무료 Google 전문가-데이터 엔지니어 시험 문제 및 답변 [Q75-Q99] 준비를 위한 궁극적 인 가이드

4.5/5 - (6 투표)

무료 Google 전문가-데이터 엔지니어 시험 문제 및 답변 준비를 위한 궁극의 가이드

합격 구글 전문가-데이터 엔지니어 테스트 엔진 pdf - 모든 무료 덤프

Google 전문 데이터 엔지니어 시험의 기능적 및 기술적 측면 이해 데이터 처리 시스템 구축 및 운영

여기서 설명하는 내용은 다음과 같습니다:

파이프라인 모니터링
스토리지 비용 및 성능
처리 인프라 구축 및 운영
마이그레이션 유효성 검사
변환
데이터 수집 및 가져오기
리소스 프로비저닝
배치 및 스트리밍
새로운 데이터 원본과 통합
데이터 처리 시스템 구축 및 운영
테스트 및 품질 관리
데이터의 수명 주기 관리
스토리지 시스템 구축 및 운영
관리형 서비스(Cloud Bigtable, Cloud Spanner, Cloud SQL, BigQuery, Cloud Storage, Cloud Datastore, Cloud Memorystore)의 효과적인 사용
파이프라인 조정
파이프라인 구축 및 운영
현재 상태에 대한 인식 및 디자인을 미래 상태로 마이그레이션하는 방법

Google 전문 데이터 엔지니어 시험의 기능적, 기술적 측면 이해 솔루션 품질 보장하기

여기서 설명하는 내용은 다음과 같습니다:

확인 및 모니터링
확장성 및 효율성 보장
개인정보 보호 보장(예: 데이터 손실 방지 API)
리소스 크기 조정 및 자동 확장
데이터 및 애플리케이션 이동성을 위한 설계(예: 멀티 클라우드, 데이터 상주 요구 사항)
데이터 보안(암호화, 키 관리)
산성, 무력, 궁극적으로 일관된 요구 사항 중에서 선택
파이프라인 모니터링(예: 스택드라이버)
신뢰성 및 충실성 보장
법률 준수(예: 의료정보 이동 및 책임에 관한 법률(HIPAA), 아동 온라인 개인정보 보호법(COPPA), FedRAMP, 일반 데이터 보호 규정(GDPR))
유연성 및 휴대성 보장

Q75. 이미지 인식 영역에서 틈새 제품을 개발하고 있습니다. 팀에서 구현한 사용자 지정 C++ TensorFlow 연산이 지배하는 모델을 개발했습니다. 이러한 연산은 기본 훈련 루프 내에서 사용되며 대용량 행렬 곱셈을 수행합니다. 현재 모델을 훈련하는 데 최대 며칠이 걸립니다. Google Cloud의 가속기를 사용하여 이 시간을 크게 단축하고 비용을 낮추고 싶습니다. 어떻게 해야 하나요?

코드를 추가로 조정하지 않고도 클라우드 TPU를 사용할 수 있습니다.

세관 운영을 위해 GPU 커널 지원을 구현한 후 클라우드 TPU를 사용하세요.

세관 업무에 GPU 커널 지원을 구현한 후 클라우드 GPU를 사용하세요.

CPU를 계속 사용하고 모델을 학습시키는 클러스터의 크기를 늘립니다.

Q76. 회사에서 WHILECARD 테이블을 사용하여 이름이 비슷한 여러 테이블의 데이터를 쿼리하고 있습니다. 현재 다음 오류와 함께 SQL 문이 실패하고 있습니다:
# 구문 오류 : 문 끝이 예상되었으나 [4:11]에서 "-"가 발생했습니다] SELECT age FROM bigquery-public-data.noaa_gsod.gsod WHERE age != 99 AND_TABLE_SUFFIX = `1929′ ORDER BY age DESC 어떤 테이블 이름이 SQL 문을 올바르게 작동시킬 수 있나요?

bigquery-public-data.noaa_gsod.gsod`

bigquery-public-data.noaa_gsod.gsod*

bigquery-public-data.noaa_gsod.gsod'*

`bigquery-public-data.noaa_gsod.gsod*`

Q77. Google Cloud에서 10TB 데이터베이스의 일부인 두 개의 관계형 테이블을 위한 스토리지를 설계하고 있습니다. 수평으로 확장되는 트랜잭션을 지원하려고 합니다. 또한 키가 아닌 열에 대한 범위 쿼리를 위해 데이터를 최적화하려고 합니다. 어떻게 해야 할까요?

