MLS-C01 题库 · 最新 50 题免费预览（第 4/5 页）
MLS-C01（AWS Certified Machine Learning Specialty (MLS-C01)）最新题库第 31–40 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 31 题 · 题号 361 · 单选
一家电信公司使用 Amazon SageMaker 部署了机器学习模型。该模型可识别在致电客户服务时可能取消合同的客户。然后，这些客户将被引导至专业服务团队。该模型已根据与单个地理区域中的客户合同和客户服务交互相关的多年历史数据进行了训练。该公司正计划推出一款将采用这种模式的全新全球产品。管理层担心该模型可能会错误地将来自没有历史数据的地区的客户的大量呼叫定向到专家服务团队。哪种方法最有效地解决这个问题？
- A. 在模型终端节点上启用 Amazon SageMaker Model Monitor 数据捕获。在训练数据集上创建监控基线。计划监控作业。当区域客户数据的数值距离未通过基准偏差检查时，使用 Amazon CloudWatch 提醒数据科学家。使用较大的数据源重新评估训练集，然后重新训练模型。
- B. 在模型终端节点上启用 Amazon SageMaker Debugger。创建自定义规则以衡量与基线训练数据集的方差。使用 Amazon CloudWatch 在调用规则时提醒数据科学家。使用较大的数据源重新评估训练集，然后重新训练模型。
- C. 捕获路由到 Amazon S3 中专家服务团队的所有客户呼叫。安排监控作业以捕获所有真阳性和真阴性，将它们与训练数据集相关联，并计算准确性。使用 Amazon CloudWatch 在准确性降低时提醒数据科学家。使用来自专家服务团队的其他数据重新评估训练集，然后重新训练模型。
- D. 在模型终端节点上启用 Amazon CloudWatch。使用 Amazon CloudWatch Logs 捕获指标并将其发送到 Amazon S3。根据训练数据基线分析监控结果。当与基线的差异超过区域客户差异时，重新评估训练集并重新训练模型。
答案: A
第 32 题 · 题号 362 · 单选
一家汽车公司在多个城市设有经销店。该公司使用机器学习 （ML） 推荐系统向其客户推销汽车。ML 工程师在包含有关每辆车的多个属性的数据集上训练 ML 推荐模型。该数据集包括汽车品牌、汽车类型、燃油效率和价格等属性。ML 工程师使用 Amazon SageMaker Data Wrangler 来分析和可视化数据。ML 工程师需要确定特定类型汽车的汽车价格分布。ML 工程师应该使用哪种类型的可视化来满足这些要求？
- A. 使用 SageMaker Data Wrangler 散点图可视化来检查汽车价格与汽车类型之间的关系。
- B. 使用 SageMaker Data Wrangler 快速模型可视化来快速评估数据并生成汽车价格和汽车类型的重要性分数。
- C. 使用 SageMaker Data Wrangler 异常检测可视化来识别特定特征的异常值。
- D. 使用 SageMaker Data Wrangler 直方图可视化来检查特定功能的值范围。
答案: D
解析: 根据评论文本描述，机器学习工程师需要确定特定类型的汽车的价格分布。在提供的选项中，只有使用 SageMaker Data Wrangler 的直方图可视化（选项 D）能够满足这一需求。直方图可以帮助分析特定特征值的范围，并展示不同值出现的频率。这将有助于识别价格范围，从而理解特定类型汽车的价格分布。
第 33 题 · 题号 363 · 单选
一家全球性银行需要一个解决方案来预测客户是否会离开银行并选择另一家银行。该银行正在使用数据集来训练模型来预测客户流失。训练数据集有 1000 行。训练数据集包括 100 个离开银行的客户实例。机器学习 （ML） 专家正在使用 Amazon SageMaker Data Wrangler 通过 SageMaker 训练作业来训练客户流失预测模型。训练后，ML 专家注意到模型仅返回错误结果。ML 专家必须更正模型，以便它返回更准确的预测。哪种解决方案将满足这些要求？
- A. 在训练之前，应用异常检测以从训练数据集中删除异常值。
