[2023年07月]更新のDP-100日本語試験問題集、DP-100日本語練習テスト問題
検証済みDP-100日本語問題集PDF資料 [2023]
質問 # 41
マルチクラスの画像分類の深層学習モデルを作成します。
PyTorchバージョン1.2を使用してモデルをトレーニングします。
モデルがデプロイされるときに、推論環境に対して正しいバージョンのPyTorchを識別でき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. model_frameworkおよびmodel_framework_versionプロパティを指定して、モデルを登録します。
- B. モデルをローカルに.ptファイルとして保存し、モデルをローカルWebサービスとしてデプロイします。
- C. .ptファイル拡張子とデフォルトのバージョンプロパティを使用してモデルを登録します。
- D. 既定のAzure Machine Learning conda環境を使用するように構成されているコンピューターにモデルをデプロイします。
正解：A
解説：
Explanation
framework_version: The PyTorch version to be used for executing training code.
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-train-core/azureml.train.dnn.pytorch?view=azure-ml-py
質問 # 42
Azure Machine Learningを使用して、モデルのトレーニングと登録を行います。
IT部門がAzure Machine Learningワークスペースで作成したservice-computeという名前の推論クラスターに、リアルタイムWebサービスとしてモデルを本番環境にデプロイする必要があります。
デプロイされたWebサービスを使用するクライアントアプリケーションは、Azure Active Directoryサービスプリンシパルに基づいて認証される必要があります。
Azure Machine Learning SDKを使用してモデルをデプロイするスクリプトを作成する必要があります。必要なモジュールがインポートされました。
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、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 # 43
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：平均絶対誤差、ルート平均絶対誤差、相対絶対誤差、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. いいえ
- B. はい
正解：A
解説：
Accuracy, Precision, Recall, F1 score, and AUC are metrics for evaluating classification models.
Note: Mean Absolute Error, Root Mean Absolute Error, Relative Absolute Error are OK for the linear regression model.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/evaluate-model
質問 # 44
Azure Machine Learning Python SDK を使用して、モデルをトレーニングするためのパイプラインを定義します。
モデルのトレーニングに使用されるデータは、データストア内のフォルダーから読み取られます。
フォルダー内のデータが変更されるたびにパイプラインが自動的に実行されるようにする必要があります。
あなたは何をするべきか？
- A. 自動の Frequency で ScheduleRecurrance オブジェクトを作成します。オブジェクトを使用して、パイプラインのスケジュールを作成します
- B. パイプラインのスケジュールを作成します。 datastore プロパティでデータストアを指定し、path_on_datascore プロパティでトレーニング データを含むフォルダーを指定します。
- C. トレーニング データが保存されている場所を参照するデフォルト値で PipelineParameter を作成します。
- D. パイプラインのregenerate_outputsプロパティをTrueに設定
正解：B
解説：
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-trigger-published-pipeline
質問 # 45
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 # 46
機械学習モデルを使用してインテリジェントなソリューションを構築しています。
環境は、次の要件をサポートする必要があります。
*データサイエンティストはクラウド環境でノートブックを作成する必要があります
*データサイエンティストは、機械学習パイプラインで自動機能エンジニアリングとモデル構築を使用する必要があります。
*動的なワーカー割り当てでSparkインスタンスを使用して再トレーニングするには、ノートブックをデプロイする必要があります。
*ノートブックは、ローカルでバージョン管理できるようにエクスポート可能である必要があります。
環境を作成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、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、正しい順序で配置します。
正解：
解説：
1 - Create an Azure HDInsight cluster to include the Apache Spark Mlib library
2 - Install Microsot Machine Learning for Apache Spark
3 - Create and execute the Zeppelin notebooks on the cluster
4 - When the cluster is ready, export Zeppelin notebooks to a local environment.
