Professional-Machine-Learning-Engineer reliable exam pattern

100%無料体験更新Professional-Machine-Learning-Engineer問題集簡単に試験に合格する

新Professional-Machine-Learning-Engineerの検証済み＆正解に合格しやすい

プロフェッショナル機械学習エンジニア試験は、機械学習技術を使用して実世界の問題を解決する受験者の能力を評価するパフォーマンスベースの評価です。Professional-Machine-Learning-Engineer試験は、受験者が様々な機械学習の概念を理解し、実践的なシナリオでそれらを適用する能力を実証することを要求する一連の実践的なタスクで構成されています。Professional-Machine-Learning-Engineer試験はオンラインで実施され、世界中どこからでも受験することができます。

NO.32 あなたのチームは、画像に運転免許証、パスポート、クレジットカードが含まれているかどうかを予測するモデルを構築する必要があります。データエンジニアリングチームはすでにパイプラインを構築し、運転免許証が写っている10,000枚の画像、パスポートが写っている1,000枚の画像、クレジットカードが写っている1,000枚の画像からなるデータセットを生成しました。次のようなラベルマップでモデルをトレーニングする必要がある：['driversjicense', 'passport', 'credit_card'].どの損失関数を使うべきですか？

カテゴリカル・ヒンジ

バイナリー・クロスエントロピー

カテゴリー別クロスエントロピー

疎カテゴリー・クロスエントロピー

NO.33 あなたは規制対象の保険会社のMLエンジニアです。あなたは、潜在的な顧客からの保険申請を受け入れるか拒否するかの保険承認モデルを開発するよう依頼されています。モデルを構築する前に、どのような要素を考慮すべきでしょうか？

再編集、再現性、説明可能性

トレーサビリティ、再現性、説明可能性

統合された学習、再現性、説明可能性

差別化されたプライバシーのフェデレーション学習と説明可能性

NO.34 機械学習スペシャリストが、AUC（Area Under the ROC Curve：ROC曲線下面積）を目的指標とするAmazon SageMakerを使用して、ツリーベースのアンサンブルモデルのハイパーパラメータチューニングジョブをキックオフする。このワークフローは、24時間ごとに陳腐化するデータのクリックスルーをモデル化するために、毎晩ハイパーパラメータを再学習してチューニングするパイプラインに最終的に導入される。
これらのモデルの訓練にかかる時間を短縮し、最終的にコストを削減することを目的として、スペシャリストは入力ハイパーパラメータの範囲を再設定したいと考えている。
どのようなビジュアライゼーションがこれを達成するのだろうか？

最も重要な入力特徴がガウシアンかどうかを示すヒストグラム。

t-Distributed Stochastic Neighbor Embedding (t-SNE)を使用して、多数の入力変数を読みやすい次元で視覚化した、ターゲット変数ごとに色分けされた点を持つ散布図。

各トレーニング反復における目的指標のパフォーマンスを示す散布図。

最大樹深と目的指標との相関を示す散布図。

NO.35 あなたは大企業のデータサイエンス部長で、データサイエンスチームは最近、トレーニングパイプラインをオーケストレーションするためにKubeflow Pipelines SDKを使い始めました。あなたのチームはカスタムPythonコードをKubeflow Pipelines SDKに統合するのに苦労しています。彼らのコードをKubeflow Pipelines SDKに迅速に統合するためには、どのように進めるように指示すべきでしょうか？

Pythonコードからカスタムコンポーネントを作成するには、func_to_container_op関数を使用します。

Kubeflow Pipelines SDKで利用可能な定義済みコンポーネントを使用してDataprocにアクセスし、そこでカスタムコードを実行します。

カスタムPythonコードをDockerコンテナにパッケージし、load_component_from_file関数を使ってコンテナをパイプラインにインポートする。

