[AI-900] Azure ML을 사용하여 코드 없는 예측 모델 만들기

Q1. 자동차 대리점에서는 이전 자동차 판매 데이터를 사용하여 기계 학습 모델을 학습시키려고 합니다. 이 모델은 제조사, 차종, 엔진 크기, 주행 거리를 기준으로 중고차의 가격을 예측해야 합니다. 자동화된 Machine Learning으로 자동차 대리점에서 어떤 종류의 기계 학습 모델을 사용해야 하나요? (2)

1. 분류
2. 회귀
3. 시계열 예측

[해설]

숫자 값을 예측하려면 회귀 모델을 사용합니다.

 

Q2. 한 은행에서는 이전 대출 상환 레코드를 사용하여 대출 금액, 대출자의 수입 및 대출 기간과 같은 특성에 따라 대출 사례를 저위험 또는 고위험으로 분류하려고 합니다. 자동화된 Machine Learning으로 은행에서 어떤 종류의 기계 학습 모델을 만들어야 하나요? (1)

1. 분류
2. 회귀
3. 시계열 예측

[해설]

범주 또는 클래스를 예측하려면 분류 모델을 사용합니다.

 

Q3. 자동화된 Machine Learning을 사용하여 최상의 R2 점수로 회귀 모델을 학습하려고 합니다. 자동화된 Machine Learning 실험을 어떻게 구성해야 하나요? (1)

1. 기본 메트릭을 R2 점수로 설정
2. GradientBoosting 이외의 모든 알고리즘 차단
3. 기능화 사용

[해설]

기본 메트릭은 가장 적합한 모델을 평가하는 데 사용되는 메트릭을 결정합니다.

 

Q4. 값의 기준이 서로 다른 여러 숫자 열을 포함하는 데이터 세트를 사용하여 회귀 모델에 대한 학습 파이프라인을 만드는 중입니다. 각 열의 최소값 및 최대값을 기준으로 값이 모두 비슷한 기준에 기초하도록 숫자 열을 변환하려고 합니다. 파이프라인에 추가해야 하는 모듈은 무엇인가요? (2)

1. 데이터 세트에서 열 선택
2. 데이터 정규화
3. 누락 데이터 정리

[해설]

숫자 데이터가 서로 유사한 기준을 사용하도록 변환하려면 데이터 정규화 모듈을 사용합니다.

 

Q5. Azure Machine Learning 디자이너를 사용하여 회귀 모델에 대한 학습 파이프라인과 유추 파이프라인을 만들 수 있습니다. 이제 유추 파이프라인을 실시간 서비스로 배포하려고 합니다. 서비스를 호스팅하기 위해 어떤 종류의 컴퓨팅 대상을 만들어야 할까요? (3)

1. 컴퓨팅 인스턴스
2. 컴퓨팅 클러스터
3. 유추 클러스터

[해설]

배포에는 유추 클러스터를 사용합니다.

 

Q6. Azure Machine Learning 디자이너를 사용하여 이진 분류 모델에 대한 학습 파이프라인을 만듭니다. 특징 및 레이블, 2 클래스 의사 결정 포리스트 모듈 및 모델 학습 모듈을 포함하는 데이터 세트를 추가했습니다. 모델 채점 및 모델 평가 모듈을 사용하여 학습에 사용되지 않은 데이터 세트의 하위 집합으로 학습된 모델을 테스트할 계획입니다. 추가해야 하는 모듈의 종류는 무엇인가요? (2)

1. 데이터 조인
2. 데이터 분할
3. 데이터 세트의 열 선택

[해설]

분할 데이터 모듈을 사용하여 데이터 세트를 학습 및 유효성 검사 하위 집합으로 임의로 분할합니다.

 

Q7. Azure Machine Learning 디자이너 파이프라인을 사용하여 이진 분류 모델을 학습 및 테스트합니다. 모델 평가 모듈에서 모델의 성능 메트릭을 검토하고 AUC 점수가 0.3인지 확인합니다. 모델에 대해 어떤 결론을 내릴 수 있나요? (3)

1. 모델은 실제 및 예측된 레이블 사이의 분산 중 30%를 설명할 수 있습니다.
2. 모델은 테스트 사례의 70%를 정확하게 예측합니다.
3. 모델은 무작위 추측보다 성능이 떨어집니다.

[해설]

0.5의 AUC는 이진 모델의 임의 예측으로 기대할 수 있습니다.

 

Q8. Azure Machine Learning 디자이너를 사용하여 분류 모델에 대한 학습 파이프라인을 만듭니다. 모델을 서비스로 배포하기 전에 해야 하는 일은 무엇인가요? (1)

1. 학습 파이프라인에서 유추 파이프라인 만들기
2. 학습 파이프라인에 모델 평가 모듈 추가
3. 다른 이름으로 학습 파이프라인 복제

[해설]

서비스로 배포할 유추 파이프라인을 만들어야 합니다.

 

Q9. Azure Machine Learning 디자이너 파이프라인을 사용하여 K-평균 클러스터링 모델을 학습 및 테스트합니다. 모델에서 3개의 클러스터 중 하나에 항목을 할당하고자 합니다. 이를 위해 K-평균 클러스터링 모듈의 어떤 구성 속성을 설정해야 하나요? (1)

1. 중심의 수를 3으로 설정
2. 난수 초기값을 3으로 설정
3. 반복을 3으로 설정

[해설]

K 클러스터를 만들려면 중심의 수를 K로 설정해야 합니다.

 

Q10. Azure Machine Learning 디자이너를 사용하여 클러스터링 모델에 대한 학습 파이프라인을 만듭니다. 이제 추론 파이프라인에서 모델을 사용하고자 합니다. 모델에서 클러스터 예측을 추론하기 위해 사용해야 하는 모듈은 무엇인가요? (2)

1. 모델 채점
2. 클러스터에 데이터 할당
3. 클러스터링 모델 학습

[해설]

클러스터에 데이터 할당 모듈을 사용하여 학습된 클러스터링 모델에서 클러스터 예측을 생성합니다.