최신 Professional-Data-Engineer日本語 무료덤프 - Google Certified Professional Data Engineer Exam (Professional-Data-Engineer日本語版)

A. 標準SQLを使用してイベントの新しいビューを作成する

B. 標準SQLクエリを使用して新しいパーティションテーブルを作成します

C. 認証に使用するODBC接続のサービスアカウントを作成します

D. 標準SQLを使用してevents_partitionedの新しいビューを作成します。

E. ODBC 接続と共有「イベント」用の Google Cloud Identity and Access Management（Cloud IAM）ロールを作成します。

A. K-means クラスタリングを使用してピクセル内の顔を検出します。

B. 複数の隠し層を持つニューラル ネットワークを作成してディープラーニングを使用し、顔の特徴を自動的に検出します。

C. 特徴エンジニアリングを使用して、入力データに目、鼻、口の特徴を追加します。

D. ピクセルの入力層、隠し層、および 2 つのカテゴリの出力層を持つニューラル ネットワークを構築します。

A. データを BigQuery に読み込み、必要に応じて SQL を使用してデータを変換します。データ サイエンス チームにステージング テーブルへのアクセス権を付与して、生データを探索できるようにします。

B. データ サイエンス チームにDataflow へのアクセス権を付与し、生データを準備および検証し、データ探索のために BigQuery にデータをロードするパイプラインを作成します。

C. データ サイエンス チームに Dataprep へのアクセス権を付与し、Cloud Storage 内のデータを準備、検証、探索できるようにします。

D. BigQuery で外部テーブルを作成し、必要に応じて SQL を使用してデータを変換し、データ サイエンス チームに外部テーブルへのアクセス権を付与して生データを探索できるようにします。

A. CSV ファイルから新しいレコードを新しい BigQuery テーブルにインポートします。新しいレコードを既存のレコードとマージし、結果を新しい BigQuery テーブルに書き込む BigQuery ジョブを作成します。

B. BigQuery UPDATE DML ステートメントの制限内に収まるように、毎日更新されるレコードの数を減らします。

C. ソース CSV ファイルを Cloud Storage 内の小さな CSV ファイルに分割して、BigQuery ジョブあたりの BigQuery UPDATE DML ステートメントの数を減らします。

D. Google Cloud Platform Console の割り当て管理セクションで、BigQuery UPDATE DML ステートメントの制限を増やします。

A. Data Fusion を使用して ETL パイプラインを構築および実行する

B. Cloud Composer を使用してデータを読み込み、BigQuery ジョブ演算子を使用して SQL パイプラインを実行します。

C. Dataflow ジョブを使用して Pub/Sub からデータを読み取り、データを変換し、BigQuery に読み込みます。

D. Dataform を使用して、SQL パイプラインを構築、管理、スケジュールします。

A. ETL パイプラインでサポートされている暗号化ライブラリを使用して、取り込み中にデータを暗号化します。

B. Cloud KMS で顧客管理の暗号鍵 (CMEK) を作成します。テーブルの作成時に、キーをテーブルに関連付けます。

C. Cloud KMS で顧客管理の暗号鍵 (CMEK) を作成します。この鍵を使用して、BigQuery に保存する前にデータを暗号化します。

D. BigQuery にデータを保存するときに、関連データを使用した認証済み暗号化 (AEAD) BigQuery 関数を実装します。

A. Cloud Data Loss Prevention で匿名化ジョブを作成し、マスキング変換を使用します。

B. Cloud Data Loss Prevention を使用してデータセット内の各テーブルに対して詳細な検査ジョブを作成し、STREET_ADDRESS infoType を含む検査テンプレートを作成します。

C. データセット内のすべてのテーブルに対して REGEXP_CONTAINS を使用して BigQuery で SQL クエリを記述し、「street」という単語が出現する行を検索します。

D. Cloud Data Loss Prevention を使用して組織に検出スキャン構成を作成し、STREET_ADDRESS infoType を含む検査テンプレートを作成します。

A. ソースAPI

B. パルド

C. シンクAPI

D. データ抽出

A. プロジェクトごとに 1 つずつ、合計 2 つの Enterprise Edition 予約を作成します。SLA プロジェクトの場合は、ベースラインを 300 スロットに設定し、最大 500 スロットの自動スケーリングを有効にします。アドホック プロジェクトの場合は、予約ベースラインを 0 スロットに設定し、ignore_idle_slot3 フラグを False に設定します。

B. プロジェクトごとに 1 つずつ、合計 2 つの Enterprise Edition 予約を作成します。SLA プロジェクトの場合は、ベースラインを 800 スロットに設定します。アドホック プロジェクトの場合は、最大 200 スロットの自動スケーリングを有効にします。

C. プロジェクトごとに 1 つずつ、合計 2 つの予約を作成します。SLA プロジェクトでは、ベースラインが 300 スロットの Enterprise Edition を使用し、最大 500 スロットまでの自動スケーリングを有効にします。アドホック プロジェクトでは、オンデマンド課金を構成します。