References:
https://docs.microsoft.com/en-us/azure/hdinsight/spark/apache-spark-zeppelin-notebook
https://azuremlbuild.blob.core.windows.net/pysparkapi/intro.html
質問 # 47
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クラス画像分類ディープラーニングモデルを作成します。
あなたは鳥の写真を10万枚持っています。すべての写真はJPG形式を使用し、AzureサブスクリプションのAzure BLOBコンテナーに保存されます。
深層学習モデルのトレーニングに使用されるAzure Machine Learning serviceワークスペースからAzure blobコンテナー内の鳥の写真ファイルにアクセスする必要があります。データの移動を最小限に抑える必要があります。
あなたは何をするべきか？
- A. Azure Data Lakeストアを作成し、鳥の写真をストアに移動します。
- B. Azure Cosmos DBデータベースを作成し、鳥の写真のストレージを含むAzure Blobをデータベースに接続します。
- C. 鳥の写真を、Azure Machine Learningサービスワークスペースで作成されたblobデータストアにコピーします。
- D. 鳥の写真を含むAzure BlobストレージをデータストアとしてAzure Machine Learningサービスに登録します。
- E. 鳥の写真を含むAzure Blobストレージを参照するTabularDatasetクラスを使用して、データセットを作成および登録します。
正解：D
解説：
Explanation
We recommend creating a datastore for an Azure Blob container. When you create a workspace, an Azure blob container and an Azure file share are automatically registered to the workspace.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-access-data
質問 # 48
実験の要件とデータセットに基づいて、機能ベースの機能選択モジュールを構成する必要があります。
モジュールのプロパティ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：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: Mutual Information.
The mutual information score is particularly useful in feature selection because it maximizes the mutual information between the joint distribution and target variables in datasets with many dimensions.
Box 2: MedianValue
MedianValue is the feature column, , it is the predictor of the dataset.
Scenario: The MedianValue and AvgRoomsinHouse columns both hold data in numeric format. You need to select a feature selection algorithm to analyze the relationship between the two columns in more detail.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/filter-based-feature-selection
質問 # 49
群衆感情モデルの評価戦略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：
Explanation
Step 1: Define a cross-entropy function activation
When using a neural network to perform classification and prediction, it is usually better to use cross-entropy error than classification error, and somewhat better to use cross-entropy error than mean squared error to evaluate the quality of the neural network.
Step 2: Add cost functions for each target state.
Step 3: Evaluated the distance error metric.
References:
https://www.analyticsvidhya.com/blog/2018/04/fundamentals-deep-learning-regularization-techniques/
質問 # 50
Azure ML SDKを使用してバッチ推論パイプラインを作成します。次のコードを使用してパイプラインを実行します。
azureml.pipeline.coreからのインポートパイプライン
azureml.core.experiment import Experimentから
pipeline = Pipeline(workspace=ws, steps=[parallelrun_step])
pipeline_run = Experiment(ws, 'batch_pipeline').submit(pipeline)
パイプライン実行の進行状況を監視する必要があります。
この目標を達成するための2つの可能な方法は何ですか？それぞれの正解は完全なソリューションを示します。
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. オプションA
- B. オプションD
- C. オプションE
- D. オプションB
- E. オプションC
正解：B、C
解説：
A batch inference job can take a long time to finish. This example monitors progress by using a Jupyter widget. You can also manage the job's progress by using:
Azure Machine Learning Studio.
Console output from the PipelineRun object.
from azureml.widgets import RunDetails
RunDetails(pipeline_run).show()
pipeline_run.wait_for_completion(show_output=True)
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-parallel-run-step#monitor-the-parallel-run-job
質問 # 51
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：
Explanation:
Box 1: Split rows
Use the Split Rows option if you just want to divide the data into two parts. You can specify the percentage of data to put in each split, but by default, the data is divided 50-50.
You can also randomize the selection of rows in each group, and use stratified sampling. In stratified sampling, you must select a single column of data for which you want values to be apportioned equally among the two result datasets.
Box 2: 0.75
If you specify a number as a percentage, or if you use a string that contains the "%" character, the value is interpreted as a percentage. All percentage values must be within the range (0, 100), not including the values 0 and 100.
Box 3: Yes
To ensure splits are balanced.
Box 4: No
If you use the option for a stratified split, the output datasets can be further divided by subgroups, by selecting a strata column.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/split-data
質問 # 52
群衆感情モデルの評価戦略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：
Explanation:
Step 1: Define a cross-entropy function activation
When using a neural network to perform classification and prediction, it is usually better to use cross-entropy error than classification error, and somewhat better to use cross-entropy error than mean squared error to evaluate the quality of the neural network.
Step 2: Add cost functions for each target state.
Step 3: Evaluated the distance error metric.
References:
https://www.analyticsvidhya.com/blog/2018/04/fundamentals-deep-learning-regularization-techniques/
質問 # 53
分類タスクを解決しています。
k分割交差検証を使用して、限られたデータサンプルでモデルを評価する必要があります。 kパラメーターを分割数として構成することから始めます。
交差検定のkパラメータ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？
- A. k=0.5
- B. k=0
- C. k=1
- D. k=5
正解：D
解説：
Explanation
Leave One Out (LOO) cross-validation
Setting K = n (the number of observations) yields n-fold and is called leave-one out cross-validation (LOO), a special case of the K-fold approach.
