Microsoftは2023年最新のDP-100日本語サンプル問題は信頼され続けるDP-100日本語テストエンジン
無料お試しMicrosoft DP-100日本語問題集PDFは必ずベストの問題集オプションを使おう
質問 # 109
Azure MachineLearningのリモートコンピューティングでトレーニング実験を実行しています。
実験は、mlflowおよびazureml-contrib-runパッケージを含むconda環境を使用するように構成されています。
実験で生成されたメトリックを追跡するためのロギングパッケージとしてMLflowを使用する必要があります。
実験用のスクリプトを完了する必要があります。
コード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：
Explanation:
Box 1: import mlflow
Import the mlflow and Workspace classes to access MLflow's tracking URI and configure your workspace.
Box 2: mlflow.start_run()
Set the MLflow experiment name with set_experiment() and start your training run with start_run().
Box 3: mlflow.log_metric(' ..')
Use log_metric() to activate the MLflow logging API and begin logging your training run metrics.
Box 4: mlflow.end_run()
Close the run:
run.endRun()
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-mlflow
質問 # 110
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。
トレーニングセットとテストセットの両方で、機能セットの次元を10個の機能に減らすには、主成分分析（PCA）メソッドを適用する必要があります。
コードセグメントをどのように完了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：
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 # 111
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 # 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：最後の観測キャリーフォワード（IOCF）メソッドを使用して、欠落したデータポイントを補完します。
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：
Explanation
Instead use the Multiple Imputation by Chained Equations (MICE) method.
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: Last observation carried forward (LOCF) is a method of imputing missing data in longitudinal studies. If a person drops out of a study before it ends, then his or her last observed score on the dependent variable is used for all subsequent (i.e., missing) observation points. LOCF is used to maintain the sample size and to reduce the bias caused by the attrition of participants in a study.
References:
https://methods.sagepub.com/reference/encyc-of-research-design/n211.xml
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3074241/
質問 # 113 
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. ログイン
- B. キー
- C. 地域
- D. resource_group
- E. subscription_Id
正解：D、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 # 114
トレーニング済みのモデルをAzureMachineLearningワークスペースに登録することを計画しています。
モデルに関する追加のメタデータをKey-Value形式で保存する必要があります。作成後に、新しいメタデータを追加したり、メタデータを変更または削除したりできる必要があります。
モデルを登録する必要があります。
どのパラメータを使用する必要がありますか？
- A. 説明
- B. model_framework
- C. キャグ
- D. プロパティ
正解：D
解説：
azureml.core.Model.properties:
Dictionary of key value properties for the Model. These properties cannot be changed after registration, however new key value pairs can be added.
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.model.model
質問 # 115
Windows用の深層学習仮想マシンを構成します。
以下を実行するには、ツールとフレームワークを推奨する必要があります。
*ディープニューラルネットワーク（DNN）モデルを構築する
*インタラクティブなデータ探索と視覚化を実行する
どのツールとフレームワークをお勧めしますか？回答するには、適切なツールを正しいタスクにドラッグします。各ツールは、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 # 116
データの視覚化要件に従って、診断テストの評価用に視覚化を作成する必要があります。
どの3つのモジュールを順番に使用することをお勧めしますか？回答するには、適切なモジュールをモジュール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：
Explanation
Step 1: Sweep Clustering
Start by using the "Tune Model Hyperparameters" module to select the best sets of parameters for each of the models we're considering.
One of the interesting things about the "Tune Model Hyperparameters" module is that it not only outputs the results from the Tuning, it also outputs the Trained Model.
Step 2: Train Model
Step 3: Evaluate Model
Scenario: You need to provide the test results to the Fabrikam Residences team. You create data visualizations to aid in presenting the results.
You must produce a Receiver Operating Characteristic (ROC) curve to conduct a diagnostic test evaluation of the model. You need to select appropriate methods for producing the ROC curve in Azure Machine Learning Studio to compare the Two-Class Decision Forest and the Two-Class Decision Jungle modules with one another.
References:
http://breaking-bi.blogspot.com/2017/01/azure-machine-learning-model-evaluation.html
質問 # 117
広告応答のモデリング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: Implement a K-Means Clustering model
Step 2: Use the cluster as a feature in a Decision jungle model.
Decision jungles are non-parametric models, which can represent non-linear decision boundaries.
