き換えます。
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：B

解説：
Explanation
Replace using MICE: For each missing value, this option assigns a new value, which is calculated by using a method described in the statistical literature as "Multivariate Imputation using Chained Equations" or
"Multiple Imputation by Chained Equations". With a multiple imputation method, each variable with missing data is modeled conditionally using the other variables in the data before filling in the missing values.
Note: Multivariate imputation by chained equations (MICE), sometimes called "fully conditional specification" or "sequential regression multiple imputation" has emerged in the statistical literature as one principled method of addressing missing data. Creating multiple imputations, as opposed to single imputations, accounts for the statistical uncertainty in the imputations. In addition, the chained equations approach is very flexible and can handle variables of varying types (e.g., continuous or binary) as well as complexities such as bounds or survey skip patterns.
References:
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 # 131
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。