• ホーム
  • ブログ
  • [2026年最新] 高合格率な最新Professional-Data-Engineer日本語テストノートとProfessional-Data-Engineer日本語高合格率な試験ガイドを試そう [Q104-Q126]

[2026年最新] 高合格率な最新Professional-Data-Engineer日本語テストノートとProfessional-Data-Engineer日本語高合格率な試験ガイドを試そう [Q104-Q126]

Share

[2026年最新] 高合格率な最新Professional-Data-Engineer日本語テストノートとProfessional-Data-Engineer日本語高合格率な試験ガイドを試そう

Professional-Data-Engineer日本語実際の問題アンサーPDFには100%カバーリアル試験問題

質問 # 104
あなたはデータ ガバナンス チームに所属しており、リソースをデプロイするためのセキュリティ要件を実装しています。リソースが europe-west 3 リージョンのみに制限されていることを確認する必要があります。Google が推奨するプラクティスに従う必要があります。どうすればよいですか?

  • A. 制約/gcp. resourceLocations 組織ポリシー制約を in: europe-west3-locations に設定します。
  • B. 作成されたすべてのリソースを監視し、europe-west3 リージョン外で作成されたリソースを自動的に破棄する Cloud Functions を作成します。
  • C. Terraform を使用してリソースをデプロイし、変数検証ルールを実装して、すべてのリソースのリージョンが europe-west3 リージョンに設定されていることを確認します。
  • D. 制約/gcp. resourceLocations 組織ポリシー制約を in:eu-locations に設定します。

正解：A

解説：
To ensure that resources are limited to only the europe-west3 region, you should set the organization policy constraint constraints/gcp.resourceLocations to in:europe-west3-locations. This policy restricts the deployment of resources to the specified locations, which in this case is the europe-west3 region. By setting this policy, you enforce location compliance across your Google Cloud resources, aligning with the best practices for data governance and regulatory compliance.
References:
ProfessionalData Engineer Certification Exam Guide | Learn - Google Cloud1.
Preparing for GoogleCloud Certification: Cloud Data Engineer2.
Professional Data Engineer Certification | Learn | Google Cloud3.
3: Professional Data Engineer Certification | Learn | Google Cloud 2: Preparing for Google Cloud Certification: Cloud Data Engineer 1: Professional Data Engineer Certification Exam Guide | Learn - Google Cloud


質問 # 105
あなたは銀行で働いています。すでに承認されたローン申請に関する情報と、これらの申請が不履行になったかどうかを含むラベル付きデータセットがあります。あなたは、融資申請者の不履行率を予測するモデルをトレーニングするように依頼されました。
何をすべきでしょうか?

  • 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. 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。
  • C. 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。
  • D. 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。

正解：B


質問 # 106
BigQuery Web UI から実行できる操作はどれですか?

  • A. SQL 形式でファイルをアップロードします。
  • B. ネストされたフィールドと繰り返しフィールドを含むデータをロードします。
  • C. 20 MB のファイルをアップロードします。
  • D. ワイルドカードを使用して複数のファイルをアップロードします。

正解：B

解説：
You can load data with nested and repeated fields using the Web UI.
You cannot use the Web UI to:
- Upload a file greater than 10 MB in size
- Upload multiple files at the same time
- Upload a file in SQL format
All three of the above operations can be performed using the "bq" command.
Reference: https://cloud.google.com/bigquery/loading-data


質問 # 107
米国リージョンにあるすべてのデータを使用して、Google Cloud 上の BigQuery にリレーショナル データを保存して分析します。また、米国リージョンの Microsoft Azure とアマゾン ウェブ サービス (AWS) にもさまざまなオブジェクト ストアがあります。データの移動をできるだけ少なくして、BigQuery 内のすべてのデータを毎日クエリしたいと考えています。あなたは何をするべきか？

  • A. BigQuery Data Transfer Service を使用して、Azure および AWS から BigQuery にファイルを読み込みます。
  • B. Cloud Shell gautil rsync 引数を使用して、AWS および Azure から Cloud Storage にファイルを読み込みます。
  • C. Azure および AWS から BigQuery にファイルを取り込むための Dataflow パイプラインを作成します。
  • D. BigQuery Omni 機能と BigLake テーブルを使用して、Azure と AWS 内のファイルをクエリします。

