Latest Amazon MLS-C01 Korean Actual Free Exam Questions & Community Discussion, Page 4

Question #34

한 미디어 회사에서 소셜 미디어에 있는 이미지를 분석하기 위해 컴퓨터 비전 모델을 구축하고 있습니다. 이 모델은 회사가 Amazon S3에 저장한 이미지를 사용하여 훈련한 CNN으로 구성됩니다. 이 회사는 단일 Amazon EC2 온디맨드 인스턴스와 함께 파일 모드에서 Amazon SageMaker 교육 작업을 사용했습니다.
회사는 지난 24시간 동안 회사가 수집한 약 10,000장의 이미지를 활용하여 매일 모델을 업데이트합니다. 회사는 단 하나의 에포크로 훈련을 구성합니다. 회사는 코드를 변경할 필요 없이 교육 속도를 높이고 비용을 낮추기를 원합니다.
어떤 솔루션이 이러한 요구 사항을 충족합니까?

A. 파일 모드 대신 파이프 모드를 사용하도록 SageMaker 훈련 작업을 구성합니다. 파이프에서 데이터를 수집합니다.

B. 온디맨드 인스턴스 대신 스팟 인스턴스를 사용하도록 SageMaker 교육 작업을 구성합니다. 다른 사항은 변경하지 마세요.

C. 온디맨드 인스턴스 대신 스팟 인스턴스를 사용하도록 SageMaker 교육 작업을 구성합니다. 모델 체크포인트를 구현합니다.

D. 파일 모드 대신 다른 변경 없이 FastFile 모드를 사용하도록 SageMaker 훈련 작업을 구성합니다.

Discussion 0

Correct Answer: B Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #35

고양이를 식별하기 위해 감독 된 이미지 인식 모델을 구축하려면 기계 학습 전문가가 필요합니다. ML 전문가는 일부 테스트를 수행하고 신경망 기반 이미지 분류기에 대해 다음 결과를 기록합니다.
사용 가능한 총 이미지 수 = 1,000 테스트 세트 이미지 = 100 (일정한 테스트 세트) ML 전문가는 잘못 분류 된 이미지의 75 % 이상에서 소유자가 고양이를 거꾸로 세웠 음을 알았습니다.
ML Specialist는이 특정 테스트 오류를 개선하기 위해 어떤 기술을 사용할 수 있습니까?

A. 신경망의 레이어 수를 늘리십시오.

B. 마지막 레이어부터 마지막 레이어까지의 드롭 아웃 속도를 높입니다.

C. 훈련 이미지의 회전 변화를 추가하여 훈련 데이터를 증가시킵니다.

D. 모델 훈련을 위한 에포크 수를 늘리십시오.

Discussion 0

Correct Answer: C Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #36

전자상거래 회사는 회사 웹사이트를 사용하는 고객이 웹사이트에서 고객에게 추천하는 품목을 거의 보지 않는다는 것을 관찰했습니다. 이 회사는 고객이 구매하고 싶어할 가능성이 더 높은 품목을 고객에게 추천하고자 합니다.
가장 짧은 시간 안에 이 요구 사항을 충족시킬 수 있는 솔루션은 무엇일까요?

A. 회사 웹사이트를 Amazon EC2 GPU 기반 인스턴스에 호스팅하여 웹사이트 검색 도구의 속도를 높입니다.

B. 고객에게 개인화된 추천을 제공하기 위해 Amazon Personalize를 회사 웹사이트에 통합합니다.

C. 회사 웹사이트를 Amazon EC2 가속 컴퓨팅 인스턴스에 호스팅하여 웹사이트 응답 속도를 높입니다.

D. Amazon SageMaker를 사용하여 제품을 추천하는 신경 협업 필터링(NCF) 모델을 훈련합니다.

Discussion 0

Correct Answer: B Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #37

머신 러닝 전문가는 스트리밍 데이터를 수집하고 탐색 및 분석을 위해 Apache Parquet 파일에 저장할 수 있어야 합니다. 다음 중이 데이터를 올바른 형식으로 수집하고 저장하는 서비스는 무엇입니까?

A. Amazon Kinesis Data Firehose

B. Amazon Kinesis Data Analytics

C. AWSDMS

D. Amazon Kinesis 데이터 스트림

Discussion 0

Correct Answer: A Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #38

금융 서비스 회사는 Amazon S3에서 강력한 서버리스 데이터 레이크를 구축하고 있습니다. 데이터 레이크는 유연해야 하며 다음 요구 사항을 충족해야 합니다.
* Amazon Athena 및 Amazon Redshift Spectrum을 통해 Amazon S3에서 이전 및 새 데이터 쿼리를 지원합니다.
* 이벤트 기반 ETL 파이프라인을 지원합니다.
* 메타데이터를 이해하는 빠르고 쉬운 방법을 제공합니다.
어떤 접근 방식이 trfese 요구 사항을 충족합니까?

A. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고 AWS Lambda 함수를 사용하여 AWS Glue ETL 작업을 트리거하고 AWS Glue 데이터 카탈로그를 사용하여 메타데이터를 검색합니다.

B. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고 Amazon CloudWatch 경보를 사용하여 AWS Glue ETL 작업을 트리거하고 외부 Apache Hive 메타스토어를 사용하여 메타데이터를 검색하고 발견합니다.

C. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고 AWS Lambda 함수를 사용하여 AWS Batch 작업을 트리거하고 외부 Apache Hive 메타스토어를 사용하여 메타데이터를 검색하고 발견합니다.

D. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고 Amazon CloudWatch 경보를 사용하여 AWS Batch 작업을 트리거하고 AWS Glue 데이터 카탈로그를 사용하여 메타데이터를 검색하고 발견합니다.

Discussion 0

Correct Answer: A Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #39

분류 문제에 대한 신경망의 미니 배치 훈련 동안, 데이터 과학자는 훈련 정확도가 진동 함을 발견했습니다.이 문제의 가장 큰 원인은 무엇입니까?

A. 배치 크기가 너무 큽니다.

B. 데이터 세트 셔플 링이 비활성화 되었습니다.

C. 데이터 세트의 클래스 분포가 불균형.

D. 학습률이 매우 높다.

Discussion 0

Correct Answer: D Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #40

데이터 과학자는 금융 거래가 사기인지 여부를 분류하는 기계 학습 모델을 개발 중입니다. 훈련에 사용할 수 있는 레이블이 지정된 데이터는 사기가 아닌 관찰 100,000개와 사기 관찰 1,000개로 구성됩니다.
데이터 과학자는 XGBoost 알고리즘을 데이터에 적용하므로 훈련된 모델이 이전에 본 적이 없는 검증 데이터 세트에 적용될 때 다음과 같은 혼동 행렬이 생성됩니다. 모델의 정확도는 99.1%이지만 데이터 과학자는 위음성 수를 줄여야 합니다.

데이터 과학자는 모델에서 거짓 긍정 예측의 수를 줄이기 위해 어떤 단계 조합을 취해야 합니까? (2개를 선택하십시오.)

A. 모델이 현재 데이터에 과소적합되어 있으므로 XGBoost max_depth 매개변수를 늘립니다.

B. XGBoost evaljnetric 매개변수를 오류 대신 AUC를 기반으로 최적화하도록 변경합니다.

C. 모델이 현재 데이터를 과적합하고 있으므로 XGBoost max_depth 매개변수를 줄입니다.

D. XGBoost scale_pos_weight 매개변수를 증가시켜 양수 가중치와 음수 가중치의 균형을 조정합니다.

E. XGBoost eval_metric 매개변수를 오류 대신 rmse 기반으로 최적화하도록 변경합니다.

Discussion 0

Correct Answer: B,D Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #41

데이터 과학자는 GZIP 파일의 데이터 스트림에 대한 실시간 통찰력을 얻고 자합니다. SQL을 사용하여 LEAST 대기 시간으로 스트림을 쿼리 할 수 있는 솔루션은 무엇입니까?

A. 데이터를 변환하고 Amazon ES 클러스터에 저장하는 Amazon Kinesis Client Library.

B. Amazon Kinesis Data Firehose가 데이터를 변환하여 Amazon S3 버킷에 넣습니다.

C. AWS Lambda 함수를 사용하여 데이터를 변환하는 Amazon Kinesis Data Analytics.

D. 데이터를 변환하기 위한 사용자 지정 ETL 스크립트가 있는 AWS Glue.

Discussion 0

Correct Answer: C Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #42

음악 스트리밍 회사가 피처를 추출하는 파이프라인을 구축하고 있습니다. 이 회사는 오프라인 모델 훈련과 온라인 추론을 위해 피처를 저장하려고 합니다. 이 회사는 피처 기록을 추적하고 회사의 데이터 과학 팀에 피처에 대한 액세스 권한을 부여하려고 합니다.
이러한 요구 사항을 충족하면서 가장 운영 효율적인 솔루션은 무엇일까요?

