1. 한 회사는 고객 서비스 에이전트 팀을 고용하여 고객에게 전화 및 이메일 지원을 제공합니다. 이 회사는 일반적인 고객 질문에 대한 자동 답변을 제공하는 웹 채팅 봇을 개발합니다. 웹챗 봇 솔루션을 만든 결과 회사는 어떤 비즈니스 이점을 기대해야합니까?
- A. 매출 증가
- B. 고객 서비스 상담원의 작업량 감소
- C. 제품 신뢰성 향상
2. 기계학습(ML) 진행의 경우 학습 및 평가를 위해 데이터를 어떻게 분할해야합니까?
- A. 교육용 기능과 평가 용 레이블을 사용
- B. 데이터를 훈련 용 행과 평가 용 행으로 무작위로 분할
- C. 교육용 레이블과 평가 용 기능을 사용
- D. 데이터를 훈련 용 열과 평가 용 열로 임의로 분할
Azure Machine Learning에서 백분율 분할은 데이터를 분할하는 데 사용할 수있는 기술입니다. 이 기술에서는 주어진 백분율의 임의 데이터가 데이터를 훈련하고 테스트하기 위해 분할됩니다.
3. 분류를 사용하여 이벤트를 예측하는 모델을 개발하고 있습니다. 다음 그림과 같이 테스트 데이터에서 채점 된 모델에 대한 혼동 행렬이 있습니다.
TP = 참 양성.
훈련 세트의 클래스 레이블은 일반적으로 양수 또는 음수라고하는 두 가지 가능한 값만 가질 수 있습니다. 분류 기가 올바르게 예측하는 긍정 및 부정 인스턴스를 각각 참 양성 (TP) 및 참 음성 (TN)이라고합니다. 마찬가지로 잘못 분류 된 인스턴스를 FP (false positive) 및 FN (false negative)이라고합니다.
Box 2 : 1,033-
FN = False Negative-
4. 자동화 된 기계 학습 사용자 인터페이스 (UI)를 사용하여 기계 학습 모델을 빌드합니다. 모델이 책임있는 AI에 대한 Microsoft 투명성 원칙을 충족하는지 확인해야합니다. 어떻게해야합니까?
- A. 유효성 검사 유형을 자동으로 설정합니다.
- B. Explain best model을 활성화합니다.
- C. 기본 메트릭을 정확도로 설정합니다.
- D. 최대 동시 반복을 0으로 설정합니다.
모델은 능력을 설명합니다.
대부분의 기업은 신뢰를 바탕으로 실행되며 ML "블랙 박스"를 열 수 있으면 투명성과 신뢰를 구축하는 데 도움이됩니다. 의료 및 은행과 같이 규제가 심한 산업에서는 규정 및 모범 사례를 준수하는 것이 중요합니다. 이것의 한 가지 중요한 측면은 입력 변수 (특징)와 모델 출력 간의 관계를 이해하는 것입니다. 각 기능 (기능 중요도)이 예측 값에 미치는 영향의 크기와 방향을 모두 알면 모델을 더 잘 이해하고 설명하는 데 도움이됩니다. 모델 설명 기능을 통해 자동화 된 ML 실행의 일부로서 기능의 중요성을 이해할 수 있습니다.
5.
이상 탐지는 기계 학습의 많은 중요한 작업을 포함합니다
. 잠재적으로 사기성 거래 식별.
네트워크 침입이 발생했음을 나타내는 학습 패턴입니다.
환자의 비정상적인 클러스터 찾기.
시스템에 입력 된 값을 확인합니다.
6.
개인 정보 보호 및 보안.
AI가 널리 보급됨에 따라 개인 정보를 보호하고 중요한 개인 및 비즈니스 정보를 보호하는 것이 점점 더 중요 해지고 복잡해지고 있습니다. AI의 경우 개인 정보 보호 및 데이터 보안 문제는 AI 시스템이 사람에 대해 정확하고 정보에 입각 한 예측과 결정을 내리기 위해 데이터에 대한 액세스가 필수적이기 때문에 특히 세심한주의가 필요합니다. AI 시스템은 데이터 수집, 사용 및 저장에 대한 투명성을 요구하는 개인 정보 보호법을 준수해야하며 소비자가 데이터 사용 방법을 선택할 수있는 적절한 제어 권한을 갖도록 요구해야합니다. Microsoft에서는 개인 정보 보호 및 보안 혁신을 계속 연구하고 (다음 단원 참조) AI 시스템에서 수집하고 사용하는 데이터를 책임감있게 처리 할 수 있도록 강력한 규정 준수 프로세스에 투자하고 있습니다.
