แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบคุณสมบัติไปป์ไลน์ทางวิศวกรรมและการกำหนดเวอร์ชันข้อมูล
ทดสอบการแปลงข้อมูล เวอร์ชันตามเนื้อหา การขึ้นต่อกันของ DAG ความเท่าเทียมกันของฟีเจอร์ บันทึกสายเลือด และขีดจำกัดความสามารถในการทำซ้ำ
คำถาม 1 ของ 8
วัตถุประสงค์หลักของไปป์ไลน์วิศวกรรมฟีเจอร์คืออะไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- วัตถุประสงค์หลักของไปป์ไลน์วิศวกรรมฟีเจอร์คืออะไร?
- เพื่อจัดเก็บตุ้มน้ำหนักแบบจำลองที่ได้รับการฝึกอบรมเพื่อการปรับใช้ในภายหลัง
- เพื่อกำหนดเวลางาน GPU ทั่วทั้งคลัสเตอร์
- เพื่อแปลงข้อมูลดิบเป็นคุณสมบัติที่มีโครงสร้างที่แบบจำลองใช้
- เพื่อเข้ารหัสชุดข้อมูลที่เหลือ
- 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
- โดยทั่วไปแล้วฟีเจอร์ไปป์ไลน์จะแสดงเป็นโครงสร้างประเภทใด
- รายการคำสั่ง SQL แบบเดี่ยวรายการเดียวที่ต้องรันใหม่ทุกครั้ง
- ตารางฐานข้อมูลเชิงสัมพันธ์
- โครงข่ายประสาทเทียมที่มีชั้นที่ซ่อนอยู่
- กราฟอะไซคลิกแบบกำหนดทิศทาง (DAG) ของขั้นตอนการเปลี่ยนแปลง
- 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
- ข้อใดต่อไปนี้คือเครื่องมือตัวอย่างที่ใช้สำหรับร้านค้าฟีเจอร์หรือการกำหนดเวอร์ชันข้อมูลโดยเฉพาะ
- โฟโต้ชอป
- Microsoft คำพูด
- FFmpeg
- งานฉลอง (หรือ DVC / LakeFS)
- เหตุใดจึงสำคัญที่ตรรกะคุณลักษณะเดียวกันจะทำงานในระหว่างการฝึกอบรมและการใช้งานจริง
- เพื่อลดต้นทุนการจัดเก็บข้อมูลบนคลาวด์
- เพื่อให้โมเดลมีขนาดใหญ่ขึ้นและแม่นยำยิ่งขึ้นโดยอัตโนมัติ
- เพื่อให้แน่ใจว่าโมเดลเห็นคุณลักษณะที่คำนวณอย่างสม่ำเสมอ และหลีกเลี่ยงการฝึกอบรม/การให้บริการที่ไม่ตรงกัน
- เนื่องจากเซิร์ฟเวอร์ที่ใช้งานจริงไม่สามารถรัน Python ได้
- 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