专业机器学习工程师 - 最新培训试卷

100% 免费提供最新真实的专业机器学习工程师问题和答案，让您轻松通过考试

轻松通过新专业机器学习工程师验证和正确答案

专业机器学习工程师考试是一项基于绩效的评估，旨在评价考生使用机器学习技术解决实际问题的能力。专业机器学习工程师考试由一系列实践任务组成，要求考生展示他们对各种机器学习概念的理解以及在实际场景中应用这些概念的能力。专业机器学习工程师考试是在线进行的，可以在世界任何地方参加考试。

第 32 号 您的团队需要建立一个模型，预测图像中是否包含驾驶执照、护照或信用卡。数据工程团队已经建立了管道并生成了一个数据集，该数据集由 10,000 张包含驾驶执照的图像、1,000 张包含护照的图像和 1,000 张包含信用卡的图像组成。现在，您需要用以下标签图训练一个模型：[驾照"、"护照"、"信用卡"]。您应该使用哪个损失函数？

分类铰链

二元交叉熵

分类交叉熵

稀疏分类交叉熵

NO.33 您是一家受监管的保险公司的 ML 工程师。您被要求开发一个保险审批模型，用于接受或拒绝潜在客户的保险申请。在建立模型之前，您应该考虑哪些因素？

再编辑、可重现性和可解释性

可追溯性、可重复性和可解释性

联合学习、可重现性和可解释性

差异化隐私联合学习和可解释性

NO.34 一位机器学习专家使用 Amazon SageMaker 启动了基于树的集合模型的超参数调整工作，并将 ROC 曲线下面积 (AUC) 作为目标指标。该工作流最终将部署到一个管道中，每晚重新训练和调整超参数，以便对每 24 小时就会过时的数据的点击率进行建模。
为了减少训练这些模型所需的时间，并最终降低成本，专家希望重新配置输入超参数范围。
哪种可视化方式能实现这一目标？

直方图显示最重要的输入特征是否为高斯特征。

利用 t-分布式随机邻域嵌入（t-SNE）将大量输入变量以更易于阅读的维度可视化的散点图，其中的点按目标变量着色。

散点图显示了目标指标在每次训练迭代中的表现。

散点图显示了最大树深与客观指标之间的相关性。

第 35 号 您是一家大公司的数据科学总监，您的数据科学团队最近开始使用Kubeflow Pipelines SDK来协调他们的培训管道。您的团队正在努力将他们的定制 Python 代码集成到 Kubeflow Pipelines SDK 中。为了将他们的代码快速集成到Kubeflow Pipelines SDK中，你应该如何指导他们？

使用 func_too_container_op 函数从 Python 代码中创建自定义组件。

使用 Kubeflow Pipelines SDK 中的预定义组件访问 Dataproc，并在其中运行自定义代码。

将自定义 Python 代码打包到 Docker 容器中，并使用 load_component_from_file 函数将容器导入管道。

将自定义 Python 代码部署到云函数，并使用 Kubeflow 管道触发云函数。

第 36 号 您训练了一个文本分类模型。您有以下 SignatureDefs：

预测请求的正确写法是什么？

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

data = json dumps({"signature_name"："serving_default"！"实例"：[['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 您使用 scikit-learn 建立了一个自定义 ML 模型。训练时间比预期的要长。您决定将模型迁移到 Vertex AI Training，并希望缩短模型的训练时间。您应该先尝试什么？