正解：C

解説：
BigQuery Omni is a multi-cloud analytics solution that lets you use the BigQuery interface to analyze data stored in other public clouds, such as AWS and Azure, without moving or copying the data. BigLake tables are a type of external table that let you query structured data in external data stores with access delegation. By using BigQuery Omni and BigLake tables, you can query data in AWS and Azure object stores directly from BigQuery, with minimal data movement and consistent performance. Reference:
1: Introduction to BigLake tables
2: Deep dive on how BigLake accelerates query performance
3: BigQuery Omni and BigLake (Analytics Data Federation on GCP)


質問 # 108
Cloud Machine Learning Engine の CUSTOM 層では、どのタイプのクラスタ ノードの数を指定できますか?

  • A. マスター、ワーカー、パラメータサーバー
  • B. パラメータサーバー
  • C. 労働者
  • D. ワーカーとパラメータサーバー

正解：D

解説：
The CUSTOM tier is not a set tier, but rather enables you to use your own cluster specification. When you use this tier, set values to configure your processing cluster according to these guidelines:
You must set TrainingInput.masterType to specify the type of machine to use for your master node.
You may set TrainingInput.workerCount to specify the number of workers to use.
You may set TrainingInput.parameterServerCount to specify the number of parameter servers to use.
You can specify the type of machine for the master node, but you can't specify more than one master node.
Reference: https://cloud.google.com/ml-engine/docs/training-overview#job_configuration_parameters


質問 # 109
市内の建設現場付近に設置された数百個のセンサーから騒音レベルデータを取り込むストリーミング Dataflow パイプラインを構築しています。センサーは10秒ごとに騒音レベルを測定し、レベルが70 dBAを超えるとデータをパイプラインに送信します。センサーから30分以上データが受信されたときに平均騒音レベルを検出する必要がありますが、15分間データが受信されなかった時点でウィンドウが終了します。どうすればよいでしょうか？

  • A. 15 分間のウィンドウと 30 分の周期でホッピング ウィンドウを使用します。
  • B. 15 分のギャップ期間を持つセッション ウィンドウを使用します。
  • C. 15 分間のウィンドウと 15 分のタンブリング ウィンドウを使用します。withAllowedLateness 演算子。
  • D. 30 分間のギャップ期間を持つセッション ウィンドウを使用します。

正解：B

解説：
The key requirements for the windowing strategy are:
* A window groups data for a specific sensor.
* A window should contain data spanningat least30 minutes ("duration of more than 30 minutes" implies activity for this period).
* A window for a sensorendswhen no data has been received from that sensor for 15 minutes (this is a gap).
This scenario perfectly describessession windows.
* Session Windows:Session windows group elements (per key, e.g., per sensor ID) that arrive within a certain "gap duration" of each other. A new session starts if data for a key arrives after the gap duration has passed since the last data point for that key.
* In this case, if data stops arriving for a sensor for 15 minutes, the current session for that sensor closes. This matches "the window ends when no data has been received for 15 minutes."
* The "duration of more than 30 minutes" requirement is a condition you would applyafterthe session window closes. You'd calculate the duration of the data within the closed session window and only compute the average if that session's duration (span of event times within it) exceeds 30 minutes.
Session windows themselves don't have a fixed duration; their duration is determined by data activity and the gap.
Let's analyze why other options are less suitable:
* A (Hopping windows with a 15-minute window, and a thirty-minute period):Hopping windows have a fixed size and a fixed period. They create overlapping windows. This doesn't align with the dynamic nature of sessions ending based on inactivity. A 30-minute period with a 15-minute window means windows like [0:00-0:15], [0:15-0:30], [0:30-0:45]. If activity is continuous, a 30-minute activity span would be covered, but the window closing is not based on a 15-minute gap of inactivity.
* B (Tumbling windows with a 15-minute window and a fifteen-minute .withAllowedLateness operator):Tumbling windows are fixed-size, non-overlapping windows. .withAllowedLateness deals with late data arriving for a window that has already passed its end time, not with defining the window based on activity gaps.
* C (Session windows with a 30-minute gap duration):This would mean a session ends only if there's a
30-minute gap of inactivity. The requirement is a 15-minute gap.
Therefore, session windows with a 15-minute gap duration (Option D) correctly model the requirement for windows to close after 15 minutes of inactivity from a sensor. The subsequent filtering for sessions lasting more than 30 minutes is a downstream operation.
Reference:
Apache Beam Programming Guide > Windowing > Windowing functions > Session windows. "Session windowing assigns elements to windows that represent sessions of activity. A session window starts when the first element arrives for a key. If another element arrives for that key within the specified gap duration, that element is included in the existing session window. If an element arrives after the gap duration, a new session window starts for that element... Session windows are useful for data that is irregularly distributed with respect to time, such as user activity data." This directly matches the sensor data behavior: data arrives when noise is high, and a period of no data for 15 minutes should close the analysis window for that sensor.