저장소에 Cloud SQL을 사용합니다. 쿼리 패턴을 지원하기 위해 보조 인덱스를 추가합니다.

Cloud SQL을 스토리지에 사용하세요. Cloud 데이터흐름을 사용하여 쿼리 패턴을 지원하도록 데이터를 변환하세요.

클라우드 스패너를 스토리지에 사용하세요. 쿼리 패턴을 지원하기 위해 보조 인덱스를 추가합니다.

클라우드 스패너를 스토리지에 사용하세요. Cloud 데이터흐름을 사용하여 쿼리 패턴을 지원하도록 데이터를 변환하세요.

Q78. 회사의 비즈니스 소유자가 은행 거래 데이터베이스를 제공했습니다. 각 행에는
사용자 ID, 거래 유형, 거래 위치, 거래 금액 등입니다. 다음 사항을 조사하도록 요청합니다.
유형의 머신 러닝을 데이터에 적용할 수 있습니다. 어떤 세 가지 머신 러닝 애플리케이션을 사용할 수 있나요?
사용하시겠습니까? (3개 선택)

지도 학습을 통해 사기 가능성이 가장 높은 거래를 판단합니다.

비지도 학습을 통해 사기 가능성이 가장 높은 거래를 판단합니다.

클러스터링은 기능 유사성을 기준으로 트랜잭션을 N개의 카테고리로 나눕니다.

거래 위치를 예측하는 지도 학습.

강화 학습을 통해 거래 위치를 예측합니다.

거래의 위치를 예측하는 비지도 학습.

Q79. 현재 온프레미스 Apache Hadoop 배포를 클라우드로 마이그레이션할 계획입니다. 장기간 실행되는 배치 작업에 대해 배포가 가능한 한 내결함성 및 비용 효율적이어야 합니다. 관리형 서비스를 사용하려고 합니다. 어떻게 해야 하나요?

Cloud Dataproc 클러스터를 배포합니다. 표준 영구 디스크와 50% 선점 가능한 워커를 사용합니다. 클라우드 스토리지에 데이터를 저장하고, 스크립트에서 참조를 hdfs://에서 gs://로 변경합니다.

클라우드 데이터프록 클러스터를 배포합니다. SSD 영구 디스크와 50% 선점 가능한 워커를 사용합니다. 클라우드 스토리지에 데이터를 저장하고, 스크립트에서 참조를 hdfs://에서 gs://로 변경합니다.

표준 인스턴스가 있는 10노드 컴퓨팅 엔진 인스턴스 그룹에 Hadoop 및 Spark를 설치합니다. 클라우드 스토리지 커넥터를 설치하고 클라우드 스토리지에 데이터를 저장합니다. 스크립트에서 참조를 hdfs://에서 gs://로 변경합니다.

선점 가능한 인스턴스가 있는 10노드 컴퓨팅 엔진 인스턴스 그룹에 Hadoop 및 Spark를 설치합니다.
데이터를 HDFS에 저장합니다. 스크립트에서 참조를 hdfs://에서 gs://로 변경합니다.

Q80. 다음 중 레거시 SQL 및 표준 SQL에 대한 설명 중 사실이 아닌 것은?

표준 SQL은 BigQuery에서 선호하는 쿼리 언어입니다.

레거시 SQL로 쿼리를 작성한 경우 표준 SQL로 실행하려고 하면 오류가 발생할 수 있습니다.

