Microsoft DP-100 Korean Actual Free Exam Questions & Community Discussion
Azure Machine Learning Studio를 사용하여 column1이라는 이름의 소수점 열이 포함된 mltable 데이터 자산을 분석합니다. column1 값이 정규 분포를 따르는지 확인해야 합니다.
어떤 통계를 사용해야 할까요?
어떤 통계를 사용해야 할까요?
Correct Answer: A
Vote an answer
Azure Machine Learning 작업 영역과 새 Azure DevOps 조직을 생성합니다. 작업 영역에 모델을 등록하고 대상 환경에 모델을 배포합니다.
워크스페이스에 등록된 모델의 모든 새 버전은 대상 환경에 자동으로 배포되어야 합니다.
모델을 배포하려면 Azure Pipelines를 구성해야 합니다.
어떤 네 가지 행동을 순서대로 수행해야 할까요? 정답을 고르려면, 행동 목록에서 적절한 행동을 골라 답란에 옮겨 올바른 순서대로 배열하세요.
워크스페이스에 등록된 모델의 모든 새 버전은 대상 환경에 자동으로 배포되어야 합니다.
모델을 배포하려면 Azure Pipelines를 구성해야 합니다.
어떤 네 가지 행동을 순서대로 수행해야 할까요? 정답을 고르려면, 행동 목록에서 적절한 행동을 골라 답란에 옮겨 올바른 순서대로 배열하세요.
Correct Answer:
Explanation:
Step 1: Create an Azure DevOps project
Step 2: Create a release pipeline
Sign in to your Azure DevOps organization and navigate to your project.
Go to Pipelines, and then select New pipeline.
Step 3: Install the Machine Learning extension for Azure Pipelines
You must install and configure the Azure CLI and ML extension.
Step 4: Create a service connection
How to set up your service connection
Select AzureMLWorkspace for the scope level, then fill in the following subsequent parameters.
Note: How to enable model triggering in a release pipeline
Go to your release pipeline and add a new artifact. Click on AzureML Model artifact then select the appropriate AzureML service connection and select from the available models in your workspace.
Enable the deployment trigger on your model artifact as shown here. Every time a new version of that model is registered, a release pipeline will be triggered.
Reference:
https://marketplace.visualstudio.com/items?itemName=ms-air-aiagility.vss-services-azureml
https://docs.microsoft.com/en-us/azure/devops/pipelines/targets/azure-machine-learning
Azure Machine Learning 작업 영역과 데이터 세트를 생성합니다. 데이터 세트에는 많은 수의 당뇨병 환자의 나이 값이 포함되어 있습니다. SmartNoise 라이브러리의 dp.mean 함수를 사용하여 나이 값의 평균을 계산합니다. 계산된 값을 age.mean이라는 변수에 저장합니다.
공개된 평균값의 구간 범위 값을 95%의 확률로 반환되도록 출력해야 합니다.
코드를 완성해야 합니다.
어떤 코드 값을 사용해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요. 참고: 각 정답은 1점입니다.
공개된 평균값의 구간 범위 값을 95%의 확률로 반환되도록 출력해야 합니다.
코드를 완성해야 합니다.
어떤 코드 값을 사용해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요. 참고: 각 정답은 1점입니다.
Correct Answer:
Explanation:
To complete the code to output the value of the interval range of released mean values that will be returned 95 percent of the time using the SmartNoise library, you would need to use the privacy_usage_to_accuracy method with a value of 0.95 for the interval percentage. The dp.mean function from the SmartNoise library can return this interval when the required methods and parameters are used correctly.
print(age_mean.privacy_usage_to_accuracy(0.95))
age_mean is the variable that holds the differentially private mean value calculated using the dp.mean function.
privacy_usage_to_accuracy(0.95) method is called on age_mean to get the interval range for 95% confidence.
Therefore, the selections should be:
privacy_usage_to_accuracy
0.95
This will give you the interval range of released mean values that will be returned 95 percent of the time.
Azure Machine Learning 작업 영역을 관리하고 있습니다. titanic.csv 파일은 storage1이라는 Azure Blob Storage 계정에 있습니다. 컨테이너 이름은 container!이고 폴더 이름은 data입니다.
서버리스 Spark 컴퓨팅을 사용하여 대화형 데이터 전처리를 수행합니다.
