[2026] Amazon AWS Certified Machine Learning - Specialty (MLS-C01 Korean Version)

문제1

기계 학습(ML) 전문가가 모델 모니터링이 구성된 프로덕션 Amazon SageMaker 엔드포인트를 관리하고 있습니다. Amazon SageMaker 모델 모니터는 SageMaker 엔드포인트에서 위반을 감지하므로 ML 전문가는 최신 데이터 세트로 모델을 재교육합니다. 이 데이터 세트는 현재 프로덕션 트래픽을 통계적으로 나타냅니다. ML 전문가는 새 SageMaker 모델을 배포하고 첫 번째 모니터링 작업을 실행한 후에도 SageMaker 끝점에 여전히 위반 사항이 있음을 확인합니다.
ML 전문가는 위반 사항을 해결하기 위해 무엇을 해야 합니까?

A. 모니터링 작업을 수동으로 트리거하여 SageMaker 끝점 트래픽 샘플을 재평가합니다.

B. 끝점을 삭제하고 원래 구성으로 다시 만듭니다.

C. 새 훈련 세트에서 모델 모니터 기준 작업을 다시 실행합니다. 새 기준선을 사용하도록 모델 모니터를 구성합니다.

D. 원래 훈련 세트와 새 훈련 세트의 조합을 사용하여 모델을 다시 훈련시킵니다.

정답: C

설명: (Fast2test 회원만 볼 수 있음)

문제2

클라우드 연결 장치를 제공하여 건강한 수면 패턴을 장려하는 회사는 현재 AWS에서 수면 추적 애플리케이션을 호스팅하고 있습니다. 애플리케이션은 장치 사용자로부터 장치 사용 정보를 수집합니다. 회사의 데이터 과학 팀은 사용자가 회사 장치 사용을 중단할지 여부와 시기를 예측하기 위해 기계 학습 모델을 구축하고 있습니다. 이 모델의 예측은 사용자에게 연락하기 위한 최선의 접근 방식을 결정하는 다운스트림 애플리케이션에서 사용됩니다.
데이터 과학 팀은 회사의 비즈니스 목표에 따라 각 버전을 평가하기 위해 여러 버전의 기계 학습 모델을 구축하고 있습니다. 장기적인 효율성을 측정하기 위해 팀은 모델에서 제공되는 추론 부분을 제어할 수 있는 기능을 사용하여 오랜 기간 동안 여러 버전의 모델을 병렬로 실행하려고 합니다.
최소한의 노력으로 이러한 요구 사항을 충족하는 솔루션은 무엇입니까?

A. Amazon SageMaker에서 여러 모델을 구축하고 호스팅합니다. 각 모델마다 하나씩 여러 Amazon SageMaker 엔드포인트를 생성합니다. 애플리케이션 계층에서 추론을 위해 다양한 모델 호출을 프로그래밍 방식으로 제어합니다.

B. Amazon SageMaker에서 여러 모델을 구축하고 호스팅합니다. 여러 프로덕션 변형을 사용하여 Amazon SageMaker 엔드포인트 구성을 생성합니다. 엔드포인트 구성을 업데이트하여 여러 모델이 제공하는 추론 부분을 프로그래밍 방식으로 제어합니다.

C. Amazon SageMaker에서 여러 모델을 구축하고 호스팅합니다. 여러 모델에 액세스하는 단일 엔드포인트를 만듭니다. Amazon SageMaker 배치 변환을 사용하면 단일 엔드포인트를 통해 다양한 모델 호출을 제어할 수 있습니다.

D. 다양한 유형의 의료 기기를 고려하기 위해 Amazon SageMaker Neo에서 여러 모델을 구축하고 호스팅합니다. 의료 기기 유형에 따라 추론을 위해 호출되는 모델을 프로그래밍 방식으로 제어합니다.

정답: B

설명: (Fast2test 회원만 볼 수 있음)

문제3

전자 상거래 회사는 웹 애플리케이션을 위한 새로운 클라우드 기반 제품 추천 기능을 출시하려고 합니다. 데이터 현지화 규정으로 인해 민감한 데이터는 온프레미스 데이터 센터를 벗어나서는 안 되며 제품 추천 모델은 민감하지 않은 데이터만 사용하여 교육 및 테스트해야 합니다. 클라우드로의 데이터 전송은 IPsec을 사용해야 합니다. 웹 애플리케이션은 모든 데이터를 포함하는 PostgreSQL 데이터베이스를 사용하여 온프레미스에서 호스팅됩니다. 회사는 모델 재교육을 위해 데이터를 Amazon S3에 매일 안전하게 업로드하기를 원합니다.
기계 학습 전문가는 이러한 요구 사항을 어떻게 충족해야 합니까?