質問 # 110
Google Data Studio 360 で、大規模なチーム向けの新しいレポートを作成します。レポートでは、データ ソースとして Google BigQuery を使用します。会社のポリシーでは、従業員が自分の地域に関連付けられたデータのみを表示できるようにする必要があるため、地域ごとにテーブルを作成して入力します。データに対する地域アクセス ポリシーを適用する必要があります。
取るべき行動はどれですか? (2 つ選択してください。)

  • A. すべてのテーブルがグローバル データセットに含まれていることを確認します。
  • B. 各データセットの設定を調整して、関連するリージョンベースのセキュリティ グループ ビュー アクセスを許可します。
  • C. 関連するリージョンベースのセキュリティ グループ ビュー アクセスを許可するように各テーブルの設定を調整します。
  • D. 各テーブルがリージョンのデータセットに含まれていることを確認します。
  • E. 関連するリージョンベースのセキュリティ グループ ビュー アクセスを許可するように各ビューの設定を調整します。

正解：D、E


質問 # 111
CloudStorageにデータをアーカイブしたい。一部のデータは非常に機密性が高いため、「Trust No One」（TNO）アプローチを使用してデータを暗号化し、クラウドプロバイダーのスタッフがデータを復号化できないようにします。
あなたは何をするべきか？

  • A. gcloud kms keys createを使用して、対称鍵を作成します。次に、gcloud kms Encryptionを使用して、キーと一意の追加認証データ（AAD）を使用して各アーカイブファイルを暗号化します。 gsutilcpを使用して暗号化された各ファイルをCloudStorageバケットにアップロードし、AADをGoogleCloudの外部に保持します。
  • B. gcloud kms keys createを使用して、対称鍵を作成します。次に、gcloud kms Encryptionを使用して、各アーカイブファイルをキーで暗号化します。 gsutil cpを使用して、暗号化された各ファイルをCloudStorageバケットにアップロードします。
    以前に暗号化に使用したキーを手動で破棄し、キーを1回ローテーションします。
    <C> ：. boto構成ファイルで顧客提供の暗号化キー（CSEK）を指定します。 gsutil cpを使用して、各アーカイブファイルをCloudStorageバケットにアップロードします。シークレットの永続ストレージとしてCSEKをクラウドメモリストアに保存します。
    <D> ：. boto構成ファイルで顧客提供の暗号化キー（CSEK）を指定します。 gsutil cpを使用して、各アーカイブファイルをCloudStorageバケットにアップロードします。セキュリティチームだけがアクセスできる別のプロジェクトにCSEKを保存します。

正解：B


質問 # 112
Cloud Bigtableに依存するパフォーマンステストを実行している場合は、以下の1つを除くすべての選択肢が推奨される手順です。従うべき推奨されないステップはどれですか？

  • A. 少なくとも300GBのデータを使用します。
  • B. 本番インスタンスを使用しないでください。
  • C. テストを少なくとも10分間実行します。
  • D. テストする前に、重い事前テストを数分間実行します。

