[2025-04-14更新,216問] 無料Google Professional-Machine-Learning-Engineer試験問題集、Professional-Machine-Learning-Engineer合格内容(ページ 10)

Professional-Machine-Learning-Engineer 試験問題 41

モデルの 1 つは、サードパーティのデータブローカーによって提供されたデータを使用してトレーニングされています。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ません。このような問題に対して、モデルトレーニングパイプラインをより堅牢にする必要があります。どうすればよいでしょうか。

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

B. TensorFlow Transform を使用して、データを予想される分布に正規化し、スキーマと一致しない値を 0 に置き換える前処理コンポーネントを作成します。

C. tf.math を使用してデータを分析し、要約統計を計算し、統計的異常にフラグを立てます。

D. モデルのトレーニングの開始時にカスタム TensorFlow 関数を使用して、既知の書式設定エラーを検出し、フラグを立てます。

Professional-Machine-Learning-Engineer 試験問題 42

カスタム TensorFlow DNN 回帰モデルを使用して BigQuery テーブル内の 1 億件のレコードに対してバッチ予測を実行し、予測結果を BigQuery テーブルに保存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と考えています。どうすればよいでしょうか。

A. TensorFlow BigQuery リーダーを使用してデータを読み込み、BigQuery API を使用して結果を BigQuery に書き込みます。

B. TensorFlow SavedModel を Dataflow パイプラインに読み込みます。カスタム関数を備えた BigQuery I/O コネクタを使用してパイプライン内で推論を実行し、結果を BigQuery に書き込みます。

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

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

Professional-Machine-Learning-Engineer 試験問題 43

顧客取引を含むデータセットを操作しています。顧客の購入行動を予測するための ML モデルを構築する必要があります。BigQuery ML でモデルを開発し、オンライン予測のために Cloud Storage にエクスポートする予定です。入力データには、製品カテゴリや支払い方法など、いくつかのカテゴリ機能が含まれています。できるだけ早くモデルをデプロイしたいと考えています。どうすればよいでしょうか。

A. モデル作成時にカテゴリ特徴に対して ML.ONE_HOT_ENCODER 関数で transform 句を使用し、カテゴリ特徴と非カテゴリ特徴を選択します。

B. モデル作成ステートメントを使用して、カテゴリ機能と非カテゴリ機能を選択します。

C. カテゴリ特徴量に対して ML. ONE_HOT_ENCODER 関数を使用し、エンコードされたカテゴリ特徴量と非カテゴリ特徴量を入力として選択してモデルを作成します。

D. カテゴリ特徴量に対して ML. ONE_HOT_ENCODER 関数を使用し、エンコードされたカテゴリ特徴量と非カテゴリ特徴量を入力として選択してモデルを作成します。

Professional-Machine-Learning-Engineer 試験問題 44

あなたの会社は、ユーザーが動画を視聴したりアップロードしたりできる動画共有ウェブサイトを運営しています。新しくアップロードされた動画のうち、どの動画が最も人気が出るかを予測し、それらの動画を会社のウェブサイトで優先的に表示するための ML モデルを作成する必要があります。モデルが成功したかどうかを判断するには、どの結果を使用する必要がありますか?

A. モデルは、動画をアップロードしたユーザーのいいね数が 10,000 を超える場合、その動画が人気があると予測します。

B. このモデルは、クリック数で測定された最も人気のあるクリックベイト動画の 97.5% を予測します。

C. モデルは、アップロード後 30 日以内に視聴時間で測定された最も人気のある動画の 95% を予測します。

D. 公開後 7 日後と 30 日後のログ変換された閲覧数間のピアソン相関係数は 0 です。

正解: C

このシナリオの目標は、動画共有サイトでどの新しくアップロードされた動画が最も人気が出るかを予測するMLモデルを作成することです。モデルが成功したかどうかを判断するために使用すべき結果は、ビジネス目標と評価基準に最も一致するものです。オプションCは、最も人気のある動画を、最も視聴時間が長い動画と定義しているため、正解です。
アップロードされてから 30 日間、モデル予測の高精度しきい値が 95% に設定されます。
オプション C: モデルは、視聴時間で測定された最も人気のある動画の 95% がアップロード後 30 日以内にアップロードされると予測します。このオプションは、ビジネス目標と評価基準を反映しているため、シナリオに最適な結果です。ビジネス目標は、Web サイトで視聴者を最も多く引き付け、維持する動画を優先することです。視聴時間は、視聴者が動画を視聴する時間を測定するため、視聴者のエンゲージメントと満足度を示す優れた指標です。30 日間の期間は、動画の初期の関心とバイラルの可能性を考慮しているため、動画の人気傾向を捉えるのに適した期間です。
95% の精度しきい値は、モデル予測の高水準であり、視聴時間メトリックに基づいて、モデルが最も人気のある動画 100 本のうち 95 本を正しく識別できることを意味します。
オプション A: モデルは、動画をアップロードしたユーザーの「いいね」数が 10,000 を超える場合、その動画が人気であると予測します。このオプションは、ビジネス目標や評価基準を反映していないため、シナリオにとって良い結果ではありません。ビジネス目標は、Web サイトで最も人気になる動画を優先することであり、動画をアップロードしたユーザーを優先することではありません。ユーザーの「いいね」数は、視聴者のエンゲージメントや動画に対する満足度を測るものではないため、動画の人気度を示す良い指標ではありません。さらに、このオプションでは、モデル予測の時間枠や精度のしきい値が指定されていないため、あいまいで信頼性の低いものになります。
オプション B: モデルは、クリック数で測定された最も人気のあるクリックベイトビデオの 97.5% を予測します。このオプションは、ビジネス目標や評価基準を反映していないため、シナリオにとって良い結果ではありません。ビジネス目標は、最も誤解を招く、またはセンセーショナルなタイトルやサムネイルを持つビデオではなく、Web サイトで最も人気のあるビデオを優先することです。ビデオのクリック数は、視聴者のエンゲージメントやビデオコンテンツへの満足度を測定するものではないため、ビデオの人気度を示す良い指標ではありません。さらに、このオプションはクリックベイトビデオのみに焦点を当てているため、Web サイト上のビデオの大部分または多様性を代表していない可能性があります。
オプションD: 7日後の対数変換された視聴回数と
公開後 30 日は 0 に等しくなります。このオプションは、ビジネス目標や評価メトリックが反映されていないため、シナリオにとって良い結果ではありません。ビジネス目標は、Web サイトで最も人気が出る動画を優先することであり、時間の経過に伴って最も一貫性がある、または一貫性がない再生回数を持つ動画を優先することではありません。ピアソン相関係数は、動画の人気度ではなく、2 つの変数間の線形関係を測定するメトリックです。相関係数が 0 の場合、7 日後と 30 日後のログ変換された再生回数の間に線形関係がないことを意味し、動画が人気があるかどうかは示されません。さらに、このオプションでは相関係数のしきい値や目標値が指定されていないため、相関係数は意味がなく、無関係です。