7.
상자 3 : 자연어 처리
자연어 처리 (NLP)는 감정 분석, 주제 감지, 언어 감지, 핵심 구문 추출 및 문서 분류와 같은 작업에 사용됩니다.
8. 청각, 시각 및 기타 장애가있는 사람들을 포함하여 모든 사람에게 권한을 부여하는 AI 시스템을 설계하고 있습니다.
이것은 책임있는 AI에 대한 Microsoft의 지침 원칙의 예입니다.
- A. 공정성
- B. 포용성
- C. 신뢰성과 안전성
- D. 책임
9.
상자 1 : 신뢰성 및 안전성-
신뢰를 구축하려면 AI 시스템이 정상적인 상황과 예상치 못한 상황에서 안정적이고 안전하며 일관되게 작동하는 것이 중요합니다. 이러한 시스템은 원래 설계된대로 작동하고 예상치 못한 조건에 안전하게 대응하며 유해한 조작에 저항 할 수 있어야합니다.
Box 2 : 공정성-
공정성 : AI 시스템은 모든 사람을 공정하게 대하고 비슷한 위치에있는 사람들에게 다른 방식으로 영향을주지 않아야합니다. 예를 들어 AI 시스템이 치료, 대출 신청 또는 고용에 대한 지침을 제공 할 때 유사한 증상, 재정적 상황 또는 전문 자격을 가진 모든 사람에게 동일한 권장 사항을 제공해야합니다.
편견 완화는 사람들이 AI 예측 및 권장 사항의 의미와 한계를 이해하는 데서 시작된다고 믿습니다. 궁극적으로 사람들은 건전한 인간의 판단으로 AI 결정을 보완하고 다른 사람에게 영향을 미치는 결과적인 결정에 대해 책임을 져야합니다.
Box 3 : 개인 정보 보호 및 보안-
AI가 널리 보급됨에 따라 개인 정보를 보호하고 중요한 개인 및 비즈니스 정보를 보호하는 것이 점점 더 중요 해지고 복잡해지고 있습니다. AI의 경우 개인 정보 보호 및 데이터 보안 문제는 AI 시스템이 사람에 대해 정확하고 정보에 입각 한 예측과 결정을 내리기 위해 데이터에 대한 액세스가 필수적이기 때문에 특히 세심한주의가 필요합니다. AI 시스템은 데이터 수집, 사용 및 저장에 대한 투명성을 요구하는 개인 정보 보호법을 준수해야하며 소비자가 데이터 사용 방법을 선택할 수있는 적절한 제어 권한을 갖도록해야합니다
10.
신뢰성 및 안전 : 신뢰를 구축하려면 AI 시스템이 정상적인 상황과 예기치 않은 상황에서 안정적이고 안전하며 일관되게 작동하는 것이 중요합니다.
이러한 시스템은 원래 설계된대로 작동하고 예상치 못한 조건에 안전하게 대응하며 유해한 조작에 저항 할 수 있어야합니다.
11. 스캔 한 문서에서 텍스트, 키 / 값 쌍 및 테이블 데이터를 자동으로 추출하려면 어떤 서비스를 사용해야합니까?
- A. 양식 인식기
- B. 텍스트 분석
- C. 잉크 인식기
- D. 커스텀 비전
12.
정보 추출을 자동화하여 비즈니스 프로세스를 가속화하십시오. Form Recognizer는 고급 머신 러닝을 적용하여 문서에서 텍스트, 키 / 값 쌍 및 표를 정확하게 추출합니다. 몇 개의 샘플만으로 Form Recognizer는 온-프레미스와 클라우드 모두에서 문서에 대한 이해를 조정합니다. 적은 시간과 비용으로 양식을 사용 가능한 데이터로 변환 할 수 있으므로 정보를 컴파일하는 대신 작업에 더 많은 시간을 집중할 수 있습니다.
13. Azure Machine Learning 디자이너를 사용하여 추론 파이프 라인을 게시합니다.
파이프 라인을 사용하려면 어떤 두 매개 변수를 사용해야합니까? 각 정답은 솔루션의 일부를 제공합니다.
참고 : 각 올바른 선택은 1 점의 가치가 있습니다.
- A. 모델명
- B. 훈련 종점
- C. 인증 키
- D. REST 엔드 포인트
14.
실시간 추론을 수행하려면 파이프 라인을 실시간 엔드 포인트로 배포해야합니다.
실시간 End-point는 Azure Kubernetes Service 클러스터에 배포되어야합니다.
