Gids-gekoppelde quiz · Middelmatig Niveau
Feature Engineering Pipelines en Data Versioning Quiz
Test gegevenstransformaties, op inhoud gebaseerde versies, DAG-afhankelijkheden, functiepariteit, afstammingsrecords en reproduceerbaarheidslimieten.
Vraag 1 van 8
Wat is het primaire doel van een feature engineering-pijplijn?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het primaire doel van een feature engineering-pijplijn?
- Om getrainde modelgewichten op te slaan voor latere inzet
- Voor het plannen van GPU-taken in een cluster
- Om ruwe gegevens om te zetten in de gestructureerde kenmerken die een model gebruikt
- Om gegevenssets in rust te versleutelen
- Why compare a dataset’s content hash instead of relying only on its filename?
- A hash guarantees every record is accurate
- The filename can stay the same while its stored contents change
- A filename contains all transformations
- Hashing removes access restrictions
- Als welk soort structuur wordt een functiepijplijn doorgaans weergegeven?
- Eén enkele platte lijst met SQL-query's die allemaal elke keer opnieuw moeten worden uitgevoerd
- Een relationele databasetabel
- Een neuraal netwerk met verborgen lagen
- Een gerichte acyclische grafiek (DAG) van transformatiestappen
- A model behaves differently after a data update. What can version history help investigate?
- Which data and transformation versions were used, with other runtime factors checked separately
- A guaranteed identical rerun without environment records
- Proof the update was authorized
- A universal legal-compliance certificate
- Welke van deze is een voorbeeldtool die specifiek wordt gebruikt voor functieopslag of gegevensversiebeheer?
- Photoshoppen
- Microsoft Woord
- FFmpeg
- Feest (of DVC / LakeFS)
- Waarom is het belangrijk dat dezelfde functielogica wordt uitgevoerd tijdens zowel training als productie?
- Om de kosten van cloudopslag te verlagen
- Om het model automatisch groter en nauwkeuriger te maken
- Om ervoor te zorgen dat het model consistent berekende functies ziet en mismatches in training/serving vermijdt
- Omdat productieservers Python niet kunnen draaien
- A team has the same data and code but a changed random state. What remains possible?
- Different computed outputs despite matching versions
- Versioning forces every random choice to match
- The dataset filename must change
- All models become deterministic
- A reviewer asks which input record and transform produced a feature at a particular time. What record addresses that question?
- Only the final prediction text
- Feature lineage with source, transform version and timestamp
- Only the dataset filename
- Only a model parameter count