将模型迁移到 TensorFlow，并使用 Vertex AI Training 对其进行训练。

使用多个计算引擎虚拟机，以分布式模式训练模型。

使用顶点 AI 上的 DLVM 图像训练模型，并确保代码尽可能使用 NumPy 和 SciPy 内部方法。

使用 GPU 的顶点人工智能训练功能训练模型。

第 38 号 您为需要自定义库的 Kubeflow 管道编写了单元测试。您想在每次向云源代码库中的开发分支推送新内容时自动执行单元测试。您应该怎么做？

编写一个脚本，按顺序执行推送到开发分支的操作，并在云运行中执行单元测试

使用云构建，设置自动触发器，以便在变更推送到开发分支时执行单元测试。

为 Pub/Sub 主题设置云日志汇，以捕获与云源存储库的交互为 Cloud Run 配置 Pub/Sub 触发器，并在 Cloud Run 上执行单元测试。

将云日志汇设置为可捕获与云源存储库交互的 Pub/Sub 主题。使用云函数执行单元测试，该函数在消息发送到发布/子主题时触发

第 39 号 您负责在各种内部部署数据集市之间构建统一的分析环境。在跨服务器整合数据时，贵公司遇到了数据质量和安全方面的挑战，这是因为使用了大量互不关联的工具和临时解决方案。您需要一个全面管理的云原生数据集成服务，以降低总工作成本并减少重复性工作。您团队中的一些成员喜欢使用无代码界面来构建提取、转换、加载（ETL）流程。您应该使用哪种服务？

数据流

数据准备

Apache Flink

云数据融合

NO.40 您正在 Google Kubernetes 引擎上开发一个 Kubeflow 管道。管道的第一步是针对 BigQuery 发出查询。您计划将查询结果作为管道下一步的输入。您希望以最简单的方式实现这一目标。您应该怎么做？

使用 BigQuery 控制台执行查询，然后将查询结果保存到新的 BigQuery 表中。

编写一个Python脚本，使用BigQuery API对BigQuery执行查询作为Kubeflow管道的第一步执行该脚本

使用 Kubeflow Pipelines 特定领域语言创建自定义组件，使用 Python BigQuery 客户端库执行查询

在 GitHub 上找到 Kubeflow Pipelines 存储库查找 BigQuery 查询组件，复制该组件的 URL，并用它将该组件加载到你的管道中。使用该组件执行针对 BigQuery 的查询

第 41 号 机器学习专家正在训练一个模型，以识别图像中车辆的品牌和型号。专家希望使用迁移学习和在普通物体图像上训练的现有模型。专家整理了一个大型自定义图片数据集，其中包含不同品牌和型号的车辆。
专家应该如何初始化模型，以便使用自定义数据重新训练模型？

在所有层（包括最后一个全连接层）中使用随机权重对模型进行初始化。

在所有层中使用预先训练好的权重对模型进行初始化，并替换最后一个全连接层。

在所有层中以随机权重初始化模型，并替换最后一个全连接层。

在所有层（包括最后一个全连接层）中使用预先训练好的权重对模型进行初始化。

NO.42 您需要使用自定义 TensorFlow DNN 回归模型对 BigQuery 表中的 1 亿条记录执行批量预测，然后将预测结果存储在 BigQuery 表中。您希望最大限度地减少构建此推理管道所需的工作量。您应该怎么做？

用 BigQuery ML 导入 TensorFlow 模型，并运行 ml.predict 函数。

使用 TensorFlow BigQuery 阅读器加载数据，并使用 BigQuery API 将结果写入 BigQuery。

创建数据流管道，将 BigQuery 中的数据转换为 TFRecords。在 Vertex AI Prediction 上运行批量推理，并将结果写入 BigQuery。

在数据流管道中加载 TensorFlow SavedModel。使用带有自定义函数的 BigQuery I/O 连接器在管道中执行推理，并将结果写入 BigQuery。

第 43 号 您是一家工业设备制造公司的数据科学家。您正在开发一个回归模型，以根据从所有工厂收集的传感器数据估算公司制造工厂的耗电量。传感器每天收集数千万条记录。您需要为模型安排每日训练运行，使用截至当前日期收集到的所有数据。您希望模型能够平滑扩展，并且只需最少的开发工作。您应该怎么做？