15.
가장 기본적인 의미에서 회귀는 숫자 대상의 예측을 의미합니다.
선형 회귀는 하나 이상의 독립 변수와 숫자 결과 또는 종속 변수 간의 선형 관계를 설정하려고합니다.
이 모듈을 사용하여 선형 회귀 방법을 정의한 다음 레이블이 지정된 데이터 세트를 사용하여 모델을 훈련시킵니다. 그런 다음 학습 된 모델을 사용하여 예측할 수 있습니다.
오답 :
✑ 분류는 데이터를 사용하여 항목 또는 데이터 행의 범주, 유형 또는 클래스를 결정하는 기계 학습 방법입니다.
✑ 기계 학습에서 클러스터링은 데이터 포인트를 유사한 클러스터로 그룹화하는 방법입니다. 세분화라고도합니다.
수년에 걸쳐 많은 클러스터링 알고리즘이 개발되었습니다. 거의 모든 클러스터링 알고리즘은 개별 항목의 기능을 사용하여 유사한 항목을 찾습니다. 예를 들어, 인구 통계별로 비슷한 사람을 찾기 위해 클러스터링을 적용 할 수 있습니다. 텍스트 분석과 함께 클러스터링을 사용하여 유사한 주제 또는 감정으로 문장을 그룹화 할 수 있습니다.
16.
상자 1 : 예
-Azure Machine Learning 디자이너를 사용하면 대화 형 캔버스에서 데이터 세트와 모듈을 시각적으로 연결하여 기계 학습 모델을 만들 수 있습니다.
상자 2 : 예-
디자이너를 통해 모듈을 연결하여 파이프 라인 초안을 만들 수 있습니다.
디자이너에서 파이프 라인을 편집하면 진행 상황이 파이프 라인 초안으로 저장됩니다.
상자 3 : 아니요-
17.
다음 데이터 세트가 있습니다.
데이터 세트를 사용하여 주택의 주택 가격 범주를 예측하는 모델을 학습 시키려고합니다.
가계 소득 및 주택 가격 범주는 무엇입니까? 답변하려면 답변 영역에서 적절한 옵션을 선택하십시오.
참고 : 각 올바른 선택은 1 점의 가치가 있습니다.
18. 분류 모델을 평가하는 데 사용할 수있는 메트릭은 무엇입니까?
- A. 참 양성률
- B. 평균 절대 오차 (MAE)
- C. 결정 계수 (R2)
- D. 제곱 평균 오차 (RMSE)
19.
Azure Machine Learning 디자이너에서 캔버스로 끌 수있는 두 가지 구성 요소는 무엇입니까? 각 정답은 완전한 해결책을 제시합니다.
참고 : 각 올바른 선택은 1 점의 가치가 있습니다.
- A. 데이터 세트
- B. 컴퓨팅
- C. 파이프 라인
- D. 모듈
20. 기존 데이터 세트에서 학습 데이터 세트와 유효성 검사 데이터 세트를 만들어야합니다.
Azure Machine Learning 디자이너의 어떤 모듈을 사용해야합니까?
- A. 데이터 세트에서 열 선택
- B. 행 추가
- C. 데이터 분할
- D. 데이터 결합
21. 머신 러닝 유형을 적절한 시나리오에 맞 춥니 다 .
대답하려면 왼쪽 열에서 오른쪽 시나리오로 적절한 기계 학습 유형을 드래그합니다. 각 기계 학습 유형은 한 번, 두 번 이상 사용하거나 전혀 사용하지 않을 수 있습니다. 참고 : 각 올바른 선택은 1 점의 가치가 있습니다.
상자 1 : 회귀-
가장 기본적인 의미에서 회귀는 숫자 대상의 예측을 의미합니다.
선형 회귀는 하나 이상의 독립 변수와 숫자 결과 또는 종속 변수 간의 선형 관계를 설정하려고합니다.
이 모듈을 사용하여 선형 회귀 방법을 정의한 다음 레이블이 지정된 데이터 세트를 사용하여 모델을 훈련시킵니다. 그런 다음 학습 된 모델을 사용하여 예측할 수 있습니다.
상자 2 : 분류-
분류는 데이터를 사용하여 항목 또는 데이터 행의 범주, 유형 또는 클래스를 결정하는 기계 학습 방법입니다.
상자 3 : 클러스터링-
기계 학습에서 클러스터링은 데이터 포인트를 유사한 클러스터로 그룹화하는 방법입니다. 세분화라고도합니다.