Blob Storage에서 Pandas 데이터프레임으로 데이터를 불러와야 합니다.
코드 부분을 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
서버리스 Spark 컴퓨팅을 사용하여 대화형 데이터 전처리를 수행합니다.
Blob Storage에서 Pandas 데이터프레임으로 데이터를 불러와야 합니다.
코드 부분을 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
Correct Answer:
Explanation:
Azure Machine Learning 작업 영역을 만듭니다. Azure Machine Learning 디자이너를 사용하여 작업 영역 내에 파이프라인을 만듭니다. 디자이너에서 파이프라인 실행을 제출해야 합니다.
무엇을 먼저 해야 할까요?
무엇을 먼저 해야 할까요?
Correct Answer: A
Vote an answer
Azure Machine Learning 작업 영역을 관리합니다.
모델의 동작 방식에 대한 설명과 특징 중요도 측정값을 반드시 제시해야 합니다.
Azure Machine Learning에서 책임 있는 AI 대시보드를 구성해야 합니다.
어떤 대시보드 구성 요소를 설정해야 합니까?
모델의 동작 방식에 대한 설명과 특징 중요도 측정값을 반드시 제시해야 합니다.
Azure Machine Learning에서 책임 있는 AI 대시보드를 구성해야 합니다.
어떤 대시보드 구성 요소를 설정해야 합니까?
Correct Answer: D
Vote an answer
Azure Machine Learning 작업 영역이 있습니다. 로컬 컴퓨터에서 실험을 실행 중입니다.
로컬 실험 실행에서 생성된 메트릭과 아티팩트를 작업 영역에 저장하려면 Azure Machine Learning Python SDK v2와 함께 MLflow 추적 기능을 사용할 수 있는지 확인해야 합니다.
어떤 순서로 작업을 수행해야 할까요? 정답을 맞추려면 작업 목록에 있는 모든 작업을 정답 영역으로 옮기고 올바른 순서대로 배열하세요.
로컬 실험 실행에서 생성된 메트릭과 아티팩트를 작업 영역에 저장하려면 Azure Machine Learning Python SDK v2와 함께 MLflow 추적 기능을 사용할 수 있는지 확인해야 합니다.
어떤 순서로 작업을 수행해야 할까요? 정답을 맞추려면 작업 목록에 있는 모든 작업을 정답 영역으로 옮기고 올바른 순서대로 배열하세요.
Correct Answer:
Explanation:
참고: 이 문제는 동일한 시나리오를 제시하는 일련의 문제 중 하나입니다. 각 문제에는 제시된 목표를 달성할 수 있는 고유한 해결책이 포함되어 있습니다. 일부 문제 세트에는 정답이 두 개 이상일 수 있으며, 정답이 없는 문제 세트도 있습니다.
이 섹션에서 질문에 답변한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이 질문들은 검토 화면에 나타나지 않습니다.
여러 열에 결측값이 포함된 수치 데이터 세트를 분석하고 있습니다.
결측값은 특징 집합의 차원에 영향을 주지 않는 적절한 연산을 사용하여 처리해야 합니다.
모든 값을 포함하려면 전체 데이터 세트를 분석해야 합니다.
해결 방법: 다중 대치법(MICE, Multiple Imputation by Chained Equations)을 사용하여 각 결측값을 대체합니다.
이 해결책은 목표를 달성합니까?
이 섹션에서 질문에 답변한 후에는 해당 질문으로 돌아갈 수 없습니다. 따라서 이 질문들은 검토 화면에 나타나지 않습니다.
여러 열에 결측값이 포함된 수치 데이터 세트를 분석하고 있습니다.
결측값은 특징 집합의 차원에 영향을 주지 않는 적절한 연산을 사용하여 처리해야 합니다.
모든 값을 포함하려면 전체 데이터 세트를 분석해야 합니다.
해결 방법: 다중 대치법(MICE, Multiple Imputation by Chained Equations)을 사용하여 각 결측값을 대체합니다.
이 해결책은 목표를 달성합니까?
Correct Answer: A
Vote an answer
Explanation: Only visible for EduDump members. You can sign-up / login (it's free).
Azure Databricks 작업 영역과 연결된 Azure Machine Learning 작업 영역을 생성합니다.
