MLS-C01 题库 · 最新 50 题免费预览（第 1/5 页）
MLS-C01（AWS Certified Machine Learning Specialty (MLS-C01)）最新题库第 1–10 题，共 5 页 50 题，含答案与中英解析，无需登录。点此进入在线题库练习全部 380 题。
第 1 题 · 题号 331 · 多选
一家运营石油平台的公司使用无人机拍摄石油平台上人类难以进入的位置，以寻找腐蚀。经验丰富的工程师会查看照片以确定腐蚀的严重程度。一张照片中可能有多个腐蚀区域。工程师确定已识别的腐蚀是否需要立即修复、计划将来进行维护，还是不需要采取任何行动。腐蚀平均出现在所有照片的 0.1% 中。数据科学团队需要创建一个解决方案，以自动执行查看照片和对维护需求进行分类的过程。哪种步骤组合可以满足这些要求？（选择三个。
- A. 使用对象检测算法训练模型以识别照片的腐蚀区域。
- B. 将 Amazon Rekognition 与照片上的标签检测结合使用。
- C. 使用 k 均值聚类算法训练模型，以对照片中的腐蚀严重程度进行分类。
- D. 使用 XGBoost 算法训练模型，以对照片中腐蚀的严重程度进行分类。
- E. 对包含腐蚀的照片执行图像增强。
- F. 对不包含腐蚀的照片执行图像增强。
答案: A, D, E
第 2 题 · 题号 332 · 单选
一位数据科学家正在为图像上的对象检测任务实现深度学习神经网络模型。数据科学家希望尝试使用大量并行超参数优化作业，以找到可优化计算时间的超参数。数据科学家必须确保停止表现不佳的作业。数据科学家必须将计算资源分配给性能良好的超参数配置。数据科学家正在使用超参数优化作业来优化随机梯度下降 （SGD） 学习率、动量、纪元和小批量大小。哪种技术能以最少的计算时间满足这些要求？
- A. 网格搜索
- B. 随机搜索
- C. 贝叶斯优化
- D. 超频带
答案: D
第 3 题 · 题号 333 · 单选
一家公司维护一个 2 TB 的数据集，其中包含有关客户行为的信息。该公司将数据集存储在 Amazon S3 中。该公司将经过训练的模型容器存储在 Amazon Elastic Container Registry （Amazon ECR） 中。机器学习 （ML） 专家需要对数据集的批处理模型进行评分，以预测客户行为。机器学习专家必须选择一种可扩展的方法来对模型进行评分。哪种解决方案最经济高效地满足这些要求？
- A. 使用 AWS Batch 托管的 Amazon EC2 预留实例对模型进行评分。创建 Amazon EC2 实例存储卷并将其挂载到预留实例。
- B. 使用 AWS Batch 托管的 Amazon EC2 Spot 实例对模型进行评分。创建一个 Amazon FSx for Lustre 卷并将其挂载到 Spot 实例。
- C. 在 Amazon EC2 预留实例上使用 Amazon SageMaker 笔记本对模型进行评分。创建一个 Amazon EBS 卷并将其挂载到预留实例。
- D. 在 Amazon EC2 Spot 实例上使用 Amazon SageMaker 笔记本对模型进行评分。创建 Amazon Elastic File System （Amazon EFS） 文件系统并将其挂载到 Spot 实例。
答案: B
解析: 选择了选项B，因为使用AWS批量管理的Amazon EC2 Spot实例将是成本效益最高的解决方案。Spot实例允许您利用未使用的EC2容量，价格比按需实例低。
第 4 题 · 题号 334 · 单选
一家律师事务所每天处理数千份合同。每份合同都必须签署。目前，律师手动检查所有合同的签名。该律师事务所正在开发一种机器学习 （ML） 解决方案，以自动检测每份合同的签名。ML 解决方案还必须为每个合同页提供置信度分数。律师事务所可以使用哪些 Amazon Textract API 操作为每份合同的每一页生成置信度分数？
- A. 使用 AnalyzeDocument API 操作。将 FeatureTypes 参数设置为 SIGNATURES。返回每个页面的置信度分数。
- B. 对文档使用预测 API 调用。返回每个页面的签名和置信度分数。
- C. 使用 StartDocumentAnalysis API 操作检测签名。返回每个页面的置信度分数。
- D. 使用 GetDocumentAnalysis API 操作检测签名。返回每个页面的置信度分数。
答案: A
第 5 题 · 题号 335 · 单选
一家制造公司的机器学习 （ML） 专家使用 Amazon SageMaker DeepAR 来预测公司的输入材料和能源需求。训练数据集中的大多数数据都缺少目标变量的值。该公司将训练数据集存储为 JSON 文件。ML 专家通过使用 Amazon SageMaker DeepAR 来开发解决方案，以考虑训练数据集中的缺失值。哪种方法可以通过 LEAST 开发工作来满足这些要求？
- A. 使用线性回归方法插补缺失值。使用整个数据集和插补值来训练 DeepAR 模型。
- B. 将缺失值替换为非数字 （NaN）。使用整个数据集和编码的缺失值来训练 DeepAR 模型。
- C. 使用正向填充来插补缺失值。使用整个数据集和插补值来训练 DeepAR 模型。
- D. 使用平均值插补缺失值。使用整个数据集和插补值来训练 DeepAR 模型。
答案: B
第 6 题 · 题号 336 · 单选
