Вікторина, пов’язана з посібником · Середній Рівень

Тест робочих процесів Apache Airflow для ML

Застосовуйте залежності завдань Airflow, повторні спроби та заповнення до робочих процесів машинного навчання, включаючи правила запуску, які визначають, коли завдання готові до запуску.

Пов'язані напрямні шляхиApache Airflow для робочих процесів ML
Питання 1 з 8

Яка основна абстракція використовується для визначення робочого процесу в Apache Airflow?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Яка основна абстракція використовується для визначення робочого процесу в Apache Airflow?
    • Маніфест YAML
    • Перегляд SQL
    • DAG (спрямований ациклічний граф), написаний на Python
    • Блокнот Юпітер
  2. Яку роль Airflow найчастіше відіграє в трубопроводі ML?
    • Він керує та планує завдання, які виконуються в інших системах
    • Він тренує моделі глибокого навчання безпосередньо на графічних процесорах
    • Він зберігає вектори ознак у пам’яті
    • Він обслуговує прогнози моделі через HTTP
  3. Яка конструкція Airflow використовується для очікування зовнішньої умови, наприклад надходження файлу в сховище?
    • Змінна
    • Пул підключень
    • Макрос
    • Датчик
  4. Що дозволяє робити «засипка» Airflow?
    • Назавжди видалити старі запуски DAG
    • Запустіть DAG за діапазон минулих дат, щоб повторно обробити історичні дані
    • Зашифруйте базу метаданих
    • Тимчасово вимкніть планувальник
  5. Which Airflow component determines when eligible task instances should be scheduled?
    • Планувальник
    • The graph view in the web UI
    • A model’s feature encoder
    • The artifact file itself
  6. Що таке «планування з урахуванням даних», представлене в новіших версіях Airflow?
    • Шифрування всіх даних, що передаються між завданнями
    • Автоматичне маркування даних навчання
    • Зменшення кількості GPU на одне завдання
    • Запуск DAG під час оновлення набору даних, а не за фіксованим годинником
  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