두 쿼리 언어의 한 가지 차이점은 정규화된 테이블 이름(즉, 연결된 프로젝트 이름이 포함된 테이블 이름)을 지정하는 방식입니다.

각 데이터 집합에 대해 쿼리 언어를 설정해야 하며 기본값은 표준 SQL입니다.

Q81. BigQuery에서 비정규화된 데이터 구조를 사용하면 어떤 두 가지 이점이 있나요?

처리되는 데이터의 양을 줄이고 필요한 스토리지의 양을 줄입니다.

쿼리 속도 향상, 쿼리 간소화

필요한 스토리지 용량 감소, 쿼리 속도 향상

처리되는 데이터의 양을 줄이고 쿼리 속도를 높입니다.

Q82. 머신 러닝 데이터 세트를 학습 데이터와 테스트 데이터로 분리해야 하는 이유는 무엇인가요?

따라서 두 가지 다른 기능 세트를 사용해 볼 수 있습니다.

모델이 학습 데이터 이상으로 일반화되었는지 확인하려면 다음과 같이 하세요.

코드에서 단위 테스트를 만들 수 있도록 하려면 다음과 같이 하세요.

따라서 하나의 데이터 집합을 와이드 모델에 사용하고 다른 데이터 집합을 딥 모델에 사용할 수 있습니다.

Q83. Cloud Bigtable용 _________ 을 사용하면 Cloud 데이터 흐름 파이프라인에서 Cloud Bigtable을 사용할 수 있습니다.

클라우드 데이터 흐름 커넥터

DataFlow SDK

BiqQuery API

BigQuery 데이터 전송 서비스

Q84. 조직 샘플에 대한 정보 데이터베이스를 사용하여 향후 조직 샘플을 정상 또는 돌연변이로 분류하려고 합니다. 조직 샘플을 분류하기 위한 비지도 이상 탐지 방법을 평가하고 있습니다. 이 방법을 지원하는 두 가지 특성은 무엇입니까? (두 가지를 선택하세요.)

일반 샘플에 비해 돌연변이 발생 빈도는 매우 적습니다.

데이터베이스에는 정상 샘플과 돌연변이 샘플이 거의 동일하게 존재합니다.

향후 돌연변이는 데이터베이스의 돌연변이 샘플과 다른 특징을 가질 것으로 예상합니다.

향후 돌연변이는 데이터베이스의 돌연변이 샘플과 유사한 특징을 가질 것으로 예상합니다.

이미 데이터베이스에 돌연변이가 있는 샘플과 정상 샘플에 대한 레이블이 있습니다.

Q85. BigQuery 테이블을 데이터 싱크로 사용하려고 합니다. 어떤 쓰기 모드에서 BigQuery를 싱크로 사용할 수 있나요?

배치 및 스트리밍 모두

BigQuery를 싱크로 사용할 수 없습니다.

일괄 처리만

스트리밍만

Q86. 금융 서비스 회사가 클라우드 기술로 전환하면서 50TB의 금융 시계열 데이터를 클라우드에 저장하려고 합니다. 이 데이터는 자주 업데이트되며 새로운 데이터가 항상 스트리밍으로 들어옵니다. 또한 이 데이터에 대한 인사이트를 얻기 위해 기존 Apache Hadoop 작업을 클라우드로 옮기고자 합니다.
데이터를 저장하는 데 어떤 제품을 사용해야 하나요?

클라우드 빅테이블

구글 빅쿼리

Google 클라우드 스토리지

Google 클라우드 데이터스토어

Q87. 다음 중 데이터플로우가 지원하는 세 가지 주요 트리거 유형 중 하나가 아닌 것은 무엇인가요?