A. 온라인 추론 기능과 오프라인 모델 학습 기능을 저장하기 위해 두 개의 별도 Amazon DynamoDB 테이블을 만듭니다. 두 테이블 모두에서 시간 기반 버전 관리를 사용합니다. 온라인 추론을 위해 DynamoDB 테이블을 쿼리합니다. 새로운 SageMaker 학습 작업이 시작되면 DynamoDB에서 Amazon S3로 데이터를 이동합니다. 데이터 과학자가 두 테이블에 모두 액세스할 수 있도록 하는 오전 1시 정책을 만듭니다.

B. 온라인 추론 기능을 저장할 Amazon S3 버킷 하나를 만듭니다. 오프라인 모델 학습 기능을 저장할 두 번째 S3 버킷을 만듭니다. S3 버킷에 대한 버전 관리를 켜고 태그를 사용하여 온라인 추론 기능을 위한 태그와 오프라인 모델 학습 기능을 위한 태그를 지정합니다. Amazon Athena를 사용하여 온라인 추론을 위해 S3 버킷을 쿼리합니다. 오프라인 모델 학습을 위한 S3 버킷을 SageMaker 학습 작업에 연결합니다.
데이터 과학자가 두 버킷에 모두 액세스할 수 있도록 허용하는 오전 1시 정책입니다.

C. Amazon SageMaker Feature Store를 사용하여 모델 학습 및 추론을 위한 피처를 저장합니다. 온라인 추론 및 모델 학습을 위한 온라인 스토어를 만듭니다. 데이터 과학자가 피처 그룹에 액세스하고 검색할 수 있는 1AM 역할을 만듭니다.

D. Amazon SageMaker Feature Store를 사용하여 모델 학습 및 추론을 위한 피처를 저장합니다. 온라인 추론을 위한 온라인 스토어를 만듭니다. 모델 학습을 위한 오프라인 스토어를 만듭니다. 데이터 과학자가 피처 그룹에 액세스하고 검색할 수 있는 1AM 역할을 만듭니다.

Discussion 0

Correct Answer: D Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #43

머신 러닝 전문가는 광범위한 경제적 요인을 기반으로 미래 고용률을 예측하는 모델을 구축하고 있습니다. 모델 전문가는 모델 교육을 위한 데이터를 준비하기 위해 무엇을 해야 합니까?

A. OSB(orthogonal sparse Diagram) 변환을 적용하여 고정 크기 슬라이딩 윈도우를 적용하여 유사한 크기의 새로운 기능을 생성합니다.

B. quantile binning을 적용하여 데이터를 범주형 bin으로 그룹화하여 크기를 분포로 대체하여 데이터의 모든 관계를 유지합니다.

C. 정규화를 적용하여 각 필드가 의미 있는 크기를 제거하기 위해 평균이 0이고 분산이 1이 되도록 합니다.

D. 데카르트 곱 변환을 적용하여 크기와 무관한 새로운 필드 조합 생성

Discussion 0

Correct Answer: C Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Question #44

데이터 과학 팀은 자연어 처리(NLP) 애플리케이션을 구축할 계획입니다. 애플리케이션의 텍스트 사전 처리 단계에는 품사 태깅 및 핵심 단계 추출이 포함됩니다. 사전 처리된 텍스트는 데이터 과학 팀이 Apache MXNet을 사용하여 이미 작성하고 교육한 사용자 지정 분류 알고리즘에 입력됩니다.
팀이 이러한 요구 사항을 충족하기 위해 가장 빠르게 구축할 수 있는 솔루션은 무엇입니까?

A. 품사 태깅, 핵심 단계 추출 및 분류 작업에 Amazon Comprehend를 사용합니다.

B. 품사 태깅 및 주요 단계 추출 작업에 Amazon Comprehend를 사용합니다. Amazon SageMaker에 내장된 LDA(Latent Dirichlet Allocation) 알고리즘을 사용하여 사용자 지정 분류기를 구축합니다.

C. 품사 태깅에 Amazon SageMaker의 NLP 라이브러리를 사용합니다. 주요 단계 추출에 Amazon Comprehend를 사용합니다. Amazon SageMaker와 함께 AWS Deep Learning Containers를 사용하여 사용자 지정 분류자를 구축합니다.

D. 품사 태깅 및 주요 단계 추출 작업에 Amazon Comprehend를 사용합니다. Amazon SageMaker와 함께 AWS Deep Learning Containers를 사용하여 사용자 지정 분류자를 구축합니다.

Discussion 0

Correct Answer: D Vote an answer

Explanation: Only visible for EduDump members. You can sign-up / login (it's free).

Amazon MLS-C01 Korean Actual Free Exam Questions & Community Discussion

Download Free Amazon MLS-C01 Korean Demo