Step 3: Use the raw score as a feature in a Score Matchbox Recommender model The goal of creating a recommendation system is to recommend one or more "items" to "users" of the system.
Examples of an item could be a movie, restaurant, book, or song. A user could be a person, group of persons, or other entity with item preferences.
Scenario:
Ad response rated declined.
Ad response models must be trained at the beginning of each event and applied during the sporting event.
Market segmentation models must optimize for similar ad response history.
Ad response models must support non-linear boundaries of features.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/multiclass-decision-jungle
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/score-matchbox-recommende
質問 # 118
Azure Machine Learning StudioからWeka環境に大きなデータセットを移動しています。
Weka環境用にデータをフォーマットする必要があります。
どのモジュールを使用する必要がありますか？
- A. ARFFに変換
- B. CSVに変換
- C. SVMLightに変換
- D. データセットに変換
正解：A
解説：
Use the Convert to ARFF module in Azure Machine Learning Studio, to convert datasets and results in Azure Machine Learning to the attribute-relation file format used by the Weka toolset. This format is known as ARFF.
The ARFF data specification for Weka supports multiple machine learning tasks, including data preprocessing, classification, and feature selection. In this format, data is organized by entites and their attributes, and is contained in a single text file.
References:
https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/convert-to-arff
質問 # 119
C-Support Vector分類を使用して、不均衡なトレーニングデータセットでマルチクラス分類を行っています。以下に示すPythonコードを使用したC-Support Vector分類：
C-Support Vector分類コードを評価する必要があります。
どの評価ステートメント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://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
質問 # 120
あなたは猫と犬を識別するために深層学習モデルを交配しています。 25,000色の画像があります。
次の要件を満たしている必要があります。
*トレーニングエポックの数を減らします。
*ニューラルネットワークのサイズを縮小します。
*ニューラルネットワークの過剰適合を減らします。
画像修正値を選択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には1ポイントの価値があります。
正解：
解説：
質問 # 121
CPUベースの計算クラスターとAzure Kubernetes Service（AKS）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。分類モデルの作成に使用する予定のデータを含む表形式のデータセットを作成します。
Azure Machine Learning Designerを使用して、クライアントアプリケーションが新しいデータを送信し、応答として即時予測を取得することで分類モデルを利用できる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、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 # 122
次のバージョンのモデルを登録します。
Azure ML Python SDKを使用してトレーニング実験を実行します。 runという名前の変数を使用して、実験の実行を参照します。
実行が送信されて完了したら、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：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-deploy-and-where
質問 # 123
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=1
- B. k=0.5
- C. k=0
- D. k=5
正解：D
解説：
説明
Leave One Out（LOO）クロス検証
K = n（観測値の数）を設定するとn倍になり、K倍アプローチの特殊なケースであるleave-one out cross-validation（LOO）と呼ばれます。
LOO CVは便利な場合もありますが、通常はデータを十分に揺さぶることはできません。各フォールドからの推定値は非常に相関関係があるため、それらの平均値には大きな分散があります。
これが、通常の選択がK = 5または10である理由です。これは、バイアスと分散のトレードオフに対して適切な妥協を提供します。
質問 # 124
Azure Machine Learning Designerを使用して、リアルタイムサービスエンドポイントを作成します。 Azure Machine Learning serviceコンピューティングリソースが1つあります。モデルをトレーニングし、デプロイメント用のリアルタイムパイプラインを準備します。推論パイプラインをWebサービスとして公開する必要があります。どの計算タイプを使用する必要がありますか？
- A. 新しい機械学習コンピューティングリソース
- B. HDInsight
- C. Azure Databricks
- D. Azure Kubernetesサービス
- E. 既存の機械学習コンピューティングリソース
正解：D
解説：
Explanation
Azure Kubernetes Service (AKS) can be used real-time inference.
Reference:
https://docs.microsoft.com/en-us/azure/machine-learning/concept-compute-target
質問 # 125
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. いいえ
- B. はい
正解：A
解説：
Explanation
train_step is missing.
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-pipeline-core/azureml.pipeline.core.pipelinedata?view=azu
質問 # 126
......
有効な問題最新版を試そうDP-100日本語テスト解釈DP-100日本語有効な試験ガイド：https://www.jpntest.com/shiken/DP-100J-mondaishu