요소 크기(바이트)에 따라 트리거

다른 트리거의 조합인 트리거

요소 수에 따라 트리거

시간을 기준으로 트리거

Q88. 부동산 매물이 포함된 사용 가능한 데이터 집합을 기반으로 주택 가격을 예측하는 모델을 훈련하고 있습니다.
완전히 연결된 신경망을 훈련할 계획인데, 데이터 세트에 부동산의 위도와 경도가 포함되어 있다는 사실을 발견했습니다. 부동산 전문가로부터 부동산의 위치가 가격에 큰 영향을 미친다는 말을 들었으므로 이러한 물리적 의존성을 통합하는 기능을 설계하고 싶다고 가정해 보겠습니다.
어떻게 해야 하나요?

위도와 경도를 신경망의 입력 벡터로 제공합니다.

위도와 경도의 피처 크로스로 숫자 열을 만듭니다.

위도와 경도의 피처 크로스를 생성하고, 분 단위로 버킷화하며, 최적화 중에 L1 정규화를 사용합니다.

위도와 경도의 피처 크로스를 생성하고, 분 단위로 버킷화하여 최적화하는 동안 L2 정규화를 사용합니다.

Q89. 배송을 위해 배송 라인에서 패키지를 이동시키는 물류 센터가 있는 배송 회사에서 일하고 있습니다. 이 회사는 배송 라인에 카메라를 추가하여 운송 중인 패키지의 시각적 손상을 감지하고 추적하고자 합니다. 패키지가 운송되는 동안 손상된 패키지를 자동으로 감지하고 사람이 실시간으로 검토할 수 있도록 플래그를 지정하는 방법을 만들어야 합니다. 어떤 솔루션을 선택해야 할까요?

BigQuery 머신 러닝을 사용하면 대규모로 모델을 학습시킬 수 있으므로 패키지를 일괄적으로 분석할 수 있습니다.

이미지 코퍼스에서 AutoML 모델을 학습하고 해당 모델을 중심으로 API를 구축하여 패키지 추적 애플리케이션과 통합하세요.

클라우드 비전 API를 사용하여 손상을 감지하고 클라우드 기능을 통해 경고를 발생시키세요. 패키지 추적 애플리케이션을 이 기능과 통합하세요.

TensorFlow를 사용해 이미지 말뭉치에 대해 학습된 모델을 만듭니다. 이 모델을 사용하여 손상된 패키지를 분석할 수 있도록 Cloud Datalab에서 Python 노트북을 만듭니다.

Q90. 세 곳의 클리닉에서 수백 명의 환자를 대상으로 하는 파일럿 프로젝트로 환자 기록용 데이터베이스를 설계했습니다.
설계에서는 단일 데이터베이스 테이블을 사용하여 모든 환자와 환자의 방문을 나타내고, 자체 조인을 사용하여 보고서를 생성했습니다. 서버 리소스 사용률은 50%였습니다. 그 이후로 프로젝트의 범위가 확장되었습니다.
이제 데이터베이스에 100배 더 많은 환자 기록을 저장해야 합니다. 너무 오래 걸리거나 컴퓨팅 리소스가 부족하여 오류가 발생하여 더 이상 보고서를 실행할 수 없습니다. 데이터베이스 설계를 어떻게 조정해야 하나요?

데이터베이스 서버에 용량(메모리 및 디스크 공간)을 200 단위로 추가합니다.

날짜 범위에 따라 테이블을 더 작은 테이블로 분할하고 미리 지정된 날짜 범위의 보고서만 생성합니다.

마스터 환자-기록 테이블을 환자 테이블과 방문 테이블로 정규화하고, 자체 조인을 방지하기 위해 필요한 다른 테이블을 생성합니다.

각 클리닉에 하나씩 테이블을 더 작은 테이블로 분할합니다. 더 작은 테이블 쌍에 대해 쿼리를 실행하고 통합 보고서에는 유니온을 사용합니다.

