Diese Seite wurde exportiert von Exams Labs Braindumps [ http://blog.examslabs.com ] Exportdatum:Thu Dec 12 9:44:30 2024 / +0000 GMT ___________________________________________________ Titel: [12. Mai 2022] Lektion Brillant PDF für die DP-100 Tests Kostenlos Heute aktualisiert [Q29-Q46] --------------------------------------------------- [12. Mai 2022] Lektion Brillante PDF für die DP-100 Tests Kostenlos Heute aktualisiert Erhalten Sie neue 2022 gültige Praxis Microsoft Azure DP-100 Q&A - Testing Engine NEUE FRAGE 29Sie erstellen ein Modell für maschinelles Lernen und müssen Ausreißer in den Daten identifizieren.Welche beiden Visualisierungen können Sie verwenden? Jede richtige Antwort stellt eine vollständige Lösung dar.HINWEIS: Jede richtige Auswahl ist einen Punkt wert.HINWEIS: Jede richtige Auswahl ist einen Punkt wert. Boxplot Streuung Random-Forest-Diagramm Venn-Diagramm ROC-Kurve Der Box-Plot-Algorithmus kann zur Anzeige von Ausreißern verwendet werden. Eine andere Möglichkeit, Ausreißer schnell visuell zu identifizieren, ist die Erstellung von Streudiagrammen.Referenz:https://blogs.msdn.microsoft.com/azuredev/2017/05/27/data-cleansing-tools-in-azure-machine-learning/NEW FRAGE 30Sie erstellen ein Deep-Learning-Experiment zur Bildklassifizierung mit mehreren Klassen, indem Sie das PyTorch-Framework verwenden. Sie planen, das Experiment auf einem Azure Compute-Cluster auszuführen, der über Knoten mit GPUs verfügt. Sie müssen eine Azure Machine Learning Service-Pipeline definieren, um das monatliche Neutraining des Bildklassifizierungsmodells durchzuführen. Die Pipeline muss mit minimalen Kosten ausgeführt werden und die zum Trainieren des Modells benötigte Zeit minimieren.Welche drei Pipelineschritte sollten Sie nacheinander ausführen? Um zu antworten, verschieben Sie die entsprechenden Aktionen aus der Liste der Aktionen in den Antwortbereich und ordnen Sie sie in der richtigen Reihenfolge an. Erläuterung:Schritt 1: Konfigurieren Sie einen DataTransferStep(), um neue Bilddaten zu holen...Schritt 2: Konfigurieren Sie einen PythonScriptStep(), um image_resize.y auf dem cpu-compute-Rechenziel auszuführen.Schritt 3: Konfigurieren Sie den EstimatorStep(), um das Trainingsskript auf dem gpu_compute-Rechenziel auszuführen.Der PyTorch-Schätzer bietet eine einfache Möglichkeit, einen PyTorch-Schulungsauftrag auf einem Rechenziel zu starten.Referenz:https://docs.microsoft.com/en-us/azure/machine-learning/how-to-train-pytorchNEW FRAGE 31Sie müssen das Modul "Permutation Feature Importance" für die Anforderungen der Modellschulung konfigurieren.Was sollten Sie tun? Wählen Sie zur Beantwortung die entsprechenden Optionen im Dialogfeld im Antwortbereich aus.HINWEIS: Jede richtige Auswahl ist einen Punkt wert. ErläuterungBox 1: 500Für Random Seed geben Sie einen Wert ein, der als Seed für die Randomisierung verwendet werden soll. Wenn Sie 0 (Standardwert) angeben, wird eine Zahl auf der Grundlage der Systemuhr generiert.Ein Seed-Wert ist optional, aber Sie sollten einen Wert angeben, wenn Sie eine Reproduzierbarkeit über mehrere Durchläufe desselben Experiments hinweg wünschen.Hier müssen wir die Ergebnisse wiederholen.Feld 2: Mittlerer absoluter FehlerSzenario: Bei einem trainierten Modell und einem Testdatensatz müssen Sie die Permutation Feature Importance Scores der Feature-Variablen berechnen. Sie müssen das Modul Permutation Feature Importance einrichten, um die richtige Metrik auszuwählen, die Genauigkeit des Modells zu untersuchen und die Ergebnisse zu replizieren.Regression. Wählen Sie eine der folgenden Metriken: Precision, Recall, Mean Absolute Error , Root Mean Squared Error, Relative Absolute Error, Relative Squared Error, Coefficient of Determination Referenzen:https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/permutation-feature-importanNEW FRAGE 32Sie verwenden Azure Machine Learning, um Machine Learning-Modelle zu trainieren. Sie benötigen ein Rechenziel, auf dem Sie das Trainingsskript per Fernzugriff ausführen können. Sie führen den folgenden Python-Code aus: Referenz:https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.compute.amlcompute.amlcomputeprovisioningconfigurationhttps://docs.microsoft.com/en-us/azure/machine-learning/how-to-create-attach-compute-studioNEW FRAGE 33Hinweis: Diese Frage ist Teil einer Reihe von Fragen, die das gleiche Szenario darstellen. Jede Frage in dieser Reihe enthält eine einzigartige Lösung, die die angegebenen Ziele erfüllen könnte. Nachdem Sie eine Frage in diesem Abschnitt beantwortet haben, können Sie NICHT mehr zu ihr zurückkehren. Sie haben ein Python-Skript namens train.py in einem lokalen Ordner namens scripts. Das Skript trainiert ein Regressionsmodell unter Verwendung von scikit-learn. Das Skript enthält Code zum Laden einer Trainingsdatendatei, die sich ebenfalls im Ordner scripts befindet. Sie müssen das Skript als Azure ML-Experiment auf einem Compute-Cluster namens aml-compute ausführen. Sie müssen den Lauf konfigurieren, um sicherzustellen, dass die Umgebung die erforderlichen Pakete für das Modelltraining enthält. Sie haben eine Variable mit dem Namen aml-compute instanziiert, die auf den Ziel-Compute-Cluster verweist.Lösung: Führen Sie den folgenden Code aus:Erfüllt die Lösung das Ziel? Ja Nein ErläuterungDer scikit-learn estimator bietet eine einfache Möglichkeit, einen scikit-learn-Trainingsjob auf einem Compute-Target zu starten. Er wird durch die SKLearn-Klasse implementiert, die zur Unterstützung von Single-Node-CPU-Training verwendet werden kann.Beispiel:from azureml.train.sklearn import SKLearn}estimator = SKLearn(source_directory=project_folder,compute_target=compute_target,entry_script='train_iris.py')Referenz:https://docs.microsoft.com/de-us/azure/machine-learning/how-to-train-scikit-learnNEW FRAGE 34Sie haben einen Azure Machine Learning-Arbeitsbereich, der einen Trainingscluster und einen Inferenzcluster enthält.Sie planen, ein Klassifizierungsmodell mithilfe des Azure Machine Learning-Designers zu erstellen.Sie müssen sicherstellen, dass Client-Anwendungen Daten als HTTP-Anfragen übermitteln und Vorhersagen als Antworten erhalten können.Welche drei Aktionen sollten Sie nacheinander durchführen? Um zu antworten, verschieben Sie die entsprechenden Aktionen aus der Liste der Aktionen in den Antwortbereich und ordnen Sie sie in der richtigen Reihenfolge an. 1 - Erstellen Sie eine Pipeline, die ein Klassifizierungsmodell trainiert, und führen Sie die Pipeline auf dem Compute-Cluster aus.2 - Erstellen Sie eine Batch-Inferenz-Pipeline und führen Sie die Pipeline auf dem Compute-Cluster aus.3 - Stellen Sie einen Dienst auf dem Inferenz-Cluster bereit.NEUE FRAGE 35Sie lösen eine Klassifizierungsaufgabe.Der Datensatz ist unausgewogen.Sie müssen ein Azure Machine Learning Studio-Modul auswählen, um die Klassifizierungsgenauigkeit zu verbessern.Welches Modul sollten Sie verwenden? Permutationsmerkmal Wichtigkeit Filterbasierte Merkmalsauswahl Lineare Diskriminanzanalyse nach Fisher Synthetische Minoritätsüberstichproben-Technik (SMOTE) Erläuterung:Verwenden Sie das SMOTE-Modul in Azure Machine Learning Studio (classic), um die Anzahl der unterrepräsentierten Fälle in einem für maschinelles Lernen verwendeten Datensatz zu erhöhen. SMOTE ist ein besserer Weg, die Anzahl der seltenen Fälle zu erhöhen, als einfach nur bestehende Fälle zu duplizieren.Sie verbinden das SMOTE-Modul mit einem Datensatz, der unausgewogen ist. Es gibt viele Gründe, warum ein Datensatz unausgewogen sein kann: Die Kategorie, auf die Sie abzielen, könnte in der Population sehr selten sein, oder die Daten könnten einfach schwer zu erheben sein. Normalerweise verwenden Sie SMOTE, wenn die Klasse, die Sie analysieren möchten, unterrepräsentiert ist.Referenz:https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/smoteNEW FRAGE 36Sie erstellen ein binäres Klassifizierungsmodell mit Azure Machine Learning Studio.Sie müssen eine Receiver Operating Characteristic (RO C)-Kurve und einen F1-Score verwenden, um das Modell zu bewerten.Sie müssen die erforderlichen Geschäftsmetriken erstellen.Wie sollten Sie das Experiment durchführen? Wählen Sie zur Beantwortung die entsprechenden Optionen im Dialogfeld im Antwortbereich aus.HINWEIS: Jede richtige Auswahl ist einen Punkt wert. NEUE FRAGE 37Sie sind ein leitender Datenwissenschaftler für ein Projekt, das den Gesundheitszustand und die Migration von Vögeln verfolgt. Sie erstellen ein Deep-Learning-Modell für die Klassifizierung von Bildern mit mehreren Klassen, das einen Satz von beschrifteten Vogelfotos verwendet, die von Experten gesammelt wurden. 