A. 테이블 매핑과 함께 AWS Database Migration Service(AWS DMS)를 사용하여 SSL 연결을 통해 민감한 데이터가 없는 PostgreSQL 테이블을 선택합니다. 데이터를 Amazon S3에 직접 복제합니다.

B. PostgreSQL DB 인스턴스에 연결할 AWS Glue 작업을 생성합니다. AWS Site-to-Site VPN 연결을 통해 Amazon S3로 모든 데이터를 수집하는 동시에 PySpark 작업을 사용하여 민감한 데이터를 제거합니다.

C. PostgreSQL DB 인스턴스에 연결할 AWS Glue 작업을 생성합니다. AWS Site-to-Site VPN 연결을 통해 Amazon S3에 직접 민감한 데이터 없이 테이블을 수집합니다.

D. PostgreSQL 논리적 복제를 사용하여 VPN 연결이 있는 AWS Direct Connect를 통해 Amazon EC2의 PostgreSQL에 모든 데이터를 복제합니다. AWS Glue를 사용하여 Amazon EC2에서 Amazon S3로 데이터를 이동합니다.

정답: A

설명: (Fast2test 회원만 볼 수 있음)

문제4

기계 학습 전문가가 1,000개의 레코드와 50개의 기능이 있는 데이터 세트에 선형 최소 자승 회귀 모델을 적용하고 있습니다. 훈련 전에 ML 전문가는 두 가지 기능이 완벽하게 선형으로 종속되어 있음을 확인합니다. 이것이 선형 최소 자승 회귀 모델에 문제가 될 수 있는 이유 ?

A. 학습 중 역전파 알고리즘이 실패할 수 있습니다.

B. 최적화 중에 손실 함수를 수정하여 훈련 중에 실패할 수 있습니다.

C. 최적화 중에 고유한 솔루션을 정의하지 못하는 특이 행렬을 생성할 수 있습니다.

D. 모델의 선형 가정을 무효화할 수 있는 데이터 내에 비선형 종속성을 도입할 수 있습니다.

정답: C

설명: (Fast2test 회원만 볼 수 있음)

문제5

기계 학습 전문가가 여러 ETL 작업을 포함하는 일일 ETL 워크 플로우를 개발 중입니다. 워크 플로우는 다음 프로세스로 구성됩니다.
* 데이터가 Amazon S3에 업로드되는 즉시 워크 플로우를 시작하십시오
* Amazon S3에서 모든 데이터 세트를 사용할 수 있는 경우 ETL 작업을 시작하여 이미 업로드 된 데이터 세트를 Amazon S3에 이미 저장된 여러 테라 바이트 크기의 데이터 세트와 결합하십시오
* Amazon S3에 데이터 세트 가입 결과 저장
* 작업 중 하나가 실패하면 관리자에게 알림을 보냅니다.
이러한 요구 사항을 충족하는 구성은 무엇입니까?

A. 데이터가 Amazon S3에 업로드 될 때 AWS Batch를 사용하여 ETL 작업 시작을 트리거하는 ETL 워크 플로우 개발 AWS Glue를 사용하여 Amazon S3의 데이터 세트에 참여 Amazon CloudWatch 경보를 사용하여 SNS 알림을 관리자에게 실패의 경우

B. 데이터가 Amazon S3에 업로드되는 즉시 AWS Lambda를 사용하여 다른 Lambda 함수를 연결하여 Amazon S3의 데이터 세트를 읽고 조인합니다. 장애 발생시 Amazon CloudWatch 경보를 사용하여 관리자에게 SNS 알림을 보냅니다.

