EN簡體繁體
登錄
首頁 / Google / GCP-MLE
Google · GCP-MLE

Google Professional Machine Learning Engineer

GCP-MLE 英文 PDF 練習題，共 375 題，按題庫順序提供題目、原腳本支持的選項、答案及已有解析。本方案僅適用於此考試，一次付費，不自動續費。

考試介紹

面向 ML 工程師，考覈模型構建、評估、生產部署、流水線及監控優化。

考試代碼
GCP-MLE
官方考試／認證名稱
Google Professional Machine Learning Engineer
考試形式
50–60 道單選題及多選題（標準考試）
考試時長
120 分鐘
官方可選考試語言
英文、日文

官方考試語言與下方練習題文件的語言分別列出；實際考試版本及可選語種以官方預約頁面爲準。

官方來源：官方資料
信息覈對日期：2026-10-20

支持的語言

  • 英文
  • 簡體中文
先試閱，再決定

前20 題免費試閱

題庫共 375 題

題目按題庫原始順序展示。展開查看答案和解析。

本頁試閱由簡體題庫轉換爲繁體中文。

免責聲明：本站所有題目均整理自互聯網，僅供學習參考。

第 11 題

Question#11Topic1

您正在爲公司電子商務網站上的購物者設計機器學習推薦模型。您將使用Recommendations AI 來構建、測試和部署您的系統。您應該如何在遵循最佳實踐的同時制定增加收入的建議？

  1. A.使用“您可能喜歡的其他產品”推薦類型來提高點擊率。
  2. B.使用“經常一起購買”推薦類型來增加每個訂單的購物車大小。
  3. C.導入您的用戶事件，然後導入您的產品目錄，以確保您擁有最高質量的事件流。
  4. D.由於收集和記錄產品數據需要時間，因此請使用產品目錄的佔位符值來測試模型的可行性。
查看答案與解析

答案

B

解析

經常一起購買的推薦旨在通過提供產品來追加銷售和交叉銷售客戶。
參考：
https://rejoiner.com/resources/amazon-recommendations-secret-looking-在線/

第 12 題

Question#12Topic1

您正在設計一個具有無服務器機器學習系統的架構，以便在將客戶支持票證路由到支持代理之前，使用信息豐富的元數據來豐富客戶支持票證。您需要一組模型來預測故障單優先級、預測故障單解決時間並執行情緒分析，以幫助客服人員在處理支持請求時做出戰略決策。票證不應包含任何特定於領域的術語或行話。
建議的架構具有以下流程：
Question illustration
Enrichment Cloud Functions 應調用哪些端點？

  1. A.1 = AI 平臺、2 = AI 平臺、3 = AutoML Vision
  2. B.1 = AI 平臺、2 = AI 平臺、3 = AutoML 自然語言
  3. C.1 = AI 平臺、2 = AI 平臺、3 = 雲自然語言 API
  4. D.1 = 雲自然語言 API、2 = 人工智能平臺、3 = 雲視覺 API
查看答案與解析

答案

C

解析

https://cloud.google.com/architecture/architecture-of-a-serverless-ml-model#architecture 該架構具有以下流程：用戶向 Firebase 寫入票證，這會觸發 Cloud Function。 雲函數調用 3 個不同的端點來豐富票證： AI Platform 端點，該函數可以在其中預測優先級。 AI Platform 端點，該函數可以預測解決時間。 用於進行情感分析和單詞顯着性的自然語言 API。對於每個回覆，雲功能都會更新Firebase實時數據庫。 然後，雲功能使用 RESTful API 創建進入幫助臺平臺的票證。

第 13 題

Question#13Topic1

您已在 Google Cloud 上訓練了深度神經網絡模型。該模型在訓練數據上的損失較低，但在驗證數據上的表現較差。您希望模型能夠適應過度擬合。重新訓練模型時應使用哪種策略？

  1. A.應用 dropout 參數 0.2，並將學習率降低 10 倍。
  2. B.應用 L2 正則化參數 0.4，並將學習率降低 10 倍。
  3. C.在 AI Platform 上運行超參數調整作業以優化 L2 正則化和 dropout 參數。
  4. D.在 AI Platform 上運行超參數調整作業以優化學習率，並將神經元數量增加 2 倍。
查看答案與解析

答案

C

解析

https://machinelearningmastery.com/introduction-to-regularization-to-reduce-overfitting-and-improve-generalization-error/

第 14 題

Question#14Topic1

您構建並管理了一個負責預測銷售數字的生產系統。模型的準確性至關重要，因爲生產模型需要跟上市場的變化。自從部署到生產環境以來，該模型沒有改變；然而模型的準確度卻在穩步下降。
什麼問題最有可能導致模型準確度的穩步下降？

  1. A.數據質量差
  2. B.缺乏模型再訓練
  3. C.模型中用於捕獲信息的層數太少
  4. D.模型訓練、評估、驗證和測試期間的數據分割比例不正確
查看答案與解析

答案

B

解析

隨着市場的變化，需要再培訓。

第 15 題

Question#15Topic1

您被要求爲機器學習訓練模型開發一個輸入管道，以低延遲處理來自不同來源的圖像。您發現您的輸入數據不適合內存。您應該如何按照 Google 推薦的最佳實踐創建數據集？

  1. A.創建 tf.data.Dataset.prefetch 轉換。
  2. B.將圖像轉換爲 tf.Tensor 對象，然後運行 ​​Dataset.from_tensor_slices()。
  3. C.將圖像轉換爲 tf.Tensor 對象，然後運行 ​​tf.data.Dataset.from_tensors()。
  4. D.將圖像轉換爲 TFRecords，將圖像存儲在 Cloud Storage 中，然後使用 tf.data API 讀取圖像進行訓練。
查看答案與解析

答案

D

解析

通過選項消除 A 是第一個被刪除的選項，預取將使用額外的內存開銷來緩衝圖像 答案爲 B、C、D，但 D 是最佳答案，因爲我們將巨大的圖像數據集保存在 gcs 上，然後加載批量數據用於訓練 B、C 不好，因爲他們沒有提供圖像不適合內存的解決方案

下載與使用

  • 本資料按考試單獨購買，支持 1、3、6 或 12 個月期限。
  • 支付確認後，在“我的練習題”中查看下載入口和準確到期時間。
  • 有效期內可重複下載；到期後需要重新購買。
  • PDF 僅供購買者個人學習使用，不可轉售或公開分享。
  • 已下載至設備的文件不會因權限到期被遠程刪除。
如何選擇適合自己的認證