100.000 Fotos von Vögeln liegen Ihnen vor. Alle Fotos verwenden das JPG-Format und sind in einem Azure-Blob-Container in einem Azure-Abonnement gespeichert. Sie müssen auf die Vogelfotodateien im Azure-Blob-Container aus dem Arbeitsbereich des Azure Machine Learning-Dienstes zugreifen, der für das Training des Deep Learning-Modells verwendet wird. Sie müssen die Datenbewegung minimieren. Erstellen Sie einen Azure Data Lake-Speicher und verschieben Sie die Vogelfotos in diesen Speicher. Erstellen Sie eine Azure Cosmos DB-Datenbank und fügen Sie den Azure Blob, der die Vogelfotos speichert, der Datenbank hinzu. Erstellen und registrieren Sie ein Dataset mit der TabularDataset-Klasse, das auf den Azure Blob-Speicher mit den Vogelfotos verweist. Registrieren Sie den Azure Blob-Speicher, der die Vogelfotos enthält, als Datenspeicher im Azure Machine Learning Service. Kopieren Sie die Vogelfotos in den Blob-Datenspeicher, der mit Ihrem Azure Machine Learning Service Workspace erstellt wurde. ErklärungWir empfehlen die Erstellung eines Datenspeichers für einen Azure Blob Container. Wenn Sie einen Arbeitsbereich erstellen, werden ein Azure Blob-Container und eine Azure-Dateifreigabe automatisch für den Arbeitsbereich registriert.Referenz:https://docs.microsoft.com/en-us/azure/machine-learning/how-to-access-dataNEW FRAGE 38Sie müssen einen Prozess für die Erkennung von Strafereignissen definieren.Welche drei Aktionen sollten Sie nacheinander durchführen? Um zu antworten, verschieben Sie die entsprechenden Aktionen aus der Liste der Aktionen in den Antwortbereich und ordnen Sie sie in der richtigen Reihenfolge an. NEUE FRAGE 39Sie bereiten sich auf die Verwendung des Azure ML SDK vor, um ein Experiment durchzuführen, und müssen Berechnungen erstellen. Sie führen den folgenden Code aus:Wählen Sie für jede der folgenden Aussagen Ja aus, wenn die Aussage wahr ist. Andernfalls wählen Sie Nein. HINWEIS: Jede richtige Auswahl ist einen Punkt wert. Referenz:https://notebooks.azure.com/azureml/projects/azureml-getting-started/html/how-to-use-azureml/training/train-on-amlcompute/train-on-amlcompute.ipynbhttps://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.compute.computetargetNEW FRAGE 40Sie müssen das Azure Machine Learning SDK verwenden, um mit Daten und Experimenten im Arbeitsbereich zu interagieren.Sie müssen die Datei config.json konfigurieren, um eine Verbindung zum Arbeitsbereich aus der Python-Umgebung herzustellen.Welche beiden zusätzlichen Parameter müssen Sie der Datei config.json hinzufügen, um eine Verbindung zum Arbeitsbereich herzustellen? Jede richtige Antwort stellt einen Teil der Lösung dar.HINWEIS: Jede richtige Auswahl ist einen Punkt wert. Abonnement_Id Schlüssel ressource_group Region Anmeldung Um denselben Arbeitsbereich in mehreren Umgebungen zu verwenden, erstellen Sie eine JSON-Konfigurationsdatei. Die Konfigurationsdatei speichert Ihr Abonnement (subscription_id), Ihre Ressource (resource_group) und den Namen des Arbeitsbereichs, so dass sie leicht geladen werden kann.Das folgende Beispiel zeigt, wie man einen Arbeitsbereich erstellt.from azureml.core import Workspacews = Workspace.create(name='myworkspace',subscription_id='',resource_group='myresourcegroup',create_resource_group=True,location='eastus2′)Referenz:https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.workspace.workspaceNEW FRAGE 41Hinweis: Diese Frage ist Teil einer Serie von Fragen, die das gleiche Szenario darstellen. Jede Frage in der Reihe enthält eine einzigartige Lösung, die die angegebenen Ziele erfüllen könnte. Nachdem Sie eine Frage in diesem Abschnitt beantwortet haben, können Sie NICHT mehr zu ihr zurückkehren. Sie erstellen ein neues Experiment in Azure Machine