正解：B

解説：
If you're running a performance test that depends upon Cloud Bigtable, be sure to follow these steps as you plan and execute your test:
Use a production instance. A development instance will not give you an accurate sense of how a production instance performs under load.
Use at least 300 GB of data. Cloud Bigtable performs best with 1 TB or more of data. However, 300 GB of data is enough to provide reasonable results in a performance test on a 3-node cluster. On larger clusters, use
100 GB of data per node.
Before you test, run a heavy pre-test for several minutes. This step gives Cloud Bigtable a chance to balance data across your nodes based on the access patterns it observes.
Run your test for at least 10 minutes. This step lets Cloud Bigtable further optimize your data, and it helps ensure that you will test reads from disk as well as cached reads from memory.
Reference: https://cloud.google.com/bigtable/docs/performance


質問 # 113
BigQueryテーブルの特定のパーティションをどのようにクエリしますか？

  • A. EXTRACT（DAY）句を使用します
  • B. WHERE句で__PARTITIONTIME疑似列を使用します
  • C. WHERE句でDAY列を使用します
  • D. WHERE句でDATEBETWEENを使用します

正解：B

解説：
Partitioned tables include a pseudo column named _PARTITIONTIME that contains a date-based timestamp for data loaded into the table. To limit a query to particular partitions (such as Jan 1st and 2nd of 2017), use a clause similar to this:
WHERE _PARTITIONTIME BETWEEN TIMESTAMP('2017-01-01') AND TIMESTAMP('2017-01-02')


質問 # 114
運用システムのトランザクションデータをオンプレミスデータベースからGCPに移動する必要がある中規模の企業で働いています。データベースのサイズは約20TBです。どのデータベースを選択する必要がありますか？

  • A. Cloud Spanner
  • B. Cloud Bigtable
  • C. Cloud Datastore
  • D. Cloud SQL

正解：D


質問 # 115
組織サンプルに関する情報のデータベースを使用して、将来の組織サンプルを正常または変異として分類する必要があります。組織サンプルを分類するための教師なし異常検出方法を評価しています。この方法をサポートする2つの特性はどれですか？ （2つ選択してください。）

  • A. 将来の変異には、データベース内の変異したサンプルと同様の機能があると予想されます。
  • B. 将来の変異には、データベース内の変異したサンプルとは異なる機能があると予想されます。
  • C. データベースには、正常なサンプルと変異したサンプルの両方がほぼ同じように出現します。
  • D. サンプルが変更され、データベース内で正常なラベルが既にあります。
  • E. 正常なサンプルと比較して突然変異の発生は非常に少ないです。

正解：B、C


質問 # 116
リアルタイム アプリケーションに Bigtable を使用しており、読み取りと書き込みが混在する大きな負荷があります。最近、追加のユース ケースを特定し、データベース全体の特定の統計を計算する分析ジョブを 1 時間ごとに実行する必要があります。運用アプリケーションの信頼性と分析ワークロードの両方を確保する必要があります。
何をすべきでしょうか?

  • A. 単一クラスター ルーティングを持つ既存のインスタンスに 2 番目のクラスターを追加し、通常のワークロードにはライブ トラフィック アプリ プロファイルを使用し、分析ワークロードにはバッチ分析プロファイルを使用します。
  • B. Bigtable ダンプを GCS にエクスポートし、エクスポートされたファイルに対して分析ジョブを実行します。
  • C. 既存のクラスターのサイズを 2 倍に増やし、新しいサイズ変更されたクラスターで分析ワークロードを実行します。
  • D. マルチクラスター ルーティングを使用して既存のインスタンスに 2 番目のクラスターを追加し、通常のワークロードにはライブ トラフィック アプリ プロファイルを使用し、分析ワークロードにはバッチ分析プロファイルを使用します。

正解：D


質問 # 117
オンプレミスの Apache Hadoop クラスタで何千もの Apache Spark ジョブが実行されています。ジョブを Google Cloud に移行したいと考えています。長期間稼働する Hadoop クラスタを自分で管理するのではなく、マネージド サービスを使用してジョブを実行したいと考えています。スケジュールが厳しく、コードの変更を最小限に抑えたいと考えています。どうすればよいでしょうか。