カスタムPythonコードをCloud Functionsにデプロイし、Kubeflow Pipelinesを使ってCloud Functionをトリガーする。

NO.36 あなたはテキスト分類モデルを学習した。以下のSignatureDefがあります：

予測リクエストの正しい書き方は？

data = json.dumps({"signature_name": "serving_default' "instances": [fab', 'be1, 'cd']]})

data = json dumps({"signature_name"："serving_default"！"instances"：[['a', 'b', "c", 'd', 'e', 'f']]})

data = json.dumps({"signature_name"："serving_default, "instances"：[['a', 'b 'c'1, [d 'e T]]})

data = json dumps({"signature_name": f,serving_default", "instances"：[['a', 'b'], [c 'd'], ['e T]]})

NO.37 scikit-learnを使用してカスタムMLモデルを構築しました。トレーニングに予想以上の時間がかかっています。モデルをVertex AI Trainingに移行し、モデルのトレーニング時間を改善することにしました。まず何を試すべきでしょうか？

モデルをTensorFlowに移行し、Vertex AI Trainingを使用してトレーニングします。

複数のCompute Engine VMを使用して分散モードでモデルをトレーニングします。

Vertex AI上のDLVM画像でモデルをトレーニングし、可能な限りNumPyとSciPyの内部メソッドを利用するようにコードを記述します。

GPUでVertex AI Trainingを使用してモデルをトレーニングします。

38位 あなたはカスタムライブラリを必要とするKubeflow Pipelineのユニットテストを書きました。クラウドソースリポジトリの開発ブランチへの新しいプッシュごとにユニットテストの実行を自動化したい。どうすればいいでしょうか？

開発ブランチに順次プッシュし、Cloud Runでユニットテストを実行するスクリプトを書きます。

Cloud Buildを使用して、変更が開発ブランチにプッシュされたときにユニットテストを実行する自動トリガーを設定します。

クラウドソースリポジトリとのインタラクションをキャプチャする Pub/Sub トピックにクラウドロギングシンクを設定するクラウド Run 用に Pub/Sub トリガーを設定し、クラウド Run でユニットテストを実行する。

クラウドソースリポジトリとのインタラクションをキャプチャする Pub/Sub トピックにクラウドログシンクをセットアップします。Pub/Subトピックにメッセージが送信されたときにトリガーされるクラウド関数を使用してユニットテストを実行します。

NO.39 さまざまなオンプレミスのデータマートを横断する統合アナリティクス環境の構築を担当しています。御社では、サーバー間でデータを統合する際に、データ品質とセキュリティの問題が発生しています。その原因となっているのは、さまざまな分離されたツールや一時的なソリューションの使用です。総作業コストを削減し、繰り返し作業を削減する、フルマネージドのクラウドネイティブなデータ統合サービスが必要です。チームの中には、抽出、変換、ロード（ETL）プロセスを構築するためのコードレスインターフェースを好むメンバーもいます。どのサービスを利用すべきでしょうか？

データフロー

データプレップ

アパッチ・フリンク

クラウド・データ・フュージョン

40位 あなたはGoogle Kubernetes Engine上でKubeflowパイプラインを開発しています。パイプラインの最初のステップは、BigQueryに対してクエリを発行することです。そのクエリの結果をパイプラインの次のステップの入力として使用する予定です。これを可能な限り簡単な方法で実現したい。どうすればいいでしょうか？

BigQuery コンソールを使用してクエリを実行し、クエリ結果を新しい BigQuery テーブルに保存します。

BigQuery APIを使用してBigQueryに対してクエリを実行するPythonスクリプトを記述するこのスクリプトをKubeflowパイプラインの最初のステップとして実行する

Kubeflow Pipelinesドメイン固有言語を使用して、Python BigQueryクライアントライブラリを使用してクエリを実行するカスタムコンポーネントを作成します。

GitHub 上の Kubeflow Pipelines リポジトリを探します。 BigQuery Query Component を見つけ、そのコンポーネントの URL をコピーし、それを使用してコンポーネントをパイプラインにロードします。コンポーネントを使用して、BigQueryに対してクエリを実行します。

