HOME
Google Cloud Professional Machine Learning Engineer

「Google Cloud Professional Machine Learning Engineer」の記事一覧

次元削減を行い、高次元データの構造を維持したまま2次元や3次元に投影して可視化する手法はどれか。

t-SNEは複雑な高次元データを可視化に適した低次元にマッピングする代表的なアルゴリズムです。

2026年3月11日

AutoML Tablesにおいて、モデルが最も重視した特徴量を特定するための指標はどれか。

Feature Importance（特徴量の重要度）は各変数が予測結果にどの程度寄与したかを示します。

2026年3月11日

モデルの公平性を評価するために、特定のグループ間での予測結果の差異を確認できるツールはどれか。

What-If Toolを使用するとデータのバイアスやモデルの公平性指標を視覚的に分析できます。

2026年3月11日

時系列予測において、過去のデータから周期性やトレンドを自動的に抽出するGoogle Cloudのモデルはどれか。

ARIMA+は時系列データの季節性やトレンド、異常値を自動的に処理する強力なアルゴリズムです。

2026年3月11日

Vertex AI Feature Store（第2世代）において、オンライン推論用にデータを低レイテンシで提供する基盤はどれか。

第2世代のFeature StoreはBigQueryを基盤とし、オンラインサービングには高性能なストレージが利用されま…

2026年3月11日

Cloud Storage上の大量のCSVファイルをBigQueryにロードせずに直接クエリする機能はどれか。

外部テーブルを使用するとデータを移動させることなくCloud Storage上のファイルを直接参照できます。

2026年3月11日

非常に大規模なデータセットに対して分散トレーニングを行う際、パラメータの同期を管理する仕組みはどれか。

Parameter Serverは分散学習において各ワーカーの勾配を集約し重みを更新・配布する役割を担います。

2026年3月11日

継続的トレーニング（CT）を実現するために、パイプラインをトリガーする最も一般的な要因はどれか。

モデルの予測精度が閾値を下回った際にパイプラインを再実行することでモデルの鮮度を保ちます。

2026年3月11日

BigQueryの大きなテーブルを結合する際、パフォーマンスを最適化するために推奨される手法はどれか。

パーティションとクラスタリングはスキャンされるデータ量を減らしクエリ効率を劇的に向上させます。

2026年3月11日

モデルの解釈性を高めるために、特定の予測に対する特徴量の影響度を算出するVertex AIの機能はどれか。

Vertex Explainable AIはSHAPやIntegrated Gradientsを用いて特徴量の寄与度を可視化します。

2026年3月11日