LOO CV is sometimes useful but typically doesn't shake up the data enough. The estimates from each fold are highly correlated and hence their average can have high variance.
This is why the usual choice is K=5 or 10. It provides a good compromise for the bias-variance tradeoff.
質問 # 54
AccessibilityToHighway列の欠落データを置き換える必要があります。
Clean Missing Data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: Replace using MICE
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.
Scenario: The AccessibilityToHighway column in both datasets contains missing values. The missing data must be replaced with new data so that it is modeled conditionally using the other variables in the data before filling in the missing values.
Box 2: Propagate
Cols with all missing values indicate if columns of all missing values should be preserved in the output.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clean-missing-data
質問 # 55
トレーニングと検証のエラー値に大きな差があるモデルがあります。
新しいモデルを作成し、相互検証を実行する必要があります。
Azure Machine Learning Studioを使用して、新しいモデルのパラメーターセットを識別する必要があります。
各ステップで使用するモジュールはどれですか？答えるには、適切なモジュールを正しい手順にドラッグします。
各モジュールは、1回または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：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: Split data
Box 2: Partition and Sample
Box 3: Two-Class Boosted Decision Tree
Box 4: Tune Model Hyperparameters
Integrated train and tune: You configure a set of parameters to use, and then let the module iterate over multiple combinations, measuring accuracy until it finds a "best" model. With most learner modules, you can choose which parameters should be changed during the training process, and which should remain fixed.
We recommend that you use Cross-Validate Model to establish the goodness of the model given the specified parameters. Use Tune Model Hyperparameters to identify the optimal parameters.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/partition-and-sample
質問 # 56
Azure Machine Learningワークスペースから実行される実験を取得するコードを記述します。
この実行では、Azure Machine Learningのモデル解釈サポートを使用して、モデルの説明を生成およびアップロードしました。
組織のビジネスマネージャーは、モデルの機能の重要性を確認したいと考えています。
次のような出力で、モデルの機能とそれらの相対的な重要性を印刷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、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/python/api/azureml-contrib-interpret/azureml.contrib.interpret.explanation.explanation_client.explanationclient?view=azure-ml-py
質問 # 57
パフォーマンスカーブの図に示されているように、広告応答モデルの新しいコストファクターシナリオを実装する必要があります。
どのテクニックを使用する必要がありますか？
- A. Set the threshold to 0.05 and retrain if weighted Kappa deviates +/- 5% from 0.5.
- B. Set the threshold to 0.5 and retrain if weighted Kappa deviates +/- 5% from 0.45.
- C. Set the threshold to 0.2 and retrain if weighted Kappa deviates +/- 5% from 0.6.
- D. Set the threshold to 0.75 and retrain if weighted Kappa deviates +/- 5% from 0.15.
正解：B
解説：
Explanation
Scenario:
Performance curves of current and proposed cost factor scenarios are shown in the following diagram:
The ad propensity model uses a cut threshold is 0.45 and retrains occur if weighted Kappa deviated from 0.1
+/- 5%.
質問 # 58
Azure Machine Learningのハイパードライブ機能を使用してモデルをトレーニングしています。
次のコードを実行して、Hyperdrive実験を構成します。
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：
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
質問 # 59
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. いいえ
- B. はい
正解：A
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 # 60
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。
IT部門は、次のAzureリソースグループとリソースを作成します。
IT部門は、Azure Machine Learningワークスペースにaks-clusterという名前のAzure Kubernetes Service（AKS）ベースの推論コンピューティングターゲットを作成します。
GPUを搭載したMicrosoft Surface Bookコンピュータを使用しています。 Python 3.6とVisual Studio Codeがインストールされています。
ディープニューラルネットワーク（DNN）モデルをトレーニングし、損失と精度のメトリックをログに記録するスクリプトを実行する必要があります。
ソリューション：Azure ML SDKをSurface Bookにインストールします。 Pythonコードを実行してワークスペースに接続し、ローカルコンピューティングの実験としてトレーニングスクリプトを実行します。
- A. いいえ
- B. はい
正解：A
解説：
Explanation
Need to attach the mlvm virtual machine as a compute target in the Azure Machine Learning workspace.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target
質問 # 61
......
最新のDP-100日本語実際の無料試験問題は更新された337問あります：https://www.jpntest.com/shiken/DP-100J-mondaishu