NO.41 機械学習の専門家が、画像中の車種を識別するモデルを訓練している。この専門家は、転移学習と、一般的な物体の画像で訓練された既存のモデルを使用したいと考えている。スペシャリストは、異なる車種とモデルを含む画像の大規模なカスタムデータセットを照合した。
スペシャリストは、カスタムデータで再トレーニングするために、モデルを初期化するために何をすべきでしょうか？

最後の完全連結層を含むすべての層の重みをランダムにしてモデルを初期化する。

すべての層で事前に訓練された重みでモデルを初期化し、最後の完全接続層を置き換える。

すべての層の重みをランダムにしてモデルを初期化し、最後の完全連結層を置き換える。

最後の完全連結層を含むすべての層で、事前に訓練された重みでモデルを初期化する。

NO.42 カスタムTensorFlow DNNリグレッサーモデルを使用して、BigQueryテーブルの1億レコードに対してバッチ予測を実行し、予測結果をBigQueryテーブルに格納する必要があります。この推論パイプラインの構築に必要な労力を最小限に抑えたい。どうすればよいでしょうか？

BigQuery MLでTensorFlowモデルをインポートし、ml.predict関数を実行します。

TensorFlow BigQueryリーダーを使ってデータを読み込み、BigQuery APIを使って結果をBigQueryに書き込む。

BigQueryのデータをTFRecordsに変換するDataflowパイプラインを作成する。Vertex AI Predictionでバッチ推論を実行し、結果をBigQueryに書き込む。

TensorFlowのSavedModelをDataflowパイプラインにロードする。パイプライン内で推論を実行するカスタム関数でBigQuery I/Oコネクタを使用し、結果をBigQueryに書き込む。

NO.43 あなたは、ある産業機器製造会社のデータサイエンティストです。あなたは、全工場から収集したセンサーデータに基づいて、同社の製造工場の電力消費量を推定する回帰モデルを開発しています。センサーは毎日数千万レコードを収集します。あなたは、現在の日付までに収集されたすべてのデータを使用するモデルのトレーニング実行を、毎日スケジュールする必要があります。モデルをスムーズに拡張し、最小限の開発作業で済むようにしたい。どうすればよいでしょうか？

カスタムTensorFlow回帰モデルを開発し、Vertex Al Trainingを使用して最適化する。

BigQuery MLを使用して回帰モデルを開発する。

カスタムのscikit-learn回帰モデルを開発し、Vertex Al Trainingを使用して最適化する。

カスタムPyTorch回帰モデルを開発し、Vertex Al Trainingを使用して最適化する。

NO.44 サードパーティのデータブローカーから提供されたデータを使用して、モデルの1つをトレーニングしています。データブローカーは、データのフォーマット変更を確実に通知してくれません。あなたは、このような問題に対してモデル学習パイプラインをより堅牢にしたいと考えています。どうすればよいでしょうか？

TensorFlow Data Validationを使用して、スキーマの異常を検出し、フラグを立てる。

TensorFlow Transformを使用して、データを期待される分布に正規化し、スキーマに一致しない値を0に置き換える前処理コンポーネントを作成する。

tf.mathを使用して、データを分析し、要約統計量を計算し、統計的異常にフラグを立てる。

モデル学習の開始時にカスタムTensorFlow関数を使用して、既知のフォーマットエラーを検出し、フラグを立てる。

NO.45 あなたは銀行のMLエンジニアです。あなたは、顧客がローンの支払いを期限内に行うかどうかを予測するために、AutoMLテーブルを使ってバイナリ分類モデルを開発しました。その出力は、融資要求の承認または拒絶に使われます。ある顧客のローン要求があなたのモデルによって却下されました。銀行のリスク部門は、モデルの決定に寄与した理由を提供するようあなたに求めています。あなたはどうすべきでしょうか？