Professional-Machine-Learning-Engineer 試験問題 45

表形式のデータに基づく新しい XGBoost 分類モデルのトレーニングパイプラインを開発しています。データは BigQuery テーブルに保存されます。次の手順を完了する必要があります。
1. データを65/35の比率でトレーニングデータセットと評価データセットにランダムに分割する
2. 特徴エンジニアリングを実施する
3 評価データセットのメトリックを取得します。
4 異なるパイプライン実行でトレーニングされたモデルを比較する
これらの手順をどのように実行すればよいでしょうか?

A. 1 Vertex Al Pipelinesを使用して、データをトレーニングセットと評価セットに分割するコンポーネントを追加し、特徴エンジニアリング用の別のコンポーネントを追加します。
2. トレーニングコンポーネントでメトリックの自動ログ記録を有効にします。
3 Vertex Al Experimentsでのパイプライン実行を比較する

B. 1 Vertex Al Pipelinesを使用して、データをトレーニングセットと評価セットに分割するコンポーネントを追加し、特徴エンジニアリング用の別のコンポーネントを追加します。
2 トレーニングコンポーネントのメトリクスの自動ログ記録を有効にする
3 Vertex MLメタデータのアーティファクト系統を使用してモデルを比較する

C. 1 BigQuery ML では、モデルタイプとして bocstzd_tree_classifier を指定して create model ステートメントを使用し、BigQuery を使用してデータ分割を処理します。
2 SQLビューを使用して特徴エンジニアリングを適用し、そのビューのデータを使用してモデルをトレーニングする
3. ml.training_infc ステートメントを含む SQL クエリを使用して、モデルの評価メトリックを比較します。

D. 1 BigQuery ML では、モデルタイプとして boosted_tree_classifier を指定して create model ステートメントを使用し、BigQuery を使用してデータ分割を処理します。
2 ml transformを使用して特徴エンジニアリング変換を指定し、テーブル内のデータを使用してモデルをトレーニングします。

正解: B

' 3. ml.training_info ステートメントを含む SQL クエリを使用して、モデルの評価メトリックを比較します。
Explanation:
Vertex AI Pipelines は、Google Cloud 上でスケーラブルで移植可能な ML パイプラインを作成して実行できるサービスです。Vertex AI Pipelines を使用すると、データをトレーニングセットと評価セットに分割するコンポーネントを追加したり、特徴エンジニアリング用の別のコンポーネントを追加したりできます。コンポーネントとは、パイプラインで特定のタスクを実行する自己完結型のコードです。Vertex AI Pipelines が提供する組み込みコンポーネントを使用することも、独自のカスタムコンポーネントを作成することもできます。Vertex AI Pipelines を使用すると、ML ワークフローをオーケストレーションして自動化し、データとモデルの起源と系統を追跡できます。また、トレーニングコンポーネントで指標の自動ログ記録を有効にすることもできます。これは、XGBoost モデルから Vertex AI Experiments に指標を自動的に記録する機能です。Vertex AI Experiments は、Google Cloud 上で ML 実験を追跡、比較、最適化できるサービスです。Vertex AI Experiments を使用すると、トレーニングの進行状況をモニタリングし、指標を可視化して、モデルの結果を分析できます。 Vertex ML メタデータのアーティファクトリネージを使用してモデルを比較することもできます。Vertex ML メタデータは、データセット、モデル、指標、実行などの ML アーティファクトのメタデータを保存および管理するサービスです。Vertex ML メタデータを使用すると、アーティファクトリネージを表示できます。アーティファクトリネージは、アーティファクト間の関係と依存関係を示すグラフです。アーティファクトリネージを使用すると、さまざまなパイプライン実行でトレーニングされたさまざまなモデルのパフォーマンスと品質を比較し、ユースケースに最適なモデルを特定できます。Vertex AI パイプライン、Vertex AI 実験、Vertex ML メタデータを使用すると、BigQuery テーブルに保存されている表形式のデータに基づいて、新しい XGBoost 分類モデルのトレーニングパイプラインを開発するために必要な手順を実行できます。参考:
Vertex AI パイプラインのドキュメント
Vertex AI Experiments ドキュメント
Vertex ML メタデータのドキュメント
Google Cloud 認定資格の準備: 機械学習エンジニアプロフェッショナル認定資格