  • 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。

正解：B

解説：
* Dataproc's Compatibility with Apache Spark:Dataproc is a managed service for running Hadoop and Spark clusters on Google Cloud. This means it is designed to seamlessly run Apache Spark jobs with minimal code changes. Your existing Spark jobs should run on Dataproc with little to no modification.
* Cloud Storage as a Scalable Data Lake:Cloud Storage provides a highly scalable and durable storage solution for your data. It's designed to handle large volumes of data that Spark jobs typically process.
* Minimizing Operational Overhead:By using Dataproc, you eliminate the need to manage and maintain a Hadoop cluster yourself. Google Cloud handles the infrastructure, allowing you to focus on your data processing tasks.
* Tight Timeline and Minimal Code Changes:This option directly addresses the requirements of the question. It offers a quick and easy way to migrate your Spark jobs to Google Cloud with minimal disruption to your existing codebase.
Why other options are not suitable:
* A. Copy your data to Compute Engine disks. Manage and run your jobs directly on those instances:This option requires you to manage the underlying infrastructure yourself, which contradicts the requirement of using managed services.
* C. Move your data to BigQuery. Convert your Spark scripts to a SQL-based processing approach:
While BigQuery is a powerful data warehouse, converting Spark scripts to SQL would require substantial code changes and might not be feasible within a tight timeline.
* D. Rewrite your jobs in Apache Beam. Run your jobs in Dataflow:Rewriting jobs in Apache Beam would be a significant undertaking and not suitable for a quick migration with minimal code changes.


質問 # 118
キャンセルしたいジョブがあります。これはストリーミング パイプラインであり、処理中のすべてのデータが処理されて出力に書き込まれるようにする必要があります。パイプライン ジョブを停止するには、Dataflow モニタリング コンソールで次のコマンドのどれを使用できますか。

  • A. 終了
  • B. キャンセル
  • C. 停止
  • D. ドレイン

正解：D

解説：
ドレイン オプションを使用してジョブを停止すると、Dataflow サービスに現在の状態でジョブを終了するように指示します。ジョブは入力ソースからの新しいデータの取り込みを直ちに停止しますが、Dataflow サービスは既存のリソース (ワーカー インスタンスなど) を保持して、パイプライン内のバッファリングされたデータの処理と書き込みを完了します。


質問 # 119
毎日 Google アナリティクスから BigQuery にストリーミングされる数テラバイトの顧客行動データがある 顧客の好みなどの情報が Cloud SQL for MySQL データベースでホストされている CRM データベースが Cloud SQL for PostgreSQL インスタンスでホストされている マーケティング チームは、2 つのデータベースからの顧客情報と顧客行動データを使用して、年間アクティブ顧客向けのマーケティング キャンペーンを作成したいと考えています。マーケティング チームがキャンペーンを通常日は 1 日に 100 回以上、販売中は最大 300 回実行できるようにする必要があります。同時に、Cloud SQL データベースの負荷を最小限に抑えたいと考えています。あなたは何をするべきか？

  • A. Datastream でストリームを作成し、これらのクエリに必要なテーブルを両方の Cloud SQL データベースから BigQuery に複製します。
  • B. 両方の Cloud SQL データベースへの BigQuery 接続を作成します。これらのクエリを実行するには、2 つのデータベースで BigQuery フェデレーション クエリを使用し、BigQuery で Google アナリティクス データを使用します。
  • C. Dataproc Serverless を使用して Apache Spark でジョブを作成し、Cloud SQL データベースと BigQuery 上の Google アナリティクス データの両方にクエリを実行します。
  • D. Trino を使用して Dataproc クラスタを作成し、Cloud SQL データベースと BigQuery の両方への接続を確立してクエリを実行します。

