최신 MLA-C01日本語 무료덤프 - Amazon AWS Certified Machine Learning Engineer - Associate (MLA-C01日本語版)
ML エンジニアは、Amazon SageMaker Canvas を使用して、インポートされたデータセットからカスタム ML モデルを構築しています。
モデルは 10 年間のデータに基づいて継続的に数値予測を行う必要があります。
ML エンジニアはモデルのパフォーマンスを評価するためにどのメトリックを使用する必要がありますか?
モデルは 10 年間のデータに基づいて継続的に数値予測を行う必要があります。
ML エンジニアはモデルのパフォーマンスを評価するためにどのメトリックを使用する必要がありますか?
정답: A
설명: (DumpTOP 회원만 볼 수 있음)
ある企業では、Amazon S3バケットに.csvファイルとして保存されているデータの量が大幅に増加しました。そのため、データ変換スクリプトとクエリの実行に以前よりも大幅に時間がかかるようになりました。
ML エンジニアは、最小限の運用オーバーヘッドでクエリ パフォーマンスのためにデータを最適化するソリューションを実装する必要があります。
どのソリューションがこの要件を満たすでしょうか?
ML エンジニアは、最小限の運用オーバーヘッドでクエリ パフォーマンスのためにデータを最適化するソリューションを実装する必要があります。
どのソリューションがこの要件を満たすでしょうか?
정답: D
설명: (DumpTOP 회원만 볼 수 있음)
ある企業は、ユーザーのクリックに関する時系列データをAmazon S3バケットに保存しています。生データは、日々のユーザーアクティビティに関する数百万行のデータで構成されています。MLエンジニアは、このデータにアクセスしてMLモデルを開発しています。
MLエンジニアはAmazon Athenaを使用して毎日レポートを作成し、過去3日間のクリック傾向を分析する必要があります。会社はデータをアーカイブする前に30日間保持する必要があります。
どのソリューションがデータ取得に最高のパフォーマンスを提供しますか?
MLエンジニアはAmazon Athenaを使用して毎日レポートを作成し、過去3日間のクリック傾向を分析する必要があります。会社はデータをアーカイブする前に30日間保持する必要があります。
どのソリューションがデータ取得に最高のパフォーマンスを提供しますか?
정답: C
설명: (DumpTOP 회원만 볼 수 있음)
MLエンジニアは、ハイパーパラメータ最適化(HPO)にAmazon SageMaker AI自動モデルチューニング(AMT)を使用することにしました。MLエンジニアは、回帰分析を用いて過去の実行結果に基づいて次のハイパーパラメータセットをゆっくりと順番に選択するチューニング戦略を必要としています。この戦略は、狭いハイパーパラメータ範囲でも機能する必要があります。
これらの要件を満たすソリューションはどれでしょうか?
これらの要件を満たすソリューションはどれでしょうか?
정답: A
설명: (DumpTOP 회원만 볼 수 있음)
ある企業は、Amazon SageMaker AI を使用して信用リスク評価モデルを開発しています。モデルの検証中に、検証データではモデルの精度が 82% であることがわかりました。しかし、トレーニングデータでは 99% の精度を達成していました。このモデルは、デプロイ前にこの精度の問題を解決する必要があります。
どのソリューションがこの要件を満たすでしょうか?
どのソリューションがこの要件を満たすでしょうか?
정답: A
설명: (DumpTOP 회원만 볼 수 있음)
ある医療企業は、患者のバイタルサインにおける、病状の早期兆候を示す可能性のある異常を検出したいと考えています。同社は、患者の健康記録、投薬履歴、ライフスタイルの変化などを含む、ラベル付けされていないデータセットを保有しています。
この要件を満たすために、企業はどのアルゴリズムとハイパーパラメータを使用する必要がありますか?
この要件を満たすために、企業はどのアルゴリズムとハイパーパラメータを使用する必要がありますか?
정답: B
설명: (DumpTOP 회원만 볼 수 있음)
MLモデルが本番環境にデプロイされました。このモデルは良好なパフォーマンスを示し、数か月間、指標のしきい値を満たしています。
モデルを監視している機械学習エンジニアが突然の劣化に気づきました。モデルのパフォーマンス指標は現在、しきい値を下回っています。
パフォーマンス低下の原因は何でしょうか?