Q91. Cloud Pub/Sub 토픽에서 메시지를 수신하고 그 결과를 EU의 BigQuery 데이터 집합에 쓰는 Cloud Dataflow에서 파이프라인을 실행하고 있습니다. 현재 파이프라인은 europe-west4에 있으며 최대 3개의 작업자가 있고 인스턴스 유형은 n1-standard-1입니다. 작업자 3명이 모두 최대 CPU 사용률을 사용하는 피크 기간 동안 파이프라인이 적시에 레코드를 처리하는 데 어려움을 겪고 있는 것을 발견했습니다. 파이프라인의 성능을 향상시키기 위해 취할 수 있는 두 가지 조치는 무엇인가요? (두 가지를 선택하세요.)

최대 작업자 수 증가

클라우드 데이터 흐름 워커에 더 큰 인스턴스 유형 사용

Cloud 데이터 흐름 파이프라인의 영역을 us-central1에서 실행되도록 변경하기1

새 데이터의 버퍼 역할을 할 임시 테이블을 Cloud Bigtable에 만듭니다. 파이프라인에서 먼저 이 테이블에 쓰기 위한 새 단계를 만든 다음, Cloud Bigtable에서 BigQuery로 쓰기 위한 새 파이프라인을 만듭니다.

새 데이터의 버퍼 역할을 할 임시 테이블을 Cloud Spanner에 만듭니다. 파이프라인에서 먼저 이 테이블에 쓰기 위한 새 단계를 만든 다음, Cloud Spanner에서 BigQuery로 쓰기 위한 새 파이프라인을 만듭니다.

Q92. 회사의 온프레미스 Apache Hadoop 서버의 수명이 다가오고 있으며, IT 부서는 클러스터를 Google Cloud Dataproc으로 마이그레이션하기로 결정했습니다. 클러스터를 유사하게 마이그레이션하려면 노드당 50TB의 Google 퍼시스턴트 디스크가 필요합니다. CIO는 그렇게 많은 블록 스토리지를 사용하는 데 드는 비용이 걱정됩니다.
마이그레이션의 스토리지 비용을 최소화하고 싶습니다. 어떻게 해야 할까요?

데이터를 Google 클라우드 스토리지에 넣습니다.

클라우드 데이터프록 클러스터에 선점 가능한 가상 머신(VM)을 사용하세요.

모든 데이터에 충분한 디스크가 확보되도록 Cloud Dataproc 클러스터를 조정하세요.

일부 콜드 데이터는 Google 클라우드 스토리지로 마이그레이션하고 핫 데이터만 영구 디스크에 보관하세요.

Q93. 날씨 앱은 15분마다 데이터베이스를 쿼리하여 현재 기온을 가져옵니다. 프런트엔드는 Google 앱 엔진으로 구동되며 수백만 명의 사용자를 서버로 지원합니다. 데이터베이스 장애에 대응하기 위해 프론트엔드를 어떻게 설계해야 할까요?

명령을 실행하여 데이터베이스 서버를 다시 시작합니다.

최대 15분까지 지수 백오프를 사용하여 쿼리를 다시 시도합니다.

데이터가 다시 온라인 상태가 될 때까지 매초마다 쿼리를 다시 시도하여 데이터 유실을 최소화하세요.

데이터베이스가 다시 온라인 상태가 될 때까지 쿼리 빈도를 1시간에 한 번으로 줄이세요.

Q94. 클라우드 빅테이블 노드에 장애가 발생하면 ____ 이 손실됩니다.

모든 데이터

데이터 없음

마지막 거래

시간 차원

Q95. 빅테이블 클러스터의 특정 노드에서 불균형적인 수의 읽기 및/또는 쓰기를 유발할 가능성이 있는 행 키는 무엇입니까(답 2개 선택)?

순차적 숫자 ID

타임스탬프와 주식 기호

순차적이지 않은 숫자 ID

주식 기호 뒤에 타임스탬프

Q96. 아래에 표시된 것과 같은 고객 데이터를 분석하기 위해 Google의 데이터 흐름 SDK를 사용하려고 합니다. 프로젝트 요구 사항은 데이터 소스에서 고객 이름만 추출한 다음 출력 PCollection에 쓰는 것입니다.
Tom,555 X 거리
팀, 553 Y 거리
샘, 111 Z 거리
위의 데이터 처리 요구 사항에 가장 적합한 작업은 무엇인가요?