正解：A

解説：
Datastream is a serverless Change Data Capture (CDC) and replication service that allows you to stream data changes from Oracle and MySQL databases to Google Cloud services such as BigQuery, Cloud Storage, Cloud SQL, and Pub/Sub. Datastream captures and delivers database changes in real-time, with minimal impact on the source database performance. Datastream also preserves the schema and data types of the source database, and automatically creates and updates the corresponding tables in BigQuery.
By using Datastream, you can replicate the required tables from both Cloud SQL databases to BigQuery, and keep them in sync with the source databases. This way, you can reduce the load on the Cloud SQL databases, as the marketing team can run their queries on the BigQuery tables instead of the Cloud SQL tables. You can also leverage the scalability and performance of BigQuery to query the customer behavioral data from Google Analytics and the customer information from the replicated tables. You can run the queries as frequently as needed, without worrying about the impact on the Cloud SQL databases.
Option A is not a good solution, as BigQuery federated queries allow you to query external data sources such as Cloud SQL databases, but they do not reduce the load on the source databases. In fact, federated queries may increase the load on the source databases, as they need to execute the query statements on the external data sources and return the results to BigQuery. Federated queries also have some limitations, such as data type mappings, quotas, and performance issues.
Option C is not a good solution, as creating a Dataproc cluster with Trino would require more resources and management overhead than using Datastream. Trino is a distributed SQL query engine that can connect to multiple data sources, such as Cloud SQL and BigQuery, and execute queries across them. However, Trino requires a Dataproc cluster to run, which means you need to provision, configure, and monitor the cluster nodes. You also need to install and configure the Trino connector for Cloud SQL and BigQuery, and write the queries in Trino SQL dialect. Moreover, Trino does not replicate or sync the data from Cloud SQL to BigQuery, so the load on the Cloud SQL databases would still be high.
Option D is not a good solution, as creating a job on Apache Spark with Dataproc Serverless would require more coding and processing power than using Datastream. Apache Spark is a distributed data processing framework that can read and write data from various sources, such as Cloud SQL and BigQuery, and perform complex transformations and analytics on them. Dataproc Serverless is a serverless Spark service that allows you to run Spark jobs without managing clusters. However, Spark requires you to write code in Python, Scala, Java, or R, and use the Spark connector for Cloud SQL and BigQuery to access the data sources. Spark also does not replicate or sync the data from Cloud SQL to BigQuery, so the load on the Cloud SQL databases would still be high. References: Datastream overview | Datastream | Google Cloud, Datastream concepts | Datastream | Google Cloud, Datastream quickstart | Datastream | Google Cloud, Introduction to federated queries | BigQuery | Google Cloud, Trino overview | Dataproc Documentation | Google Cloud, Dataproc Serverless overview | Dataproc Documentation | Google Cloud, Apache Spark overview | Dataproc Documentation | Google Cloud.


質問 # 120
Googleが請求するすべてのBigQuery操作は何ですか？

  • A. ストレージ、クエリ、ストリーミング挿入
  • B. ファイルからのデータの保存、クエリ、読み込み
  • C. クエリとストリーミング挿入
  • D. データの保存、クエリ、エクスポート

正解：A

解説：
Explanation
Google charges for storage, queries, and streaming inserts. Loading data from a file and exporting data are free operations.
Reference: https://cloud.google.com/bigquery/pricing


質問 # 121
Cloud Bigtableのパフォーマンスが低下する正当な理由ではないのはどれですか？

  • A. ネットワーク接続に問題があります。
  • B. テーブルのスキーマが正しく設計されていません。
  • C. CloudBigtableクラスターのノードが多すぎます。
  • D. ワークロードはCloudBigtableに適していません。

正解：C

解説：
Explanation
The Cloud Bigtable cluster doesn't have enough nodes. If your Cloud Bigtable cluster is overloaded, adding more nodes can improve performance. Use the monitoring tools to check whether the cluster is overloaded.
Reference: https://cloud.google.com/bigtable/docs/performance


質問 # 122
最近の価格履歴に基づいて特定の株式の価格を予測する機械学習モデルを作成する場合、どのタイプの推定量を使用する必要がありますか？

  • A. 分類子
  • B. 教師なし学習
  • C. リグレッサー
  • D. クラスタリング推定量

正解：C

解説：
Regression is the supervised learning task for modeling and predicting continuous, numeric variables. Examples include predicting real-estate prices, stock price movements, or student test scores.
Classification is the supervised learning task for modeling and predicting categorical variables. Examples include predicting employee churn, email spam, financial fraud, or student letter grades.
Clustering is an unsupervised learning task for finding natural groupings of observations (i.e. clusters) based on the inherent structure within your dataset. Examples include customer segmentation, grouping similar items in e-commerce, and social network analysis.


