Kuis terkait panduan · Sedang Tingkat

Kuis Alur Kerja Apache Airflow untuk ML

Terapkan dependensi tugas Airflow, percobaan ulang, dan pengisian ulang ke alur kerja ML, termasuk aturan pemicu yang menentukan kapan tugas siap dijalankan.

Jalur panduan terkaitAlur Kerja Apache Airflow Untuk ML
Pertanyaan 1 dari 8

Di Apache Airflow, abstraksi inti apa yang digunakan untuk mendefinisikan alur kerja?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Di Apache Airflow, abstraksi inti apa yang digunakan untuk mendefinisikan alur kerja?
    • Manifes YAML
    • Tampilan SQL
    • DAG (Grafik Asiklik Terarah) yang ditulis dengan Python
    • Buku catatan Jupyter
  2. Peran apa yang paling sering dimainkan Airflow dalam pipeline ML?
    • Ini mengatur dan menjadwalkan tugas-tugas yang berjalan di sistem lain
    • Ini melatih model pembelajaran mendalam langsung pada GPU
    • Ini menyimpan vektor fitur dalam memori
    • Ini menyajikan prediksi model melalui HTTP
  3. Konstruksi Airflow mana yang digunakan untuk menunggu kondisi eksternal, seperti file tiba di penyimpanan?
    • Sebuah variabel
    • Kumpulan koneksi
    • Makro
    • Sebuah sensor
  4. Apa yang dapat Anda lakukan dengan 'pengisian ulang' Aliran Udara?
    • Hapus proses DAG lama secara permanen
    • Jalankan DAG pada rentang tanggal yang lalu untuk memproses ulang data historis
    • Enkripsi basis data metadata
    • Nonaktifkan penjadwal untuk sementara
  5. Which Airflow component determines when eligible task instances should be scheduled?
    • Penjadwal
    • The graph view in the web UI
    • A model’s feature encoder
    • The artifact file itself
  6. Apa yang dimaksud dengan 'penjadwalan sadar data' yang diperkenalkan di versi Airflow yang lebih baru?
    • Mengenkripsi semua data yang dikirimkan antar tugas
    • Memberi label pada data pelatihan secara otomatis
    • Mengurangi jumlah GPU per tugas
    • Memicu DAG saat kumpulan data diperbarui, bukan pada jam tetap
  7. An Airflow cleanup task must run after upstream tasks finish even if one fails. Which setting controls this behavior?
    • The number of model layers
    • The cleanup task’s trigger rule
    • The feature normalization method
    • The UI theme selected for the DAG
  8. A team backfills three months of ML feature data in Airflow. What makes repeating an interrupted task safer?
    • Appending duplicate outputs each time it retries
    • Ignoring the run’s historical date
    • An idempotent operation with the correct historical inputs
    • Changing the training labels on every retry