Azure Machine Learning 작업 영역에 다음과 같은 Python 코드 세그먼트가 있습니다.
mlflow 가져오기
mlflow.azureml을 가져옵니다.
azureml.mlflow를 가져옵니다.
azureml.core를 가져옵니다.
AzureML.core에서 Workspace를 가져옵니다.
subscription_id = '구독 ID'
리소스 그룹 = '리소스 그룹 이름'
workspace_name = 'workspace_name'
ws = Workspace.get(name=workspace_name,
subscription_id=구독 ID,
리소스 그룹=리소스 그룹)
experimentName = "/Users/{user_name}/{experiment_folder}/{experiment_name}" mlflow.set_experiment(experimentName) uri = ws.get_mlflow_tracking_uri() mlflow.set_tracking_uri(uri) 지침: 다음 각 문장에 대해 문장이 사실이면 '예'를 선택하고, 그렇지 않으면 '아니요'를 선택하십시오.
참고: 정답 하나당 1점입니다.
Azure Machine Learning 작업 영역에 다음과 같은 Python 코드 세그먼트가 있습니다.
mlflow 가져오기
mlflow.azureml을 가져옵니다.
azureml.mlflow를 가져옵니다.
azureml.core를 가져옵니다.
AzureML.core에서 Workspace를 가져옵니다.
subscription_id = '구독 ID'
리소스 그룹 = '리소스 그룹 이름'
workspace_name = 'workspace_name'
ws = Workspace.get(name=workspace_name,
subscription_id=구독 ID,
리소스 그룹=리소스 그룹)
experimentName = "/Users/{user_name}/{experiment_folder}/{experiment_name}" mlflow.set_experiment(experimentName) uri = ws.get_mlflow_tracking_uri() mlflow.set_tracking_uri(uri) 지침: 다음 각 문장에 대해 문장이 사실이면 '예'를 선택하고, 그렇지 않으면 '아니요'를 선택하십시오.
참고: 정답 하나당 1점입니다.
Correct Answer:
Explanation:
Box 1: No
The Workspace.get method loads an existing workspace without using configuration files.
ws = Workspace.get(name= " myworkspace " ,
subscription_id= ' < azure-subscription-id > ' ,
resource_group= ' myresourcegroup ' )
Box 2: Yes
MLflow Tracking with Azure Machine Learning lets you store the logged metrics and artifacts from your local runs into your Azure Machine Learning workspace.
The get_mlflow_tracking_uri() method assigns a unique tracking URI address to the workspace, ws, and set_tracking_uri() points the MLflow tracking URI to that address.
Box 3: Yes
Note: In Deep Learning, epoch means the total dataset is passed forward and backward in a neural network once.
Reference:
https://docs.microsoft.com/en-us/python/api/azureml-core/azureml.core.workspace.workspace
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-use-mlflow
당신은 Azure AI Foundry 프로젝트를 관리하고 있습니다.
추론 및 문제 해결을 지원하도록 설계된 Azure OpenAI 서비스 모델을 사용하는 솔루션을 개발해야 합니다. 어떤 모델을 사용해야 할까요?
추론 및 문제 해결을 지원하도록 설계된 Azure OpenAI 서비스 모델을 사용하는 솔루션을 개발해야 합니다. 어떤 모델을 사용해야 할까요?
Correct Answer: D
Vote an answer
Azure Machine Learning 작업 영역을 생성합니다.
기준 데이터 세트와 후속 목표 데이터 세트 간의 데이터 드리프트를 감지하려면 DataDriftDetector 클래스를 사용해야 합니다.
코드 부분을 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
기준 데이터 세트와 후속 목표 데이터 세트 간의 데이터 드리프트를 감지하려면 DataDriftDetector 클래스를 사용해야 합니다.
코드 부분을 어떻게 완성해야 할까요? 정답을 선택하려면 답변란에서 적절한 옵션을 고르세요.
참고: 정답 하나당 1점입니다.
Correct Answer:
Explanation:
Box 1: create_from_datasets
The create_from_datasets method creates a new DataDriftDetector object from a baseline tabular dataset and a target time series dataset.
Box 2: backfill
The backfill method runs a backfill job over a given specified start and end date.
Syntax: backfill(start_date, end_date, compute_target=None, create_compute_target=False) Reference:
https://docs.microsoft.com/en-us/python/api/azureml-datadrift/azureml.datadrift.datadriftdetector(class)
0
0
0
10