ParDo

싱크 API

소스 API

데이터 추출

Q97. 빅테이블 클러스터의 특정 노드에서 불균형적인 수의 읽기 및/또는 쓰기를 유발할 가능성이 있는 행 키는 무엇입니까(답 2개 선택)?

순차적 숫자 ID

타임스탬프와 주식 기호

순차적이지 않은 숫자 ID

주식 기호 뒤에 타임스탬프

Q98. 광고 회사에서 근무하며 광고 블록에서 클릭률을 예측하는 Spark ML 모델을 개발했습니다. 온프레미스 데이터 센터에서 모든 것을 개발해 왔는데 이제 회사를 Google Cloud로 마이그레이션하려고 합니다. 데이터 센터가 BigQuery로 마이그레이션됩니다. 주기적으로 Spark ML 모델을 재학습하므로 기존 학습 파이프라인을 Google Cloud로 마이그레이션해야 합니다. 어떻게 해야 하나요?

기존 Spark ML 모델 학습에 Cloud ML 엔진 사용

TensorFlow에서 모델을 다시 작성하고 Cloud ML 엔진 사용 시작하기

기존 Spark ML 모델 학습에는 Cloud Dataproc을 사용하되, BigQuery에서 직접 데이터를 읽기 시작하세요.

컴퓨트 엔진에서 Spark 클러스터를 스핀업하고, BigQuery에서 내보낸 데이터로 Spark ML 모델을 훈련합니다.

Q99. 쉼표로 구분된 값(CSV) 파일에서 Google
빅쿼리 테이블 CLICK_STREAM. 열 DT는 클릭 이벤트의 에포크 시간을 저장합니다. 편의를 위해
에서 모든 필드가 문자열 유형으로 처리되는 간단한 스키마를 선택했습니다. 이제 다음을 계산하려고 합니다.
사이트를 방문하는 사용자의 웹 세션 지속 시간을 측정하고 해당 데이터 유형을
타임스탬프. 향후 쿼리를 계산적으로 수행하지 않고 마이그레이션 작업을 최소화하려는 경우
비싸다. 어떻게 해야 하나요?

CLICK_STREAM 테이블을 삭제한 다음 TIMESTAMP의 열 DTis가 되도록 다시 생성합니다.
유형을 입력합니다. 데이터를 다시 로드합니다.

클릭 스트림 테이블에 시간 스탬프 유형의 열 TS를 추가하고 숫자
열의 값을 각 행에 대해 참조합니다. 이제부터 DT열 대신 TS열을 참조합니다.
켜기.

열 DT의 문자열이 TIMESTAMP값으로 캐스팅되는 CLICK_STREAM_V 뷰를 만듭니다.
이제부터는 CLICK_STREAM 테이블 대신 CLICK_STREAM_V 뷰를 참조하세요.

테이블에 두 개의 열을 추가합니다: TIMESTAMP 타입의 TS와
부울 유형. 추가 모드에서 모든 데이터를 다시 로드합니다. 추가된 각 행에 대해 IS_NEWto
참입니다. 향후 쿼리에서는 WHERE절과 함께 DT 열 대신 TS 열을 참조합니다.
의 값이 참이어야 합니다.

클릭 스트림 테이블의 모든 행을 반환하는 쿼리를 작성하고 기본 제공 함수를 사용하여 다음을 수행합니다.
열의 문자열을 DTint에서 TIMESTAMPvalues로 캐스팅합니다. 대상 테이블로 쿼리를 실행합니다.
NEW_CLICK_STREAM, 여기서 열 TS는 타임스탬프 유형입니다. 테이블을 참조하세요.
이제부터는 CLICK_STREAM 테이블 대신 NEW_CLICK_STREAM을 사용합니다. 앞으로 새로운 데이터는
테이블에 로드된 NEW_CLICK_STREAM.