C. AWS Lambda를 사용하여 Amazon SageMaker 노트북 인스턴스를 시작하는 ETL 워크 플로 개발 수명주기 구성 스크립트를 사용하여 데이터 세트에 가입하고 결과를 Amazon S3에 유지 Amazon AmazonWatch Watch 경보를 사용하여 SNS 알림을 관리자에게 보냅니다. 실패

D. AWS Lambda를 사용하여 AWS Step Functions 워크 플로를 트리거하여 Amazon S3에서 데이터 세트 업로드가 완료 될 때까지 기다립니다. AWS Glue를 사용하여 데이터 세트 가입 Amazon CloudWatch 경보를 사용하여 실패시 관리자에게 SNS 알림 전송

정답: D

설명: (Fast2test 회원만 볼 수 있음)

문제6

한 회사에서 주식 시장 가격 추세를 예측하려고 합니다. 회사는 매일 주식 시장 데이터를 Amazon S3에 Apache Parquet 형식으로 저장합니다. 회사는 각 주식 코드에 대해 매일 20GB의 데이터를 저장합니다.
데이터 엔지니어는 회사가 다음 날 주식 시장이 개장하기 전에 예측 작업을 완료할 수 있도록 Apache Spark를 사용하여 일괄 사전 처리 데이터 변환을 신속하게 수행해야 합니다. 회사는 더 많은 주식 시장 코드를 추적할 계획이며 전처리 데이터 변환을 확장할 수 있는 방법이 필요합니다.
시간이 지남에 따라 최소한의 개발 노력으로 이러한 요구 사항을 충족하는 AWS 서비스 또는 기능은 무엇입니까?

A. Amazon EMR 클러스터

B. AWS 람다

C. AWS Glue 작업

D. 아마존 아테나

정답: C

설명: (Fast2test 회원만 볼 수 있음)

문제7

온라인 소매업체의 기계 학습(ML) 개발자는 최근 Amazon SageMaker Studio에 판매 데이터 세트를 업로드했습니다. ML 개발자는 데이터 세트의 각 기능에 대한 중요도 점수를 얻고 싶어합니다. ML 개발자는 중요도 점수를 사용하여 데이터 세트를 특성화합니다.
최소한의 개발 노력으로 이 요구 사항을 충족할 수 있는 솔루션은 무엇입니까?

A. SageMaker Data Wrangler를 사용하여 Gini 중요도 점수 분석을 수행합니다.

B. SageMaker 노트북 인스턴스를 사용하여 PCA(주성분 분석)를 수행합니다.

C. 다중 공선성 기능을 사용하여 올가미 기능 선택을 수행하여 중요도 점수 분석을 수행합니다.

D. SageMaker 노트북 인스턴스를 사용하여 특이값 분해 분석을 수행합니다.

정답: A

설명: (Fast2test 회원만 볼 수 있음)

문제8

회사에서 자동화 된 회사 발표를 위해 일반 텍스트 문서를 음성으로 변환하기 위해 Amazon Polly를 사용하고 있지만 현재 문서에서 회사 약어가 잘못 인식되고 있습니다. 머신 러닝 전문가가 향후 문서를 위해이 문제를 어떻게 해결해야 합니까?

A. Amazon Lex를 사용하여 발음 할 텍스트 파일을 전처리

B. 적절한 발음 사전을 작성하십시오.

C. 발음 안내를위한 음성 마크 출력

D. 발음 태그를 사용하여 현재 문서를 SSML로 변환

정답: B

설명: (Fast2test 회원만 볼 수 있음)

문제9

한 회사에서 회사 웹사이트에 업로드되는 동물 이미지를 식별하고, 개수를 계산하고, 분류하는 애플리케이션을 만들고 있습니다. 이 회사는 ImageNetV2 CNN(컨벌루션 신경망)과 함께 Amazon SageMaker 이미지 분류 알고리즘을 사용하고 있습니다. 이 솔루션은 대부분의 동물 이미지에 적합하지만 흔하지 않은 많은 동물 종은 인식하지 못합니다.
이 회사는 흔하지 않은 동물 종의 레이블이 지정된 이미지 10,000개를 가져와 Amazon S3에 저장합니다. 기계 학습(ML) 엔지니어는 SageMaker의 파이프 모드를 사용하여 이미지를 모델에 통합해야 합니다.
ML 엔지니어는 모델을 학습시키기 위해 어떤 단계 조합을 수행해야 합니까? (2개를 선택하세요.)