モデルを監視している機械学習エンジニアが突然の劣化に気づきました。モデルのパフォーマンス指標は現在、しきい値を下回っています。
パフォーマンス低下の原因は何でしょうか?
정답: A
설명: (DumpTOP 회원만 볼 수 있음)
事例研究
ある企業がAmazon SageMakerを使用して、ウェブベースのAIアプリケーションを構築しています。このアプリケーションは、機械学習の実験、トレーニング、中央モデルレジストリ、モデルのデプロイ、およびモデルの監視といった機能を提供します。
アプリケーションは、機械学習ライフサイクル全体を通して、トレーニングデータの安全かつ隔離された使用を保証する必要があります。トレーニングデータはAmazon S3に保存されます。
同社は連続研修制度を試験的に導入している。
企業はこれらの業務におけるインフラの立ち上げ時間をどのように最小限に抑えることができるでしょうか？
ある企業がAmazon SageMakerを使用して、ウェブベースのAIアプリケーションを構築しています。このアプリケーションは、機械学習の実験、トレーニング、中央モデルレジストリ、モデルのデプロイ、およびモデルの監視といった機能を提供します。
アプリケーションは、機械学習ライフサイクル全体を通して、トレーニングデータの安全かつ隔離された使用を保証する必要があります。トレーニングデータはAmazon S3に保存されます。
同社は連続研修制度を試験的に導入している。
企業はこれらの業務におけるインフラの立ち上げ時間をどのように最小限に抑えることができるでしょうか？
정답: C
설명: (DumpTOP 회원만 볼 수 있음)
ある企業には、リアルタイム推論のために Amazon SageMaker AI エンドポイントにデプロイされた ML モデルがあります。
企業は新しいモデルを導入する必要があります。すべてのトラフィックを新しいモデルに移行する前に、新しいモデルのパフォーマンスと現在導入されているモデルのパフォーマンスを比較する必要があります。
最も少ない運用労力でこれらの要件を満たすソリューションはどれでしょうか?
企業は新しいモデルを導入する必要があります。すべてのトラフィックを新しいモデルに移行する前に、新しいモデルのパフォーマンスと現在導入されているモデルのパフォーマンスを比較する必要があります。
最も少ない運用労力でこれらの要件を満たすソリューションはどれでしょうか?
정답: B
설명: (DumpTOP 회원만 볼 수 있음)
MLエンジニアは、同規模の住宅の価格を予測するMLモデルの開発に取り組んでいます。このモデルは、複数の特徴量に基づいて予測を行います。MLエンジニアは、以下の特徴量エンジニアリング手法を用いて住宅の価格を推定します。
* 機能分割
* 対数変換
* ワンホットエンコーディング
* 標準化された配布
以下の特徴量リストについて、正しい特徴量エンジニアリング手法を選択してください。各特徴量エンジニアリング手法は、1回選択するか、全く選択しないでください(3つ選択してください)。
* 機能分割
* 対数変換
* ワンホットエンコーディング
* 標準化された配布
以下の特徴量リストについて、正しい特徴量エンジニアリング手法を選択してください。各特徴量エンジニアリング手法は、1回選択するか、全く選択しないでください(3つ選択してください)。
정답:
Explanation:
City (name): One-hot encoding
Type_year (type of home and year the home was built): Feature splitting Size of the building (square feet or square meters): Standardized distribution City (name): One-hot encoding Why? The " City " is a categorical feature (non-numeric), so one-hot encoding is used to transform it into a numeric format. This encoding creates binary columns for each unique category (e.g., cities like " New York " or " Los Angeles " ), which the model can interpret.
Type_year (type of home and year the home was built): Feature splitting Why? " Type_year " combines two pieces of information into one column, which could confuse the model.
Feature splitting separates this column into two distinct features: " Type of home " and " Year built, " enabling the model to process each feature independently.
