Professional-Data-Engineer日本語試験無料問題集「Google Certified Professional Data Engineer Exam (Professional-Data-Engineer日本語版) 認定」

A. Spark MLlib を使用して分類モデルを構築およびトレーニングし、ラベルを生成します。Spark MLlib を使用して 2 番目の分類モデルを構築およびトレーニングし、顧客の好みに合わせて結果をフィルタリングします。Cloud Dataproc を使用してモデルをデプロイします。アプリケーションからモデルを呼び出します。

B. Cloud Video Intelligence API を呼び出してラベルを生成するアプリケーションを構築します。データを Cloud SQL に保存し、予測されたラベルを結合してフィルタリングし、ユーザーの視聴履歴と一致させて好みを生成します。

C. Spark MLlib を使用して複雑な分類モデルを構築およびトレーニングし、ラベルを生成して結果をフィルタリングします。
Cloud Dataproc を使用してモデルをデプロイします。アプリケーションからモデルを呼び出します。

D. Cloud Video Intelligence API を呼び出してラベルを生成するアプリケーションを構築します。データを Cloud Bigtable に保存し、予測されたラベルをユーザーの視聴履歴に合わせてフィルタリングして、好みを生成します。

A. Google Cloud Storage に実行し、Google Cloud Logging に書き込みます。

B. Google Cloud Storage に実行、Google Cloud Logging に実行

C. Google Cloud Storage に書き込み、Google Cloud Logging に読み取ります

D. Google Cloud Storage への読み取りと書き込み、Google Cloud Logging への書き込み

A. 1 マルチリージョンの Cloud Storage バケットを使用する
2 Cloud Monitoring を使用して Dataflow 指標を監視し、いつ停止が発生したかを判断する
3 確認済みのメッセージを回復するために、サブスクリプションを60分前に戻す
4 セカンダリリージョンでデータフロージョブを開始する

B. 1. ターボレプリケーションを有効にしたデュアルリージョンの Cloud Storage バケットを使用する
2 Cloud Monitoring を使用して Dataflow 指標を監視し、いつ停止が発生したかを判断する
3 確認済みのメッセージを回復するために、サブスクリプションを60分前に戻す
4 セカンダリ リージョンで Dataflow ジョブを開始します。

C. 1 リージョンの Cloud Storage バケットを使用する
2 Cloud Monitoring を使用して Dataflow 指標を監視し、いつ停止が発生したかを判断する
3 確認済みのメッセージを回復するために、サブスクリプションを1日前まで遡って検索する
4 セカンダリリージョンでデータフロージョブを開始し、同じリージョンのバケットに書き込む

D. 1. デュアルリージョンの Cloud Storage バケットを使用します。
2. Cloud Monitoring を使用して Dataflow 指標を監視し、いつ停止が発生したかを判断する
3 確認済みのメッセージを回復するために、サブスクリプションを15分前に戻す
4 セカンダリリージョンでデータフロージョブを開始する

A. BigQuery にロードされた CSV データには CSV のフラグが付けられていません。

B. BigQuery にロードされた CSV データは、BigQuery のデフォルトのエンコードを使用していません。

C. CSV データには、インポート時にスキップされた無効な行が含まれています。

D. CSV データは、BigQuery にロードされる前に ETL フェーズを経ていません。

A. マネージド エクスポートを使用し、そのエクスポート用に予約された一意の名前空間の下にある別のプロジェクトの Cloud Datastore にインポートします。

B. マネージド エクスポートを使用し、Nearline または Coldline クラスを使用してデータを Cloud Storage バケットに保存します。

C. Cloud Datastore クライアント ライブラリを使用してすべてのエンティティを読み取るアプリケーションを作成します。エクスポートされたデータを JSON ファイルにフォーマットします。データを Cloud Source Repositories に保存する前に圧縮を適用します。

D. Cloud Datastore クライアント ライブラリを使用してすべてのエンティティを読み取るアプリケーションを作成します。BigQuery ストリーミング挿入を介して各エンティティを BigQuery テーブルの行として扱います。各エクスポートにエクスポート タイムスタンプを割り当て、各行の追加列として添付します。エクスポート タイムスタンプ列を使用して BigQuery テーブルがパーティション分割されていることを確認します。

E. マネージド エクスポートを使用し、そのエクスポート専用に作成された BigQuery テーブルにデータをインポートし、一時エクスポート ファイルを削除します。

A. 処理されるデータの量を減らし、クエリ速度を向上します

B. 必要なストレージ量を削減し、クエリ速度を向上します

C. 処理されるデータの量を減らし、必要なストレージの量を減らします

D. クエリ速度が向上し、クエリがシンプルになります

A. フェデレーション データ ソースを使用し、SQL クエリでデータをチェックします。

B. gcloud CLI を使用してデータを BigQuery にインポートし、max_bad_records を 0 に設定します。

C. Google Cloud Dataflow バッチ パイプラインを実行してデータを BigQuery にインポートし、エラーを別のデッドレター テーブルにプッシュして分析します。

D. Google Stackdriver で BigQuery モニタリングを有効にし、アラートを作成します。

A. 基本階層 (4 GB 容量) の新しい Memorystore for Redis インスタンスを複数作成し、すべてのインスタンスを使用するように Dataflow パイプラインと新しいクライアントを変更します。

B. Memcached インスタンス用の新しい Memorystore を作成します。ノードを最低 3 つ設定し、ノードあたりのメモリを 4 GB に設定します。Dataflow パイプラインとすべてのクライアントを変更して、Memcached インスタンスを使用します。古いインスタンスを削除します。

C. 標準階層で新しい Memorystore for Redis インスタンスを作成します。容量を 5 GB に設定し、複数の読み取りレプリカを作成します。古いインスタンスを削除します。

D. 標準階層で新しい Memorystore for Redis インスタンスを作成します。容量を 4 GB に設定し、読み取りレプリカを読み取りレプリカなし (高可用性のみ) に設定します。古いインスタンスを削除します。

A. Cloud Composer で BigQueryUpsertTableOperator を使用し、再試行パラメータを 3 に設定し、email_on_failure パラメータを true に設定します。

B. 2 時間ごとに繰り返すスケジュール オプションを使用して SQL 変換を実行する BigQuery スケジュール クエリを作成し、Pub/Sub トピックへの通知を有効にします。Pub/Sub と Cloud Functions を使用して、3 回の末尾実行後にメールを送信します。

C. Cloud Composer で BigQuerylnsertJobOperator を使用し、再試行パラメータを 3 に設定し、email_on_failure パラメータを true に設定します。

D. 2 時間ごとに繰り返すスケジュール オプションを使用して SOL 変換を実行する BigQuery スケジュール クエリを作成し、電子メール通知を有効にします。

A. Apache Beam でジョブを書き換えます。Dataflow でジョブを実行します。

B. データを Cloud Storage に移動します。ジョブを Dataproc で実行します。

C. データを Compute Engine ディスクにコピーします。これらのインスタンスで直接ジョブを管理および実行します。

D. データを BigQuery に移動します。Spark スクリプトを SQL ベースの処理アプローチに変換します。

A. ハッシュバケットを作成する

B. 埋め込み列を作成する

C. ワンホット列を作成する

D. マルチホット列を作成する

A. の場合のみ

B. 1回

C. 前

D. 後