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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. Welke van deze is een voorbeeldtool die specifiek wordt gebruikt voor functieopslag of gegevensversiebeheer?
    • Photoshoppen
    • Microsoft Woord
    • FFmpeg
    • Feest (of DVC / LakeFS)
  6. 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
  7. 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
  8. 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