MLA-C01 题库 · 最新 50 题免费预览（第 3/5 页）
MLA-C01（AWS Certified Machine Learning Engineer Associate (MLA)）最新题库第 21–30 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 233 题。
第 21 题 · 题号 204 · 单选
一位机器学习工程师需要通过使用 Amazon Bedrock 中的检索增强生成（RAG）来开发一个 AI 助手。该公司将一批 PDF 文本文件存储在 Amazon S3 存储桶中。该机器学习工程师必须创建一个 Amazon Bedrock 知识库，以处理这些 PDF 文件并将处理后的文件存储在向量存储中。哪种解决方案能满足这些要求？
- A. 使用最新版本的 Amazon Titan Text Premier 来执行文档嵌入。
- B. 使用最新版本的Mistral 7B Instruct进行指令微调。
- C. 使用最新版本的 Anthropic Claude Sonnet 来执行指令微调。
- D. 使用 Cohere Embed Multilingual 来执行文档嵌入。
答案: D
解析: 要使用RAG创建Amazon Bedrock知识库，需要一个嵌入模型将PDF文本文件转换为可以存储在向量存储中的向量表示。选项D（Cohere Embed Multilingual）专门用于文档嵌入，这是这里的正确用例。选项A（Amazon Titan Text Premier）、B（Mistral 7B Instruct）和C（Anthropic Claude Sonnet）都是文本生成/对话模型，不是嵌入模型，因此不能用于为知识库创建向量嵌入。
第 22 题 · 题号 205 · 单选
一位机器学习工程师正在调整一个图像分类模型，该模型在预测时对两个可用类别中的一个表现较差。分析显示，模型表现较差的图像类别在整个训练数据集中所占比例极小。该工程师必须提高模型的性能。哪种解决方案能满足这一要求？
- A. 为提高准确性，对较少出现的图像使用图像增强来生成新样本。
- B. 优化F1分数。对较少出现的图像使用图像增强来生成新样本。
- C. 优化以提高准确性。对较少出现的图像使用合成少数类过采样技术（SMOTE）来生成新样本。
- D. 针对F1分数进行优化。对较少见的图像使用合成少数类过采样技术（SMOTE）来生成新样本。
答案: B
解析: 在处理不平衡的图像分类问题时，有两个关键考虑因素：(1) SMOTE 专为表格/数值特征设计，通过在特征空间中插值样本之间的中间值来工作，这会破坏图像的空间结构并产生无意义的结果 - 图像增强（旋转、翻转、裁剪等）才是处理图像数据的正确方法。(2) 准确率对于不平衡数据集来说是一个糟糕的指标，因为模型只需预测多数类就能获得高准确率。F1 分数更合适，因为它平衡了精确率和召回率，能更好地反映模型在少数类上的性能。因此，针对 F1 分数进行优化，并结合对少数类进行图像增强是正确的解决方案。
第 23 题 · 题号 206 · 单选
一家娱乐公司的机器学习工程师正在优化一个机器学习模型，用于预测观众偏好。随着模型从数据中学习，机器学习工程师注意到模型的性能在早期达到峰值，然后开始逐渐下降。该工程师必须防止在初期成功后出现的性能下降。哪种解决方案能满足此要求？
- A. 增加层的数量。
- B. 实现早停。
- C. 为每一层添加更多神经元，以捕捉复杂的模式。
- D. 检查模型偏差和方差以了解性能问题。
答案: B
解析: 该场景描述了一个模型性能在早期达到峰值后逐渐下降的情况，这是过拟合的典型症状。模型最初学习底层模式，但随后开始记忆训练数据中的噪声，导致泛化性能下降。早停（Early Stopping）是一种专门用于解决此问题的正则化技术——它在训练过程中监控模型在验证集上的表现，并在性能开始下降时停止训练过程，从而保留性能最佳的模型状态。选项A（增加层数）和选项C（增加神经元）会增加模型复杂度，可能会加剧过拟合。选项D（检查偏差和方差）是一种诊断活动，而不是防止性能下降的具体解决方案。