一家电子商务公司想要更新使用 Amazon SageMaker 的生产实时机器学习 （ML） 推荐引擎 API。该公司希望发布一个新模型，但不想对依赖 API 的应用程序进行更改。该公司还希望在公司向所有用户全面推出新模型之前，评估新模型在生产流量中的表现。哪种解决方案能够以最小的运营开销满足这些要求？
- A. 为新模型创建新的 SageMaker 终端节点。配置 Application Load Balancer （ALB） 以在旧模型和新模型之间分配流量。
- B. 修改现有终端节点以使用 SageMaker 生产变体在旧模型和新模型之间分配流量。
- C. 修改现有终端节点以使用 SageMaker 批量转换在旧模型和新模型之间分配流量。
- D. 为新模型创建新的 SageMaker 终端节点。配置 Network Load Balancer （NLB） 以在旧模型和新模型之间分配流量。
答案: B
解析: 选择了选项B，因为修改现有的端点以使用SageMaker生产变种是最高效的解决方案，符合最低运营开销的要求。这个选项允许在新旧模型之间分发流量，而无需创建新的端点或使用批量转换，这可能需要更多的资源和配置。
第 7 题 · 题号 337 · 单选
一位数据科学家正在设计一个存储库，其中包含许多车辆图像。存储库必须自动缩放大小，以便每天存储新映像。存储库必须支持映像的版本控制。数据科学家必须实施一个解决方案，该解决方案在不同的 AWS 区域中维护多个可立即访问的数据副本。哪种解决方案可以满足这些要求？
- A. 具有 S3 跨区域复制 （CRR） 的 Amazon S3
- B. Amazon Elastic Block Store （Amazon EBS） 具有在辅助区域中共享的快照
- C. Amazon Elastic File System （Amazon EFS） 配置了区域可用性的标准存储
- D. AWS Storage Gateway 卷网关
答案: A
解析: 选择了选项A，Amazon S3与S3跨区域复制（CRR），因为它是在不同AWS区域中保持数据的即时访问副本并支持图像版本控制的最佳解决方案。
第 8 题 · 题号 338 · 单选
一家新闻公司正在为其编辑开发一种文章搜索工具。搜索工具应查找与历史新闻文档语料库中查询的特定单词最相关和最有代表性的文章。编辑测试了该工具的第一个版本，并报告说该工具似乎通常会寻找单词匹配。编辑必须花费额外的时间来过滤结果，以查找查询单词最重要的文章。一组数据科学家必须重新设计该工具，以便隔离文档中最常用的单词。该工具还必须捕获语料库中每个文档的单词的相关性和重要性。哪种解决方案满足这些要求？
- A. 使用潜在狄利克雷分配 （LDA） 主题建模从每篇文章中提取主题。通过将主题计数的总和指定为文章中每个单词的分数来创建主题表。配置该工具以检索查询单词的此主题计数分数较高的文章。
- B. 为文章中的每个单词建立一个术语频率，该频率与文章的长度加权。为语料库中所有文章加权的每个单词构建一个反向文档频率。将最终高光分数定义为这两个频率的乘积。配置该工具以检索查询单词的突出显示分数较高的文章。
- C. 下载预训练的词嵌入查找表。通过对语料库中每篇文章的标题词嵌入进行平均来创建标题嵌入表。将每个单词的突出显示分数定义为与其嵌入和标题嵌入之间的距离成反比。配置该工具以检索查询单词的突出显示分数较高的文章。
- D. 为语料库中每篇文章中的每个单词构建一个术语频率评分表。为所有停用词分配零分。对于任何其他单词，请分配一个分数作为该词在文章中的频率。配置该工具以检索查询单词的频率分数较高的文章。
答案: B
第 9 题 · 题号 339 · 单选
一家零售公司的开发人员正在创建每日需求预测模型。该公司将历史每小时需求数据存储在 Amazon S3 存储桶中。但是，历史数据不包括某些小时的需求数据。开发人员希望验证自回归集成移动平均 （ARIMA） 方法是否适合该用例。开发人员应如何验证 ARIMA 方法的适用性？
- A. 使用 Amazon SageMaker Data Wrangler。从 Amazon S3 导入数据。插补每小时缺失的数据。执行季节性趋势分解。
- B. 使用 Amazon SageMaker Autopilot。创建一个指定 S3 数据位置的新实验。选择 ARIMA 作为机器学习 （ML） 问题。检查模型性能。
- C. 使用 Amazon SageMaker Data Wrangler。从 Amazon S3 导入数据。使用聚合的每日总计对数据进行重新采样。执行季节性趋势分解。
- D. 使用 Amazon SageMaker Autopilot。创建一个指定 S3 数据位置的新实验。插补缺失的每小时值。选择 ARIMA 作为机器学习 （ML） 问题。检查模型性能。
答案: C
第 10 题 · 题号 340 · 单选
一家保险公司正在创建一个应用程序来自动化汽车保险索赔。一位机器学习 （ML） 专家使用 Amazon SageMaker 对象检测 - TensorFlow 内置算法来训练模型，以检测汽车图像中的划痕和凹痕。训练模型后，ML 专家注意到该模型在训练数据集上的表现优于在测试数据集上的表现。机器学习专家应该使用哪种方法来提高模型在测试数据上的性能？
- A. 增加动量超参数的值。
- B. 减小dropout_rate超参数的值。
- C. 减小learning_rate超参数的值
- D. 增加 L2 超参数的值。
答案: D