A. 전이 학습을 시작합니다. 덜 일반적인 종의 이미지를 사용하여 모델을 훈련합니다.

B. SageMaker 이미지 분류 알고리즘과 함께 사용할 수 있는 Inception 모델을 사용합니다.

C. 이미지 파일 목록과 해당 클래스 레이블이 포함된 .lst 파일을 만듭니다. .lst 파일을 Amazon S3에 업로드합니다.

D. JSON Lines 형식의 증강 매니페스트 파일을 사용합니다.

E. ResNet 모델을 사용합니다. 무작위 가중치로 네트워크를 초기화하여 전체 훈련 모드를 시작합니다.

정답: A,C

설명: (Fast2test 회원만 볼 수 있음)

문제10

한 은행에서 저금리 신용 프로모션을 시작하려고 합니다. 그 은행은 최근 경제적 어려움을 겪은 마을에 위치해 있다. 은행 고객 중 일부만이 위기의 영향을 받았으므로 은행 신용팀은 프로모션 대상 고객을 식별해야 합니다. 그러나 신용팀은 결정을 내릴 때 단골 고객의 전체 신용 기록이 고려되기를 원합니다.
은행의 데이터 과학 팀은 계좌 거래를 분류하고 신용 자격을 이해하는 모델을 개발했습니다. 데이터 과학 팀은 XGBoost 알고리즘을 사용하여 모델을 훈련했습니다. 팀은 며칠에 걸쳐 훈련 및 초매개변수 조정을 위해 7년간의 은행 거래 내역 데이터를 사용했습니다.
모델의 정확도는 충분하지만 신용팀은 모델이 일부 고객에 대한 신용을 거부하는 이유를 정확하게 설명하기 위해 고군분투하고 있습니다. 신용팀은 데이터 과학에 대한 기술이 거의 없습니다.
가장 운영상 효율적인 방식으로 이 문제를 해결하기 위해 데이터 과학 팀은 무엇을 해야 합니까?

A. Amazon SageMaker Studio를 사용하여 모델을 재구축합니다. XGBoost 교육 컨테이너를 사용하여 모델 교육을 수행하는 노트북을 만듭니다. Amazon SageMaker 디버거를 활성화하고 Shapley 값을 계산하고 수집하도록 구성합니다. 기능과 SHAP(SHapley Additive exPlanations) 값을 표시하는 차트를 만들어 기능이 모델 결과에 어떻게 영향을 미치는지 신용팀에 설명하세요.

B. Amazon SageMaker 노트북 인스턴스를 생성합니다. 노트북 인스턴스와 XGBoost 라이브러리를 사용하여 모델을 로컬에서 재교육합니다. Python XGBoost 인터페이스의plot_importance() 메서드를 사용하여 기능 중요도 차트를 만듭니다. 해당 차트를 사용하여 기능이 모델 결과에 어떤 영향을 미치는지 신용 팀에 설명하십시오.

C. Amazon SageMaker Studio를 사용하여 모델을 재구축합니다. XGBoost 교육 컨테이너를 사용하여 모델 교육을 수행하는 노트북을 만듭니다. 엔드포인트에 모델을 배포합니다. Amazon SageMaker 처리를 사용하여 모델을 사후 분석하고 신용 팀을 위한 기능 중요도 설명 차트를 자동으로 생성합니다.

D. Amazon SageMaker Studio를 사용하여 모델을 재구축합니다. XGBoost 교육 컨테이너를 사용하여 모델 교육을 수행하는 노트북을 만듭니다. 엔드포인트에 모델을 배포합니다. 추론을 저장하려면 Amazon SageMaker 모델 모니터를 활성화하세요. 추론을 사용하여 모델 동작을 설명하는 데 도움이 되는 Shapley 값을 생성합니다. 기능과 SHAP(SHapley Additive exPlanations) 값을 표시하는 차트를 만들어 기능이 모델 결과에 어떻게 영향을 미치는지 신용팀에 설명하세요.

정답: D

설명: (Fast2test 회원만 볼 수 있음)

문제11

기계 학습 전문가가 회귀 모델을 학습했지만 첫 번째 반복을 최적화해야 합니다. 전문가는 모델이 목표를 과대 평가하거나 과소 평가하는지 여부를 이해해야 합니다.
전문가가 목표 값을 과대 평가하는지 또는 과소 평가하는지 확인하기 위해 어떤 옵션을 사용할 수 있습니까?

A. 곡선 아래 면적

B. 루트 평균 제곱 오류 (RMSE)

C. 잔차 도표

D. 혼동 행렬

정답: C

설명: (Fast2test 회원만 볼 수 있음)

Amazon AWS Certified Machine Learning - Specialty (MLS-C01 Korean Version) - MLS-C01 Korean무료 덤프문제 풀어보기

우리와 연락하기

유용한 링크

최신 업데이트