第 24 题 · 题号 207 · 单选
一名机器学习工程师决定使用 Amazon SageMaker AI 自动模型调优 (AMT) 进行超参数优化 (HPO)。该机器学习工程师需要一种调优策略，该策略使用回归方法，根据先前的运行结果缓慢且依次地选择下一组超参数。该策略必须能在较小的超参数范围内工作。哪种解决方案能满足这些要求？
- A. 网格搜索
- B. 随机搜索
- C. 贝叶斯优化
- D. Hyperband算法
答案: C
解析: 贝叶斯优化使用回归模型评估之前的调优运行，并依次选择下一组超参数组合。它非常适合在较小的超参数范围内进行优化。
第 25 题 · 题号 208 · 单选
一位机器学习工程师正在开发一个线性回归机器学习模型。该模型在训练数据集上表现出很高的准确率，但在未见过的全新数据上表现较差。该机器学习工程师应采取什么措施来解决这个问题？
- A. 增加模型的复杂性以捕捉训练数据中的更多模式。使用 Amazon SageMaker Debugger 监控收敛问题。
- B. 应用机器学习技术，例如交叉验证和正则化。使用 Amazon SageMaker Experiments 来跟踪和比较不同模型版本及其性能指标。
- C. 将模型直接部署到生产环境中。使用 Amazon SageMaker Clarify 解释新数据上的模型输出。根据这些洞察调整模型。
- D. 在不调整模型规模的情况下增加训练数据集的规模。使用新数据重新训练模型。生成混淆矩阵以分析结果。
答案: B
解析: 该模型存在过拟合问题：在训练数据上准确率高，但在未见过的数据上表现较差。选项 B 通过推荐使用交叉验证（用于检测过拟合）和正则化（通过对复杂模型施加惩罚来防止过拟合）正确地解决了这一问题。使用 Amazon SageMaker Experiments 来跟踪和比较不同模型版本也是合适的做法。选项 A 会通过增加复杂度而加剧过拟合。选项 C 完全忽略了过拟合问题。选项 D 只能部分缓解问题，并且包含了混淆矩阵，而混淆矩阵与回归模型无关。
第 26 题 · 题号 209 · 单选
一家公司正在使用机器学习模型对视频中的动作进行分类。数据以 MP4 格式存储在 Amazon S3 中。该公司在创建模型时，标注所有视频帧耗时 4 个月。该公司需要使用 Amazon SageMaker AI 中现有的训练工作流重新训练模型。一位机器学习工程师必须实施一个能够减少标注时间的解决方案。哪种解决方案能够满足这些要求？
- A. 使用 SageMaker Ground Truth 来标注视频帧。
- B. 使用 SageMaker JumpStart 利用预训练的计算机视觉模型来开发标签模型。
- C. 使用 SageMaker Data Wrangler 创建数据工作流。使用该工作流优化标注流程。
- D. 使用 Amazon Augmented AI (Amazon A2I) 的标注界面与 Amazon Rekognition 一起标注视频帧。
答案: A
解析: SageMaker Ground Truth 是用于标注视频帧的合适服务。它支持视频帧标注,并提供自动标注功能,通过 ML 模型对数据进行预标注,然后由人工验证标签。与完全手动标注相比,这显著减少了标注时间。选项 B(JumpStart)提供用于模型开发的预训练模型,而非用于标注。选项 C(Data Wrangler)用于数据准备,而不是标注。选项 D(带有 Rekognition 的 A2I)用于人工审查 ML 预测结果,而不是用于初始数据集的标注。
第 27 题 · 题号 210 · 单选
一家公司使用机器学习模型向用户推荐视频。该模型部署在Amazon SageMaker AI上。模型在部署初期表现良好，但随着时间的推移，其性能出现了下降。该公司可以使用哪种解决方案来识别未来出现的模型漂移？
- A. 在 SageMaker Model Monitor 中创建一个监控任务，然后从训练数据集创建一个基线。
- B. 从训练数据集创建基线。然后在 SageMaker Model Monitor 中创建监控任务。