수년에 걸쳐 많은 클러스터링 알고리즘이 개발되었습니다. 거의 모든 클러스터링 알고리즘은 개별 항목의 기능을 사용하여 유사한 항목을 찾습니다. 예를 들어, 인구 통계별로 비슷한 사람을 찾기 위해 클러스터링을 적용 할 수 있습니다. 텍스트 분석과 함께 클러스터링을 사용하여 유사한 주제 또는 감정으로 문장을 그룹화 할 수 있습니다.
22. 기계 학습 작업을 적절한 시나리오에 일치시킵니다.
대답하려면 왼쪽 열에서 오른쪽 시나리오로 적절한 작업을 끕니다. 각 작업은 한 번, 두 번 이상 또는 전혀 사용하지 않을 수 있습니다. 참고 : 각 올바른 선택은 1 점의 가치가 있습니다.
선택 및 배치 :
상자 1 : 모델 평가-
모델 평가 모듈은
ROC, 정밀도 / 재현율 및 리프트 곡선 뿐 아니라 참 양성, 거짓 음성, 거짓 양성 및 참 음성의 수를 보여주는 혼동 행렬을 출력합니다 .
상자 2 : 특성 공학-
특성 공학은 데이터의 도메인 지식을 사용하여 ML 알고리즘이 더 잘 학습하는 데 도움이되는 특성을 만드는 프로세스입니다. Azure Machine Learning에서는 기능 엔지니어링을 용이하게하기 위해 확장 및 정규화 기술이 적용됩니다. 이러한 기술과 기능 엔지니어링을 통칭하여 기능화라고합니다.
참고 : 종종 기능은 기능 엔지니어링 프로세스를 통해 원시 데이터에서 생성됩니다. 예를 들어, 타임 스탬프 자체는 정보가 휴일 대 근무일과 같이 문제와 관련된 일, 월 또는 범주 단위로 변환 될 때까지 모델링에 유용하지 않을 수 있습니다.
상자 3 : 기능 선택-
기계 학습 및 통계에서 기능 선택은 분석 모델을 구축하는 데 사용할 관련 있고 유용한 기능의 하위 집합을 선택하는 프로세스입니다. 기능 선택은 데이터 필드를 가장 중요한 입력으로 좁히는 데 도움이됩니다. 데이터 필드를 좁 히면 소음을 줄이고 훈련 성능을 향상시키는 데 도움이됩니다.
23.
기계 학습에서 데이터에 레이블이 지정되어 있으면 데이터가 마크 업되거나 주석이 추가되어 기계 학습 모델이 예측할 답인 대상을 표시한다는 의미입니다.
일반적으로 데이터 레이블 지정은 데이터 태깅, 주석, 분류, 중재, 전사 또는 처리를 포함하는 작업을 참조 할 수 있습니다.
오답 :
기능 아님 : 기계 학습 및 통계에서 기능 선택은 분석 모델을 구축하는 데 사용할 관련성 있고 유용한 기능의 하위 집합을 선택하는 프로세스입니다. 기능 선택은 데이터 필드를 가장 중요한 입력으로 좁히는 데 도움이됩니다. 데이터 필드를 좁 히면 소음을 줄이고 훈련 성능을 향상시키는 데 도움이됩니다.
24. 다음 전시회에 표시된 예측 대 참 차트가 있습니다.
평가에 사용되는 차트 유형은 무엇입니까?
- A. 분류
- B. 회귀
- C. 클러스터링
예측 대 참 차트는 무엇입니까?
Predicted vs. True는 회귀 문제에 대한 예측 값과 상관 관계가있는 실제 값 간의 관계를 보여줍니다. 이 그래프는 예측 된 값이 y = x 선에 가까울수록 예측 모델의 정확도가 높아 지므로 모델의 성능을 측정하는 데 사용할 수 있습니다.
25 다음 달에 판매 될 기프트 카드 수를 예측하려면 어떤 유형의 머신 러닝을 사용해야합니까?
- A. 분류
- B. 회귀
- C. 클러스터링
기계 학습에서 C 클러스터링은 데이터 포인트를 유사한 클러스터로 그룹화하는 방법입니다. 세분화라고도합니다.
수년에 걸쳐 많은 클러스터링 알고리즘이 개발되었습니다. 거의 모든 클러스터링 알고리즘은 개별 항목의 기능을 사용하여 유사한 항목을 찾습니다. 예를 들어, 인구 통계별로 비슷한 사람을 찾기 위해 클러스터링을 적용 할 수 있습니다. 텍스트 분석과 함께 클러스터링을 사용하여 유사한 주제 또는 감정으로 문장을 그룹화 할 수 있습니다.