Size of the building (square feet or square meters): Standardized distribution Why? Size is a continuous numerical variable, and standardization (scaling the feature to have a mean of 0 and a standard deviation of 1) ensures that the model treats it fairly compared to other features, avoiding bias from differences in feature scale.
By applying these feature engineering techniques, the ML engineer can ensure that the input data is correctly formatted and optimized for the model to make accurate predictions.
ある企業には、Amazon SageMaker ノートブックインスタンスを使用して ML モデルをテストするデータ サイエンティストのチームがあります。
データ サイエンティストが新しい権限を必要とする場合、同社は SageMaker ノートブック インスタンスの作成中に作成された個々のロールに権限を付与します。
企業はチームの権限を一元管理する必要があります。
どのソリューションがこの要件を満たすでしょうか?
データ サイエンティストが新しい権限を必要とする場合、同社は SageMaker ノートブック インスタンスの作成中に作成された個々のロールに権限を付与します。
企業はチームの権限を一元管理する必要があります。
どのソリューションがこの要件を満たすでしょうか?
정답: D
설명: (DumpTOP 회원만 볼 수 있음)
MLエンジニアがAIを活用した交通管理システムを設計しています。このシステムでは、渋滞を予測し、衝突を防ぐために、ほぼリアルタイムの推論を使用する必要があります。
また、システムはバッチ処理を用いて数時間にわたる予測の履歴分析を実行し、モデルを改善する必要があります。推論エンドポイントは、需要に応じて自動的にスケーリングする必要があります。
どのソリューションの組み合わせがこれらの要件を満たしますか? (2 つ選択してください)
また、システムはバッチ処理を用いて数時間にわたる予測の履歴分析を実行し、モデルを改善する必要があります。推論エンドポイントは、需要に応じて自動的にスケーリングする必要があります。
どのソリューションの組み合わせがこれらの要件を満たしますか? (2 つ選択してください)
정답: B,D
설명: (DumpTOP 회원만 볼 수 있음)
ある建設会社は、Amazon SageMaker AI を使用して、道路の損傷を特定するためのカスタム物体検出モデルをトレーニングしています。複数のカメラから取得した画像を使用しています。画像は JPEG オブジェクトとして Amazon S3 バケットに保存されています。
画像は、トレーニングジョブで使用する前に、計算負荷の高いコンピュータービジョン技術を用いて前処理する必要があります。企業は、トレーニングジョブにおけるデータの読み込みと前処理を最適化する必要があります。このソリューションは、モデルのパフォーマンスに影響を与えたり、コンピューティングリソースやストレージリソースを増加したりしてはなりません。
これらの要件を満たすソリューションはどれでしょうか?
画像は、トレーニングジョブで使用する前に、計算負荷の高いコンピュータービジョン技術を用いて前処理する必要があります。企業は、トレーニングジョブにおけるデータの読み込みと前処理を最適化する必要があります。このソリューションは、モデルのパフォーマンスに影響を与えたり、コンピューティングリソースやストレージリソースを増加したりしてはなりません。
これらの要件を満たすソリューションはどれでしょうか?
정답: D
설명: (DumpTOP 회원만 볼 수 있음)
MLエンジニアは、大規模なデータセットから非同期的に推論を行うためにMLモデルをデプロイする必要があります。また、モデルのデータ品質を定期的に監視する仕組みも実装する必要があります。
ML エンジニアは、データ品質の変化が発生したときにアラートを受信する必要があります。
これらの要件を満たすソリューションはどれでしょうか?
ML エンジニアは、データ品質の変化が発生したときにアラートを受信する必要があります。
これらの要件を満たすソリューションはどれでしょうか?
정답: C
설명: (DumpTOP 회원만 볼 수 있음)
MLエンジニアは、AWS Glue DataBrewの最小最大正規化を用いてトレーニングデータを正規化しました。MLエンジニアは、本番環境の推論データをモデルに渡す前に、同様の方法で正規化する必要があります。
どのソリューションがこの要件を満たすでしょうか?
どのソリューションがこの要件を満たすでしょうか?
정답: D
설명: (DumpTOP 회원만 볼 수 있음)