- C. 使用 SageMaker Clarify 中的内置规则创建基线。在 Amazon CloudWatch 中监控偏差。
- D. 在新数据上重新训练模型。将重新训练后的模型性能与原始模型的性能进行比较。
答案: B
解析: 使用 SageMaker Model Monitor 检测模型漂移的正确工作流程是：首先从训练数据集创建一个基线（作为比较的参考），然后创建一个监控任务，将实时推理数据与此基线进行比较，以检测随时间推移的任何漂移。选项 A 的顺序颠倒。选项 C 错误地使用了 SageMaker Clarify，该工具专为偏差检测而设计，而非模型漂移监控。选项 D 描述的是一种重新训练方法，而不是用于检测漂移的监控解决方案。
第 28 题 · 题号 211 · 单选
一位机器学习工程师使用 Amazon SageMaker Studio 训练一个神经网络。该神经网络将其信息记录到 TensorBoard 中，并使用随机梯度下降（SGD）作为优化器。该机器学习工程师查看了训练图表，发现准确率没有提升，损失值下降得非常缓慢。该机器学习工程师需要在不增加总训练时间的情况下提高模型的性能。哪种解决方案能满足这些要求？
- A. 提高初始学习率。
- B. 降低初始学习率。
- C. 增加总训练轮数。
- D. 减少总的训练轮数。
答案: A
解析: 当使用 SGD 优化器时,如果准确率没有上升且损失下降得非常缓慢,这通常表明学习率过低。模型对权重的更新幅度太小,导致收敛速度缓慢。提高初始学习率将使模型能够进行更大的权重更新,有助于模型更快地收敛并提高准确率,而无需额外的训练时间。选项 B 会使问题更糟,而选项 C 和 D 会增加训练时间或可能损害模型性能。
第 29 题 · 题号 212 · 多选
一名机器学习工程师正在将一个自定义模型从 Hugging Face Hub 导入到 Amazon Bedrock 中。该机器学习工程师希望在智能体（Agentic）AI 应用程序中使用 Amazon Bedrock API 调用该模型。哪些步骤的组合能够满足这些要求？（选择两项）
- A. 使用 Amazon Bedrock 按需模式导入模型以进行部署。
- B. 将模型转换为量化格式。转换后导入量化模型。
- C. 在智能体 AI 应用中，使用 Amazon SageMaker AI SDK 直接导入模型。
- D. 在模型导入过程中，请先配置自动伸缩策略，然后再在智能体 AI 应用中使用该模型。
- E. 在导入任务中，提供指向 Hugging Face 模型文件的完整 Amazon S3 URI。确保该 S3 URI 与 Amazon Bedrock 导入任务位于同一 AWS 账户中。
答案: A, E
第 30 题 · 题号 213 · 单选
一家数字媒体娱乐公司需要对实时视频内容进行审核，以确保直播活动期间的合规性。哪种解决方案能够以最低的运营开销满足这些要求？
- A. 使用 Amazon Rekognition 和 AWS Lambda 来提取并分析视频图像帧中的元数据。
- B. 使用 Amazon Rekognition 和托管在 Amazon Bedrock 上的大语言模型（LLM），从视频的图像帧中提取并分析元数据。
- C. 使用 Amazon SageMaker AI 从视频的图像帧中提取和分析元数据。
- D. 使用 Amazon Transcribe 和 Amazon Comprehend 从视频的图像帧中提取和分析元数据。
答案: A
解析: Amazon Rekognition 拥有专门用于检测图像和视频中不当视觉内容的内容审核功能,并且能够实时处理视频流。结合 AWS Lambda(无服务器计算服务),此解决方案无需基础设施管理、无需模型训练,并且运营开销极低。选项 B 通过使用 Bedrock 上的 LLM 添加了不必要的复杂性,因为 Rekognition 本已原生处理图像分析。选项 C(SageMaker AI)需要大量的运营开销来构建、训练和维护自定义机器学习模型。选项 D(Transcribe 和 Comprehend)用于音频和文本分析,而不是视频图像内容审核。