26. 주어진 기간 동안 발생한 택시 여정에 대한 정보가 포함 된 데이터 세트가 있습니다.
택시 여정의 요금을 예측하려면 모델을 훈련해야합니다.
기능으로 무엇을 사용해야합니까?
- A. 데이터 세트의 택시 여정 수
- B. 개별 택시 여정의 여정 거리
- C. 개별 택시 여정의 요금
- D. 개별 택시 여정의 여정 ID
레이블은 예측하려는 열입니다. 식별 된 특징은 라벨을 예측하기 위해 모델에 제공하는 입력입니다.
예 :
제공된 데이터 세트에는 다음 열이 포함
됩니다. vendor_id : 택시 공급 업체의 ID는 기능입니다.
rate_code : 택시 여행의 요금 유형은 기능입니다.
passenger_count : 여행중인 승객 수는 기능입니다. trip_time_in_secs : 여행에 걸린 시간. 여행이 완료되기 전에 여행 요금을 예측하려고합니다. 그 순간, 당신은 여행에 얼마나 걸릴지 모릅니다. 따라서 이동 시간은 기능이 아니며이 열을 모델에서 제외합니다. trip_distance : 여행 거리는 기능입니다. payment_type : 결제 수단 (현금 또는 신용 카드)이 기능입니다. fare_amount : 지불 한 총 택시 요금이 라벨입니다.
27. 향후 10 년 동안 해수면을 미터 단위로 예측해야합니다.
어떤 유형의 기계 학습을 사용해야합니까?
- A. 분류
- B. 회귀
- C. 클러스터링
28.
상자 1 : 예-
자동화 된 ML 또는 AutoML이라고도하는 자동화 된 기계 학습은 기계 학습 모델 개발의 시간 소모적이고 반복적 인 작업을 자동화하는 프로세스입니다. 이를 통해 데이터 과학자, 분석가 및 개발자는 모델 품질을 유지하면서 높은 규모, 효율성 및 생산성으로 ML 모델을 구축 할 수 있습니다.
상자 2 : 아니요-
상자 3 : 예-
훈련 중에 Azure Machine Learning은 여러 알고리즘 및 매개 변수를 시도하는 여러 파이프 라인을 병렬로 만듭니다. 서비스는
기능 선택과 쌍을 이루는 ML 알고리즘. 여기서 각 반복은 학습 점수가있는 모델을 생성합니다. 점수가 높을수록 모델이 데이터에 "적합"된 것으로 간주됩니다. 실험에 정의 된 종료 기준에 도달하면 중지됩니다.
상자 4 : 아니요
-Azure Machine Learning에서 지정한 대상 메트릭을 사용하여 모델을 학습하고 조정하도록하려는 경우 자동화 된 ML을 적용합니다.
레이블은 예측하려는 열입니다.
29.
30.
상자 1 : 예-
기계 학습에서 데이터에 레이블이 지정되어 있으면 데이터가 마크 업되거나 주석이 추가되어 기계 학습 모델이 예측할 답인 대상을 표시 함을 의미합니다.
일반적으로 데이터 레이블 지정은 데이터 태깅, 주석, 분류, 중재, 전사 또는 처리를 포함하는 작업을 참조 할 수 있습니다.
상자 2 : 아니요-
상자 3 : 아니요-
정확도는 단순히 올바르게 분류 된 인스턴스의 비율입니다. 일반적으로 분류자를 평가할 때 가장 먼저 보는 측정 항목입니다. 그러나 테스트 데이터가 불균형 (대부분의 인스턴스가 클래스 중 하나에 속함)이거나 클래스 중 하나의 성능에 더 관심이있는 경우 정확도가 분류 자의 효율성을 실제로 포착하지 못합니다.
31. 직원이 출장 중에 경비를 스캔하고 저장할 수 있도록 모바일 앱을 개발해야합니다.
어떤 유형의 컴퓨터 비전을 사용해야합니까?
- A. 시맨틱 분할
- B. 이미지 분류
- C. 물체 감지
- D. 광학 문자 인식 (OCR)
32.
상자 1 : 확인-
얼굴 확인 : 두 얼굴이 같은 사람에 속할 가능성을 확인하고 신뢰 점수를받습니다.
상자 2 : 유사성-
상자 3 : 그룹화-
상자 4 : 식별-
얼굴 감지 : 연령, 감정, 포즈, 미소, 얼굴 털과 같은 속성과 함께 하나 이상의 사람 얼굴을 감지합니다. 영상.
33.