Quiz ILT-ML-06-AP Model Deployment with TensorFlow

Apa alasan Tensorflow JS dibuat?

• Agar memungkinkan membangun Machine Learning environment di browser

• Agar memudahkan training data di perangkat mobile

• Agar memudahkan training data dengan PC yang berbeda

Kenapa menggunakan Tensorflow Serving?

• A. Untuk mengurangi efek perbedaan versi teknologi

• B. Memudahkan saat migrasi

• C. Tidak ada yang benar

• D. Poin A dan B semuanya benar

Apa tujuan Tensorflow Lite dibuat?

• Untuk memudahkan training data di HP

• Membuat tensorflow memiliki akurasi yang semakin baik

• Untuk memudahkan proses machine learning pada PC

• Untuk memudahkan training data tanpa device

Manakah yang bukan keuntungan menggunakan Tensorflow Lite?

• Optimized for on-device machine learning

• Multiple platform support

• Hardware acceleration & model optimization

• Diverse language support

• Gives a better data presentation

Bahasa pemrograman apakah yang digunakan untuk menjalankan Tensorflow JS?

• Java

• Javascript

• PHP

• Python

• Tidak ada yang benar

Apakah nama layanan Tensorflow yang memungkinkan untuk menggunakan Docker Image?

• Tensorflow Serving

• Tensorflow JS

• Tensorflow Server

• Tensorflow Service

• Tensorflow Docker

Manakah pernyataan berikut yang benar untuk Distributed dan Federated Learning

• Federated learning memungkinkan untuk training data yang sama menggunakan parallel computing

• Federated learning dibuat agar memungkinkan perangkat training data masing masing

• Federated learning untuk training data yang rahasia

• Perbedaan distributed learning dan federated learning ada pada besar size datasetnya

Pilih satu Siklus Machine Learning (ML) Project yang disarankan?

• Project Planning & Data Collection > Data Collection & Labeling > Model Training & Labeling > Deployment & Monitoring

• Data Collection & Labeling > Project Planning & Setup > Deployment & Monitoring > Model Training & Debugging

• Project Planning & Setup > Data Collection & Labeling > Model Training & Debugging > Deployment & Monitoring

• Project Planning & Setup > Data Collection & Labeling > Deployment & Monitoring > Model Training & Debugging