質問 # 123
CloudStorageにデータをアーカイブしたい。一部のデータは非常に機密性が高いため、「Trust No One」（TNO）アプローチを使用してデータを暗号化し、クラウドプロバイダーのスタッフがデータを復号化できないようにします。
あなたは何をするべきか？

  • A. gcloud kms keys createを使用して、対称鍵を作成します。次に、gcloud kms Encryptionを使用して、各アーカイブファイルをキーで暗号化します。 gsutil cpを使用して、暗号化された各ファイルをCloudStorageバケットにアップロードします。
    以前に暗号化に使用したキーを手動で破棄し、キーを1回回転させ、キーを1回回転させます。
  • B. gcloud kms keys createを使用して、対称鍵を作成します。次に、gcloud kms Encryptionを使用して、キーと一意の追加認証データ（AAD）を使用して各アーカイブファイルを暗号化します。 gsutilcpを使用して暗号化された各ファイルをCloudStorageバケットにアップロードし、AADをGoogleCloudの外部に保持します。
  • C. boto構成ファイルで顧客提供の暗号化キー（CSEK）を指定します。 gsutil cpを使用して、各アーカイブファイルをCloudStorageバケットにアップロードします。シークレットの永続ストレージとしてCSEKをCloudMemorystoreに保存します。
  • D. boto構成ファイルで顧客提供の暗号化キー（CSEK）を指定します。 gsutil cpを使用して、各アーカイブファイルをCloudStorageバケットにアップロードします。セキュリティチームだけがアクセスできる別のプロジェクトにCSEKを保存します。

正解：A


質問 # 124
ワイド＆ディープ ラーニング モデルに関する次の記述のうち、正しいものはどれですか? (回答を 2 つ選択してください。)

  • A. ワイド＆ディープ モデルの適切な用途は、レコメンデーション システムです。
  • B. ワイド モデルは一般化に使用され、ディープ モデルは記憶に使用されます。
  • C. ワイド＆ディープ モデルは、小規模な線形回帰問題に適しています。
  • D. ワイドモデルは記憶に使用され、ディープモデルは一般化に使用されます。

正解：A、D

解説：
Can we teach computers to learn like humans do, by combining the power of memorization and generalization? It's not an easy question to answer, but by jointly training a wide linear model (for memorization) alongside a deep neural network (for generalization), one can combine the strengths of both to bring us one step closer. At Google, we call it Wide & Deep Learning. It's useful for generic large-scale regression and classification problems with sparse inputs (categorical features with a large number of possible feature values), such as recommender systems, search, and ranking problems.
Reference: https://research.googleblog.com/2016/06/wide-deep-learning-better-together-with.html


質問 # 125
あなたは、従業員 40 万人以上を抱える大手ファーストフード レストラン チェーンで働いています。従業員情報は、FirstName フィールドと LastName フィールドで構成される Google BigQuery の Users テーブルに保存されています。IT 部門のメンバーがアプリケーションを構築しており、各従業員の FirstName フィールドの値とスペースを連結した値に LastName フィールドの値が続く FullName フィールドをアプリケーションがクエリできるように、BigQuery のスキーマとデータを変更するように依頼されました。コストを最小限に抑えながら、そのデータを利用できるようにするにはどうすればよいでしょうか。

  • A. BigQuery に対して Users テーブル全体をクエリし、各ユーザーの FirstName 値と LastName 値を連結して、FirstName、LastName、FullName の適切な値を BigQuery の新しいテーブルに読み込む Google Cloud Dataflow ジョブを作成します。
  • B. BigQuery で、FirstName フィールドと LastName フィールドの値を連結して FullName を生成するビューを作成します。
  • C. BigQuery を使用して、テーブルのデータを CSV ファイルにエクスポートします。Google Cloud Dataproc ジョブを作成して CSV ファイルを処理し、FirstName、LastName、FullName の適切な値を含む新しい CSV ファイルを出力します。BigQuery ロード ジョブを実行して、新しい CSV ファイルを BigQuery にロードします。
  • D. Users テーブルに FullName という新しい列を追加します。各ユーザーの FullName 列を FirstName 値と LastName 値の連結で更新する UPDATE ステートメントを実行します。

正解：A


質問 # 126
......

Professional-Data-Engineer日本語試験問題とアンサー：https://www.passtest.jp/Google/Professional-Data-Engineer-JPN-shiken.html

関するブログ

もっと
Professional-Data-Engineer-JPN 無料問題集