AWS Certified Machine Learning Specialty (MLS-C01)

AWS Certified Machine Learning Specialty (MLS-C01) 更新于今天

查看第 5 至第 57 页.
查看第 21-25 至第 285 道题

Disclaimers:

- ExamTopics website is not related to, affiliated with, endorsed or authorized by Amazon.and Azure
- Trademarks, certification & product names are used for reference only and belong to Amazon.and Azure

Topic 1 - Exam A

Question #21 Topic 1

一位机器学习专家正在为Amazon SageMaker设计一个可扩展的数据存储解决方案。现有一个基于TensorFlow的模型作为火车实现。py脚本，该脚本依赖于当前存储为TFRecords的静态训练数据。哪种向Amazon SageMaker提供培训数据的方法可以满足业务需求，且开发开销最少？

A 使用Amazon SageMaker脚本模式并使用训练。py不变。将AmazonSageMaker训练调用指向数据的本地路径，而无需重新格式化训练数据。
B 使用Amazon SageMaker脚本模式并使用训练。py不变。将TFRecord数据放入AmazonS3存储桶。将AmazonSageMaker训练调用指向S3存储桶，而无需重新格式化训练数据。
C 重写火车。py脚本，添加一个将TFRecords转换为protobuf并摄取protobuf数据而不是TFRecords的部分。
D 按照Amazon SageMaker接受的格式准备数据。使用AWS Glue或AWS Lambda重新格式化数据并将其存储在Amazon S3存储桶中。

正确答案: D
解析:

Question #22 Topic 1

一家飞机发动机制造公司正在按时间序列测量200项性能指标。工程师希望在测试过程中近实时地检测关键的制造缺陷。需要存储所有数据以进行离线分析。哪种方法最有效地执行近实时缺陷检测？

A 使用AWS物联网分析进行摄取、存储和进一步分析。使用AWS物联网分析中的Jupyter笔记本电脑进行异常分析。
B 使用Amazon S3进行摄取、存储和进一步分析。使用Amazon EMR集群执行Apache Spark ML k-means集群以确定异常。
C 使用Amazon S3进行摄取、存储和进一步分析。使用Amazon SageMaker Random Cut Forest（RCF）算法确定异常。
D 使用Amazon Kinesis Data Firehose进行摄取，使用Amazon Kinosis Data Analytics Random Cut Forest（RCF）进行异常检测。使用Kinesis Data Firehose将数据存储在Amazon S3中以供进一步分析。

正确答案: B
解析:

Question #23 Topic 1

一家医疗保健公司计划使用神经网络将他们的X射线图像分为正常和异常两类。标记的数据被分成1000个图像的训练集和200个图像的测试集。具有50个隐藏层的神经网络模型的初始训练在训练集上产生了99%的准确度，但在测试集上只有55%的准确度。专家应考虑哪些变化来解决此问题？（选择三个。）

A 选择更多层数
B 选择较低层数
C 选择较小的学习率
D 启用释放
E 在训练集中包含测试集的所有图像
F 启用提前停止

正确答案: ADE
解析:

Question #24 Topic 1

一家通过提供云连接设备来促进健康睡眠模式的公司目前在AWS上托管了一个睡眠跟踪应用程序。应用程序从设备用户收集设备使用信息。该公司的数据科学团队正在构建一个机器学习模型，以预测用户是否以及何时停止使用该公司的设备。下游应用程序使用该模型的预测结果来确定联系用户的最佳方法。数据科学团队正在构建多个版本的机器学习模型，以根据公司的业务目标评估每个版本。为了衡量长期有效性，团队希望长期并行运行模型的多个版本，并能够控制模型所提供的推理部分。哪种解决方案以最小的努力满足这些要求？

A 在Amazon SageMaker中构建和托管多个模型。创建多个Amazon SageMaker端点，每个模型一个。以编程方式控制在应用层调用不同的模型进行推理。
B 在Amazon SageMaker中构建和托管多个模型。使用多个生产变量创建Amazon SageMaker端点配置。通过更新端点配置以编程方式控制由多个模型提供的推理部分。
C 在Amazon SageMaker Neo中构建和托管多个模型，以考虑不同类型的医疗设备。根据医疗设备类型编程控制调用哪个模型进行推断。
D 在Amazon SageMaker中构建和托管多个模型。创建访问多个模型的单个端点。使用AmazonSageMaker批处理转换来控制通过单个端点调用不同的模型。

正确答案: D
解析:

Question #25 Topic 1

一个城市希望监测其空气质量，以解决空气污染的后果。机器学习专家需要预测城市未来2天的空气质量（百万分之几的污染物）。由于这是一个原型，因此只有去年的每日数据可用。哪种模型最可能在Amazon SageMaker中提供最佳结果？

A 在包含全年数据和预测类型回归的单一时间序列上使用Amazon SageMaker k近邻（kNN）算法。
B 在包含全年数据的单一时间序列上使用Amazon SageMaker随机砍伐森林（RCF）。
C 在包含全年数据和预测类型回归的单一时间序列上使用Amazon SageMaker线性学习器算法。
D 使用Amazon SageMaker线性学习器算法对包含全年数据和预测类型分类器的单个时间序列进行学习。

正确答案: C
解析: 参考：https://aws.amazon.com/blogs/machine-learning/build-a-model-to-predict-the-impact-of-weather-on-urban-air-quality-using-amazon-sagemaker/?ref=欢迎使用AI