开发自定义 TensorFlow 回归模型，并使用 Vertex Al Training 对其进行优化。

使用 BigQuery ML 开发回归模型。

开发自定义 scikit-learn 回归模型，并使用 Vertex Al Training 对其进行优化

开发自定义 PyTorch 回归模型，并使用 Vertex Al Training 对其进行优化

NO.44 您的一个模型是使用第三方数据经纪商提供的数据训练的。您想让您的模型训练管道更强大，以应对类似问题。您应该怎么做？

使用 TensorFlow 数据验证来检测和标记模式异常。

使用 TensorFlow Transform 创建一个预处理组件，将数据归一化为预期分布，并将不符合模式的值替换为 0。

使用 tf.math 分析数据、计算汇总统计数据并标记统计异常。

在模型训练开始时使用自定义 TensorFlow 函数来检测和标记已知格式错误。

第 45 号 您是一家银行的 ML 工程师。您使用 AutoML 表开发了一个二元分类模型，用于预测客户是否会按时支付贷款。输出结果用于批准或拒绝贷款请求。有一位客户的贷款申请被您的模型拒绝了，银行的风险部门要求您提供导致模型做出决定的原因。您应该怎么做？

利用预测的本地特征重要性。

在数据汇总页面中使用与目标值的相关性。

在模型评估页面中使用特征重要性百分比。

独立改变特征，找出改变分类的每个特征的阈值。

第 46 号 您正在研究一种二元分类 ML 算法，用于检测分类扫描文档的图像是否包含公司徽标。在数据集中，96% 的示例没有徽标，因此数据集非常不稳定。哪些指标能让您对模型最有信心？

召回率高于精确率的 F 分数

均方根误差

F1 分数

精确度高于召回率的 F 分数

NO.47 一位机器学习专家正在亚马逊 SageMaker 上准备用于训练的数据。该专家正在使用 SageMaker 的一种内置算法进行训练。数据集以 .CSV 格式存储，并转换为 numpy.array 格式，这似乎对训练速度产生了负面影响。
专家应如何优化数据，以便在 SageMaker 上进行培训？

使用 SageMaker 批量转换功能将训练数据转换为 DataFrame。

使用 AWS Glue 将数据压缩为 Apache Parquet 格式。

将数据集转换为 RecordIO 原型格式。

使用 SageMaker 超参数优化功能自动优化数据。

第 48 号 数据科学家希望对 GZIP 文件数据流进行实时洞察。
哪种解决方案允许使用 SQL 查询数据流的延迟时间最短？

Amazon Kinesis 数据分析使用 AWS Lambda 函数转换数据。

AWS Glue 使用自定义 ETL 脚本转换数据。

Amazon Kinesis 客户端库用于转换数据并将其保存到 Amazon ES 集群。

Amazon Kinesis Data Firehose 转换数据并将其放入 Amazon S3 存储桶。

NO.49 您使用 Al Platform 开发了一个 ML 模型，并希望将其用于生产。您每秒提供数千次查询，但遇到了延迟问题。传入请求由一个负载平衡器提供服务，该负载平衡器将请求分配给在 Google Kubernetes Engine (GKE) 上运行的多个仅使用 CPU 的 Kubeflow pod。您的目标是在不改变底层基础架构的情况下改善服务延迟。您应该怎么做？

大幅增加 TensorFlow 服务参数 max_batch_size

切换到 TensorFlow 服务的 tensorflow-model-server-universal 版本

大幅增加 TensorFlow 服务参数 max_enqueued_batches

使用源代码重新编译 TensorFlow 服务，以支持特定于 CPU 的优化指示 GKE 为服务节点选择适当的最低 CPU 平台基线

NO.50 您正在训练一个深度学习模型，以缩短语义图像分割的训练时间。在使用深度学习虚拟机映像时，您收到以下错误：未找到 'projects/deeplearning-platforn/zones/europe-west4-c/acceleratorTypes/nvidia-tesla-k80' 资源。您该怎么办？

确保所选区域有 GPU 配额。

确保所选地区有所需的 GPU。

确保所选区域有可抢占的 GPU 配额。

确保所选 GPU 有足够的 GPU 内存来处理工作负载。

立即下载免费的 Professional-Machine-Learning-Engineer 考试文件： https://www.trainingdump.com/Google/Professional-Machine-Learning-Engineer-practice-exam-dumps.html

类别 Professional-Machine-Learning-Engineer

100% 免费真实更新的专业机器学习工程师问题和答案，轻松通过考试 [Q32-Q50]