Amazon AWS Certified Machine Learning - Specialty (MLS-C01 Korean Version) - MLS-C01 Korean Exam Practice Test

A. 교육 프로그램을 /opt/ml/train 디렉토리에 복사합니다.

B. 컨테이너에서 bash_profile 파일을 수정하고 bash 명령어를 추가하여 교육 프로그램을 시작합니다.

C. 훈련 프로그램을 train이라는 ENTRYPOINT로 구성

D. Dockerfile의 CMD 구성을 사용하여 교육 프로그램을 이미지의 CMD로 추가합니다.

A. 필요한 경우 Amazon Translate를 사용하여 스페인어에서 영어로 번역합니다. Amazon SageMaker NTM(신경 주제 모델)을 사용하여 주제를 찾습니다.

B. 필요한 경우 Amazon Translate를 사용하여 스페인어에서 영어로 번역합니다. Amazon Lex를 사용하여 콘텐츠에서 주제를 추출합니다.

C. 필요한 경우 Amazon Translate를 사용하여 스페인어에서 영어로 번역합니다. Amazon Comprehend 주제 모델링을 사용하여 주제를 찾습니다.

D. 필요한 경우 Amazon SageMaker seq2seq 알고리즘을 사용하여 스페인어에서 영어로 번역합니다. SageMaker LDA(Latent Dirichlet Allocation) 알고리즘을 사용하여 주제를 찾습니다.

E. Amazon SageMaker BlazingText 알고리즘을 사용하여 언어와 독립적으로 주제를 찾습니다. 분석을 진행합니다.

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

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

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

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

A. 훈련에 사용되는 미니 배치에서 훈련 데이터의 무작위화를 높입니다.

B. 전체 데이터의 더 높은 비율을 훈련 데이터 세트에 할당합니다.

C. 딥 러닝 네트워크에서 레이어 및 단위(또는 뉴런)의 수를 줄입니다.

D. 훈련에 L1 또는 L2 정규화 및 드롭아웃을 적용합니다.

A. 온 프레미스 네트워크를 통해 Amazon SageMaker 트래픽을 라우팅합니다.

B. 회사 VPC 내에 Amazon SageMaker VPC 인터페이스 엔드 포인트를 생성합니다.

C. Amazon SageMaker를 호스팅하는 Amazon VPC로 VPC 피어링을 생성합니다.

D. 회사 VPC 내에 NAT 게이트웨이를 만듭니다.

A. Amazon Comprehend

B. Amazon Transcribe

C. 아마존 커넥트

D. 아마존 렉스

E. 아마존 폴리

F. 비즈니스용 Alexa

A. 레코드 식별자와 함께 SageMaker Feature Store GetRecord API를 사용합니다.

B. Amazon Athena 쿼리를 생성하여 피처 테이블에서 데이터를 검색합니다. write_time 값을 사용하여 최신 레코드를 찾습니다.

C. 피처 테이블에서 데이터를 검색하기 위한 Amazon Athena 쿼리를 생성합니다.

D. SageMaker Feature Store BatchGetRecord API를 레코드 식별자와 함께 사용합니다. 필터링하여 최신 레코드를 찾습니다.

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

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

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

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

A. 저장소가 Amazon S3에 로드하기 위해 AWS Storage Gateway에서 로컬로 데이터를 캡처하도록 전환한 다음 AWS Glue를 사용하여 변환하도록 요구합니다.

B. 변환 로직으로 Amazon EC2 인스턴스 플릿을 가동하고 Amazon S3에 누적되는 데이터 레코드를 변환하도록 하고 변환된 레코드를 Amazon S3로 출력합니다.

C. SQL을 사용하여 원시 레코드 속성을 단순 변환 값으로 변환하는 Kinesis Data Firehouse 스트림의 다운스트림에 Amazon Kinesis Data Analytics 스트림을 삽입합니다.

D. 변환 로직으로 Apache Spark를 실행하는 Amazon EMR 클러스터를 배포하고 Amazon S3의 누적 레코드에 대해 클러스터를 매일 실행하여 새/변환된 레코드를 Amazon S3에 출력합니다.

A. Amazon SageMaker를 사용하여 회사에서 과거에 판매한 제품에 대해서만 거래를 승인합니다.

B. Amazon Fraud Detector 예측 API를 사용하여 잠재적으로 사기성 활동을 식별하면 회사에서 해당 활동을 검토하고 사기성 거래를 거부할 수 있습니다.

C. Amazon Fraud Detector 예측 API를 사용하여 Fraud Detector가 사기로 식별한 모든 활동을 승인하거나 거부합니다.

D. Amazon SageMaker를 사용하여 고객 데이터를 기반으로 맞춤형 사기 탐지 모델을 학습시킵니다.

A. 데이터 내에 비선형 종속성이 발생할 수 있으며, 이로 인해 모델의 선형 가정이 무효화될 수 있습니다.

B. 학습 중에 역전파 알고리즘이 실패할 수 있습니다.

C. 최적화 중에 단일 행렬을 생성하여 고유한 솔루션을 정의하지 못할 수 있습니다.

D. 최적화 중에 손실 함수를 수정할 수 있으므로 학습 중에 실패할 수 있습니다.