D. 両方のプロジェクトに対して単一の Enterprise Edition 予約を作成します。ベースラインを 300 スロットに設定します。最大 700 スロットまでの自動スケーリングを有効にします。

A. クラスタープロパティを使用して構成ファイルを変更する

B. Cloud Deployment Manager を使用してクラスタを構成する

C. 初期化アクションを設定する

D. マスターノードにログインし、そこから変更を加える

A. フィルタリング手順を追加して、今後これらのタイプのエラーをスキップし、ログからエラーのある行を抽出します。

B. データを変換し、ログからエラーのある行を抽出する DoFn に try... catch ブロックを追加します。

C. データを変換する DoFn に try... catch ブロックを追加し、sideOutput を使用して、後で PubSub に保存できる PCollection を作成します。

D. データを変換する try... catch ブロックを DoFn に追加し、エラーのある行を DoFn から直接 PubSub に書き込みます。

A. レガシー SQL でクエリを記述した場合、標準 SQL で実行しようとするとエラーが発生する可能性があります。

B. BigQuery では標準 SQL が推奨されるクエリ言語です。

C. 各データセットのクエリ言語を設定する必要があります。デフォルトは標準 SQL です。

D. 2 つのクエリ言語の違いの 1 つは、完全修飾テーブル名 (つまり、関連付けられたプロジェクト名を含むテーブル名) を指定する方法です。

A. ストレージ、クエリ、データのエクスポート

B. ストレージ、クエリ、ストリーミング挿入

C. クエリとストリーミング挿入

D. ストレージ、クエリ、ファイルからのデータの読み込み

A. Cloud Dataflow にパーティション変換を追加して、有効なデータと破損したデータを分離します。

B. Cloud Dataflow に GroupByKey 変換を追加して、有効なデータをすべてグループ化し、残りを破棄します。

C. 破損した要素を破棄するには、Cloud Dataflow に ParDo 変換を追加します。

D. 要素が破損している場合にブール値を返す SideInput を追加します。

A. BigOuery を使用してデータ系統を追跡し、Dataprep を使用してデータを管理し、データ品質の検証を実行します。

B. 新しいソースのオンボーディングとデータ系統の追跡に役立つ新しいデータ検出ツールを Google Kubernetes Engine 上に構築します。

C. Dataplex を使用して、データを管理し、データ系統を追跡し、データ品質の検証を実行します。

D. BigLake を使用して、現在のソリューションをデータ レイク アーキテクチャに変換します。

A. パーティションの最終年を指定するためのフィルター句を含む、ベース テーブル データを集計する新しいテーブルを作成します。スケジュールされたクエリを設定して、1 時間ごとに新しいテーブルを再作成します。

B. ベース テーブル データを集計するビューを作成します。パーティションの最終年を指定するためのフィルター句を含めます。

C. ベース テーブル データを集計するマテリアライズド ビューを作成します。ベース テーブルでパーティションの有効期限を構成して、過去 1 年間のパーティションのみを保持します。

D. パーティションの過去 1 年間を指定するフィルター句を含む、ベース テーブル データを集計するマテリアライズド ビューを作成します。

A. ローン申請者とそのソーシャル プロファイルを照合して、機能エンジニアリングを有効にします。

B. データから偏りを取り除き、融資が拒否された申請を収集します。

C. 線形回帰をトレーニングして、信用デフォルトリスクスコアを予測します。

D. 追加データを収集してデータセットのサイズを増やします。

A. ストレージには Cloud Bigtable を使用します。クエリ用に BigQuery の永続テーブルとしてリンクします。

B. ストレージには Cloud Bigtable を使用します。Cloud Bigtable データをクエリするには、Compute Engine インスタンスに HBase シェルをインストールします。

C. ストレージには Cloud Storage を使用します。クエリ用に BigQuery の一時テーブルとしてリンクします。

D. ストレージには Cloud Storage を使用します。クエリ用に BigQuery の永続テーブルとしてリンクします。

A. Dataflow と Cloud KMS を使用して機密フィールドを暗号化し、暗号化されたデータを BigQuery に書き込みます。最小権限の原則に従って暗号化キーを共有します。

B. Dataflow と Cloud Data Loss Prevention API を使用して機密データをマスクします。処理されたデータを BigQuery に書き込みます。

C. Cloud Data Loss Prevention API と Dataflow を使用して、Cloud Storage のデータから機密フィールドを検出して削除します。フィルタリングされたデータを BigQuery に書き込みます。

D. 顧客管理の暗号鍵 (CMEK) を使用して、Cloud Storage 内のデータを直接暗号化します。BigQuery からの連携クエリを使用します。最小権限の原則に従って暗号鍵を共有します。

A. クラウド ビッグテーブル

B. クラウド データストア

C. クラウドSQL

D. ビッグクエリ