Learning Studio.Eine Klasse hat eine viel geringere Anzahl von Beobachtungen als die anderen Klassen im Trainingssatz.Sie müssen eine geeignete Datenauswahlstrategie auswählen, um das Klassenungleichgewicht auszugleichen.Lösung: Sie verwenden den Sampling-Modus Principal Components Analysis (PCA).Erfüllt die Lösung das Ziel? Ja Nein NEUE FRAGE 42Sie müssen visuell erkennen, ob Ausreißer in der Spalte Alter vorhanden sind, und die Ausreißer quantifizieren, bevor die Ausreißer entfernt werden.Welche drei Azure Machine Learning Studio-Module sollten Sie nacheinander verwenden? Um zu antworten, verschieben Sie die entsprechenden Module aus der Liste der Module in den Antwortbereich und ordnen Sie sie in der richtigen Reihenfolge an. Erläuterung: Sie können das Modul Clip Values in Azure Machine Learning Studio verwenden, um Datenwerte zu identifizieren und optional zu ersetzen, die über oder unter einem bestimmten Schwellenwert liegen. Dies ist nützlich, wenn Sie Ausreißer entfernen oder sie durch einen Mittelwert, eine Konstante oder einen anderen Ersatzwert ersetzen möchten.Referenzen:https://blogs.msdn.microsoft.com/azuredev/2017/05/27/data-cleansing-tools-in-azure-machine-learning/https://docs.microsoft.com/en-us/azure/machine-learning/studio-module-reference/clip-valuesNEW FRAGE 43Sie erstellen ein maschinelles Lernmodell für die Übersetzung englischer Textinhalte in französische Textinhalte.Sie müssen das maschinelle Lernmodell erstellen und trainieren, um die Reihenfolge der Textinhalte zu lernen.Welche Art von neuronalem Netzwerk sollten Sie verwenden? Mehrschichtige Wahrnehmungen (MLPs) Faltungsneuronale Netze (CNNs) Rekurrente Neuronale Netze (RNNs) Generative adversarische Netzwerke (GANs) Um einen englischen Textkorpus ins Französische zu übersetzen, müssen wir ein rekurrentes neuronales Netz (RNN) aufbauen (Anmerkung: RNNs sind so konzipiert, dass sie Textsequenzen als Eingaben annehmen oder Textsequenzen als Ausgaben zurückliefern, oder beides). Diese Rekursion dient als eine Art Gedächtnis. Sie ermöglicht es, dass kontextbezogene Informationen durch das Netz fließen, so dass relevante Ausgaben aus früheren Zeitschritten auf die Netzoperationen im aktuellen Zeitschritt angewendet werden können.Referenz:https://towardsdatascience.com/language-translation-with-rnns-d84d43b40571NEW FRAGE 44Sie müssen eine Visualisierung für die Auswertung des Diagnosetests gemäß den Anforderungen an die Datenvisualisierung erstellen.Welche drei Module sollten Sie in der richtigen Reihenfolge verwenden? Zur Beantwortung verschieben Sie die entsprechenden Module aus der Liste der Module in den Antwortbereich und ordnen Sie sie in der richtigen Reihenfolge an. 1 - SweepClustering2 - Train Model3 - Evaluate ModelNEU FRAGE 45Sie planen, ein Skript als Experiment unter Verwendung einer Skriptlaufkonfiguration auszuführen. Das Skript verwendet Module aus der scipy-Bibliothek sowie mehrere Python-Pakete, die normalerweise nicht in einer Standard-Conda-Umgebung installiert sind. Sie planen, das Experiment auf Ihrer lokalen Workstation für kleine Datensätze auszuführen und das Experiment zu skalieren, indem Sie es auf leistungsfähigeren Remote-Compute-Clustern für größere Datensätze ausführen. Geben Sie in der Ausführungskonfiguration des Experiments keine Umgebung an. Führen Sie das Experiment unter Verwendung der Standardumgebung aus. Erstellen Sie eine virtuelle Maschine (VM) mit der erforderlichen Python-Konfiguration und fügen Sie die VM als Compute-Target hinzu. Verwenden Sie dieses Compute-Target für alle Experimentläufe. Erstellen und registrieren Sie eine Umgebung, die die erforderlichen Pakete enthält. Verwenden Sie diese Umgebung für alle Experimente. Erstellen Sie eine config.yaml-Datei, die die erforderlichen conda-Pakete definiert, und speichern Sie die Datei im Experimentordner. Führen Sie das Experiment immer mit einem Estimator aus, indem Sie die Standardpakete verwenden. Wenn Sie eine bestehende Conda-Umgebung auf Ihrem lokalen Computer haben, dann können Sie den Dienst nutzen, um ein Umgebungsobjekt zu erstellen. Mit dieser Strategi