- B. 在训练之前，将合成少数过采样技术 （SMOTE） 应用于训练数据集。
- C. 在训练之前，将规范化应用于训练数据集的特征。
- D. 在训练之前对训练数据集应用欠采样。
答案: B
解析: 解决这个问题的最佳方法是选择B选项，即在训练前应用合成少数过采样技术（SMOTE）。SMOTE技术有助于解决数据不平衡的问题，通过在少数类中生成新的样本来平衡训练集中的类别分布。在这个场景中，离开银行的客户（流失）数量较少，使用SMOTE可以生成额外的流失客户样本，从而使模型在预测流失客户时更准确。其他选项，如异常检测（A）、规范化（C）和下采样（D），在解决数据不平衡问题方面效果可能不如选择B。例如，异常检测可能不能针对性地提高少数类的预测准确性，而规范化（C）和下采样（D）主要关注于特征缩放和减少多数类样本的数量，而不是平衡类分布。
第 34 题 · 题号 364 · 单选
一家媒体公司希望部署一个机器学习 （ML） 模型，该模型使用 Amazon SageMaker 向公司的读者推荐新文章。该公司的读者主要位于一个城市。该公司注意到，可以预见的是，最繁忙的读者流量发生在清晨、午餐后和下班后。一天中的其他时间交通非常少。这家媒体公司需要最大限度地减少向读者提供推荐所需的时间。API 调用将返回用于推理的预期数据量小于 4 MB。哪种解决方案将以最具成本效益的方式满足这些要求？
- A. 使用 Auto Scaling 进行实时推理
- B. 使用预置并发的无服务器推理
- C. 异步推理
- D. 批量转换任务
答案: B
第 35 题 · 题号 365 · 单选
一家银行以 CSV 格式收集了 10 年的客户数据。该银行将数据存储在本地服务器中。数据科学团队希望使用 Amazon SageMaker 构建和训练机器学习 （ML） 模型来预测客户流失概率。团队将使用历史数据。数据科学家希望快速执行数据转换，并在团队构建生产模型之前生成数据见解。哪种解决方案将以最少的开发工作量满足这些要求？
- A. 将数据直接上传到 SageMaker Data Wrangler 控制台。在 Data Wrangler 中执行数据转换并生成见解。
- B. 将数据上传到 Amazon S3 存储桶。允许 SageMaker 访问存储桶中的数据。将数据从 S3 存储桶导入 SageMaker Data Wrangler。在 Data Wrangler 中执行数据转换并生成见解。
- C. 将数据直接上传到 SageMaker Data Wrangler 控制台。允许 SageMaker 和 Amazon QuickSight 访问 Amazon S3 存储桶中的数据。在 Data Wrangler 中执行数据转换，并将转换后的数据保存到第二个 S3 存储桶中。使用 QuickSight 生成数据见解。
- D. 将数据上传到 Amazon S3 存储桶。允许 SageMaker 访问存储桶中的数据。将数据从存储桶导入 SageMaker Data Wrangler。在 Data Wrangler 中执行数据转换。将数据保存到第二个 S3 存储桶中。使用 SageMaker Studio 笔记本生成数据见解。
答案: B
第 36 题 · 题号 366 · 单选
一家农业公司希望通过使用过去三个季节的作物产量来改进对即将到来的季节的作物产量预测。该公司希望将其新的 scikit-learn 模型的性能与基准测试进行比较。数据科学家需要将代码打包到一个容器中，该容器可以计算新模型预测和基准。数据科学家希望 AWS 负责容器的运营维护。哪种解决方案将满足这些要求？
- A. 将代码打包为 Amazon SageMaker scikit-learn 容器的训练脚本。
- B. 将代码打包到自定义构建的容器中。将容器推送到 Amazon Elastic Container Registry （Amazon ECR）。
- C. 将代码打包到自定义构建的容器中。将容器推送到 AWS Fargate。
- D. 通过扩展 Amazon SageMaker scikit-learn 容器来打包代码。
答案: D
第 37 题 · 题号 367 · 单选