予測から局所的な特徴の重要性を利用する。

データサマリーページの目標値との相関を使用する。

モデルの評価ページで、特徴の重要度のパーセンテージを使用します。

特徴量を独立に変化させ、分類を変化させる特徴量ごとの閾値を特定する。

NO.46 あなたは、分類されたスキャン文書の画像に会社のロゴが含まれているかどうかを検出する二値分類MLアルゴリズムに取り組んでいます。データセットでは、96%の例がロゴを持っていないので、データセットは非常に歪んでいます。どのメトリクスがあなたのモデルに最も信頼性を与えますか？

リコールが精度よりも重視されるFスコア

RMSE

F1スコア

精度が再現率よりも重視されるFスコア

NO.47 機械学習のスペシャリストが Amazon SageMaker でトレーニング用のデータを準備しています。そのスペシャリストは、学習にSageMakerの組み込みアルゴリズムの1つを使用しています。データセットは.CSV形式で保存され、numpy.arrayに変換されますが、これがトレーニングの速度に悪影響を与えているようです。
SageMaker でのトレーニング用にデータを最適化するために、スペシャリストは何をすべきでしょうか？

SageMaker のバッチ変換機能を使用して、トレーニングデータを DataFrame に変換します。

AWS Glueを使ってデータをApache Parquet形式に圧縮する。

データセットをRecordIOのプロトバッファフォーマットに変換する。

SageMaker のハイパーパラメータ最適化機能を使用して、データを自動的に最適化します。

NO.48 データサイエンティストは、GZIPファイルのデータストリームをリアルタイムで洞察したいと考えています。
SQLを使用してストリームに問い合わせる場合、最も遅延の少ないソリューションはどれでしょうか？

Amazon Kinesis Data AnalyticsとAWS Lambda関数でデータを変換。

AWS GlueとカスタムETLスクリプトでデータを変換。

データを変換し、Amazon ESクラスタに保存するAmazon Kinesisクライアント・ライブラリ。

Amazon Kinesis Data Firehoseでデータを変換し、Amazon S3バケットに入れる。

49位 Al PlatformでMLモデルを開発し、本番環境に移行したい。1秒間に数千のクエリを処理し、レイテンシの問題が発生しています。入ってくるリクエストは、Google Kubernetes Engine (GKE)上で動作する複数のKubeflow CPU専用ポッドに分散するロードバランサーによって処理されます。あなたの目標は、基盤となるインフラストラクチャを変更することなく、配信レイテンシを改善することです。何をすべきでしょうか？

TensorFlowのServingパラメータであるmax_batch_sizeを大幅に増やす。

TensorFlow Servingをtensorflow-model-server-universalバージョンに切り替える。

TensorFlowのServingパラメータであるmax_enqueued_batchesを大幅に増やす。

CPU固有の最適化をサポートするために、ソースを使用してTensorFlow Servingを再コンパイルする。サービングノード用の適切なベースライン最小CPUプラットフォームを選択するようにGKEに指示する。

NO.50 あなたは、学習時間を短縮したセマンティック画像セグメンテーションのためのディープラーニングモデルをトレーニングしています。ディープラーニングVMイメージの使用中に、以下のエラーが発生しました：リソース 'projects/deeplearning-platforn/zones/europe-west4-c/acceleratorTypes/nvidia-tesla-k80' が見つかりません。どうすればよいですか?

選択した地域にGPUクォータがあることを確認してください。

選択した地域で必要なGPUが利用可能であることを確認する。

選択したリージョンにプリエンプティブGPUクォータがあることを確認してください。

選択したGPUにワークロードに十分なGPUメモリがあることを確認します。

無料Professional-Machine-Learning-Engineer試験ファイルは、即座にダウンロードしました： https://www.trainingdump.com/Google/Professional-Machine-Learning-Engineer-practice-exam-dumps.html

タグ Professional-Machine-Learning-Engineer reliable exam pattern

100%無料体験更新Professional-Machine-Learning-Engineer問題集[Q32-Q50]簡単に試験に合格する。