一家网络安全公司正在收集本地服务器日志、移动应用程序日志和 IoT 传感器数据。该公司将提取的数据备份到 Amazon S3 存储桶中，并将提取的数据发送到 Amazon OpenSearch Service 进行进一步分析。目前，该公司有一个在 Amazon EC2 实例上运行的自定义摄取管道。该公司需要实施一个新的无服务器摄取管道，该管道可以自动扩展以处理数据流中的突然变化。哪种解决方案最经济高效地满足这些要求？
- A. 创建两个 Amazon Data Firehose 传输流以将数据发送到 S3 存储桶和 OpenSearch Service。配置数据源以将数据发送到传输流。
- B. 创建一个 Amazon Kinesis 数据流。创建两个 Amazon Data Firehose 传输流以将数据发送到 S3 存储桶和 OpenSearch Service。将传输流连接到数据流。配置数据源以将数据发送到数据流。
- C. 创建一个 Amazon Data Firehose 传输流以将数据发送到 OpenSearch Service。配置传输流以将原始数据备份到 S3 存储桶。配置数据源以将数据发送到传输流。
- D. 创建一个 Amazon Kinesis 数据流。创建一个 Amazon Data Firehose 传输流以将数据发送到 OpenSearch Service。配置传输流以将数据备份到 S3 存储桶。将传输流连接到数据流。配置数据源以将数据发送到数据流。
答案: C
第 38 题 · 题号 368 · 单选
一家企业对企业 （B2B） 电子商务公司希望制定公平公正的风险缓解策略，以拒绝潜在的欺诈交易。该公司希望拒绝欺诈易，尽管可能会失去一些有利可图的交易或客户。哪种解决方案能够以最少的运营工作量满足这些要求？
- A. 使用 Amazon SageMaker 仅批准公司过去销售过的产品的交易。
- B. 使用 Amazon SageMaker 根据客户数据训练自定义欺诈检测模型。
- C. 使用 Amazon Fraud Detector 预测 API 批准或拒绝 Fraud Detector 识别为欺诈的任何活动。
- D. 使用 Amazon Fraud Detector 预测 API 来识别潜在的欺诈活动，以便公司可以审查活动并拒绝欺诈交易。
答案: C
解析: 选项C是最符合要求的，因为它使用Amazon Fraud Detector预测API来直接批准或拒绝被识别为欺诈的活动。这种方法不需要人工干预，因此操作努力最少。
第 39 题 · 题号 369 · 单选
一家制造公司生产 100 种钢棒。棒类型具有不同的材料等级和尺寸。该公司拥有过去 50 年的钢棒销售数据。数据科学家需要构建机器学习 （ML） 模型来预测钢棒的未来销售。哪种解决方案将以最高效的运营方式满足这一要求？
- A. 使用 Amazon SageMaker DeepAR 预测算法为所有产品构建单个模型。
- B. 使用 Amazon SageMaker DeepAR 预测算法为每个产品构建单独的模型。
- C. 使用 Amazon SageMaker Autopilot 为所有产品构建单个模型。
- D. 使用 Amazon SageMaker Autopilot 为每个产品构建单独的模型。
答案: A
解析: 选项A是最高效的操作解决方案，因为它使用Amazon SageMaker DeepAR预测算法为所有产品构建一个单一模型。这种方法将运营开销降到最低，因为只需要维护和更新一个模型，相比维护多个模型更为高效。
第 40 题 · 题号 370 · 多选
机器学习 （ML） 专家正在为一家金融机构构建信用评分模型。ML 专家收集了过去 3 年交易的数据以及与交易相关的第三方元数据。在 ML 专家构建初始模型后，ML 专家发现该模型对训练数据和测试数据的准确性都较低。ML 专家需要提高模型的准确性。哪些解决方案将满足此要求？（选择两个。
- A. 增加现有训练数据的传递次数。执行更多超参数优化。
- B. 增加正则化的数量。使用更少的特征组合。
- C. 添加新的特定于域的功能。使用更复杂的模型。
- D. 使用更少的特征组合。减少数值属性 bin 的数量。
- E. 减少训练数据样本的数量。减少现有训练数据的传递次数。
答案: A, C