MLS-C01 题库 · 最新 50 题免费预览（第 3/5 页）
MLS-C01（AWS Certified Machine Learning Specialty (MLS-C01)）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 380 题。
第 21 题 · 题号 351 · 单选
一家公司向数千人分发在线多项选择调查。调查的受访者可以为每个问题选择多个选项。机器学习 （ML） 工程师需要在数据集中全面表示所有受访者的每一个回答。ML 工程师将使用该数据集来训练 Logistic 回归模型。哪种解决方案将满足这些要求？
- A. 对调查的每个问题的每个可能选项执行 one-hot 编码。
- B. 对每个受访者为每个问题选择的所有答案执行分箱。
- C. 使用 Amazon Mechanical Turk 为每组可能的响应创建分类标签。
- D. 使用 Amazon Textract 为每组可能的响应创建数值特征。
答案: A
解析: 在这种情况下，需要对每个问卷问题的所有可能选项进行编码，以综合表示所有应答者的每个回复。使用 one-hot 编码（选项 A）是一种有效的方法，因为它能够为每个可能的答案创建一个二进制特征，而不会引入额外的维度。这种编码适用于分类问题，并且在训练机器学习模型，例如逻辑回归模型时，它能够正确处理多个类别的选项。因此，选项 B、C 和 D 都不能满足题目中提到的需要综合所有应答者的所有响应的需求。
第 22 题 · 题号 352 · 多选
机器学习 （ML） 专家正在为一家公司开发模型。该模型将对视频中显示的对象序列进行分类和预测。ML 专家决定使用混合架构，该架构由卷积神经网络 （CNN） 和分类器三层递归神经网络 （RNN） 组成。该公司之前开发了一个类似的模型，但训练该模型对一组不同的对象进行分类。ML 专家希望通过使用先前训练的模型并针对当前使用案例和对象集调整模型来节省时间。哪种步骤组合将以最少的努力实现此目标？（选择两个。
- A. 重新初始化整个 CNN 的权重。使用新的对象集在分类任务上重新训练 CNN。
- B. 重新初始化整个网络的权重。使用新的对象集在预测任务上重新训练整个网络。
- C. 重新初始化整个 RNN 的权重。使用一组新的对象在预测任务上重新训练整个模型。
- D. 重新初始化 CNN 的最后一个全连接层的权重。使用新的对象集在分类任务上重新训练 CNN。
- E. 重新初始化 RNN 最后一层的权重。使用一组新的对象在预测任务上重新训练整个模型。
答案: D, E
解析: 在选择正确答案时，我们考虑到如何以最小的成本适应新的对象分类任务。选项 D 和 E 都涉及对网络中最后一个关键层（即 CNN 的最后一层和 RNN 的最后一层）的权重初始化重新设置，并通过使用新的对象集训练整个模型来完成预测任务。这种策略可以在保留原有模型结构的同时，最小化对新任务的训练时间。
第 23 题 · 题号 353 · 多选
数据科学家正在为一家电子商务公司构建新模型。该模型将预测交付包裹需要多少分钟。在模型训练期间，数据科学家需要评估模型性能。数据科学家应该使用哪些指标来满足此要求？（选择两个。
- A. 推理延迟
- B. 均方误差 （MSE）
- C. 均方根误差 （RMSE）
- D. 精度
- E. 准确性
答案: B, C
解析: 在模型训练过程中，数据科学家需要评估模型性能。在这个需求下，他们应该使用能够提供预测质量信息的指标。均方误差（MSE）和根均方误差（RMSE）都是衡量预测值与实际值差异的指标，因此对于评估预测时间的准确性非常有用。而推理延迟（InferenceLatency）是一个与预测计算速度相关的指标，精度（Precision）和准确率（Accuracy）通常用于分类问题，而不是回归问题（如预测时间）。
第 24 题 · 题号 354 · 单选
数据科学家使用 Amazon SageMaker Data Wrangler 从数据科学家从 Amazon S3 导入的数据集中获取功能摘要。数据科学家注意到数据集特征的预测能力得分为 1。分数的原因是什么？
- A. 导入的数据集中发生目标泄漏。
- B. 数据科学家没有微调训练和验证的拆分。
- C. 数据科学家使用的 SageMaker Data Wrangler 算法没有找到适合每个特征的最佳模型来计算预测能力。
- D. 数据科学家对特征的处理不足，无法准确计算预测能力。
答案: A
第 25 题 · 题号 355 · 单选
公司的机器学习 （ML） 团队需要构建一个系统，该系统可以检测图像集合中的人员是否佩戴了公司的徽标。该公司有一组标记的训练数据。ML 团队应该使用哪种算法来满足此要求？
- A. 主成分分析 （PCA）
- B. 递归神经网络 （RNN）
- C. К 最近邻 （k-NN）
- D. 卷积神经网络 （CNN）
答案: D
解析: 考虑任务是在一组图片中检测是否有公司Logo的人，这是一个图像分类的问题。在这四个选项中，卷积神经网络（CNN）最适合作为解决此问题的算法。PCA主要用于降维和数据可视化，在图像分类任务上效率不高；循环神经网络（RNN）主要用于处理序列数据，如文本或时间序列数据，不适合用于图像识别任务；k-近邻算法（k-NN）基于距离度量进行分类，并不适合复杂图像识别任务。因此，最适合此任务的是卷积神经网络（CNN），它特别设计用于处理图像、视频等二维数据，并能有效提取特征进行图像分类任务。
第 26 题 · 题号 356 · 多选
一家公司希望使用机器学习 （ML） 来改进其客户流失预测模型。该公司将数据存储在 Amazon Redshift 数据仓库中。数据科学团队希望使用 Amazon Redshift 机器学习 （Amazon Redshift ML） 来构建模型，并直接在数据仓库中对新数据运行预测。公司应采取哪些步骤组合来使用 Amazon Redshift ML 来满足这些要求？（选择三个。
- A. 定义客户流失预测模型的特征变量和目标变量。
- B. 使用 SOL EXPLAIN_MODEL 函数运行预测。
- C. 编写 CREATE MODEL SQL 语句以创建模型。
- D. 使用 Amazon Redshift Spectrum 训练模型。
- E. 手动将训练数据导出到 Amazon S3。
- F. 使用 SQL prediction 函数运行预测。
答案: A, C, F
解析: 根据提供的内容，公司希望使用机器学习（ML）来优化客户流失预测模型，并且将数据存储在Amazon Redshift数据仓库中。他们想要直接在数据仓库中使用Amazon Redshift ML构建模型并针对新数据进行预测。以下是执行这些要求所需步骤的组合： 1. **定义特征变量和目标变量**：这是创建预测模型的首要步骤，即确定哪些数据可用于预测客户是否会流失。 2. **编写SQL语句创建模型**：通过特定的SQL命令，在Amazon Redshift中创建机器学习模型。 3. **使用SQL预测函数运行预测**：使用Amazon Redshift ML功能，在数据仓库内部直接针对新数据进行预测的一种方法。 4. **利用Amazon Redshift Spectrum进行模型训练**：虽然这是可能的选项，但问题中未提供足够的信息将其选为必要的措施。 5. **手动将训练数据导出至Amazon S3**：这是从Amazon Redshift将数据移至Amazon S3的过程，但这不是在数据仓库内直接预测的必要步骤。 6. **使用SOL EXPLAIN_MODEL函数进行预测**：这个选项可能与实际使用Amazon Redshift ML的方式不匹配，通常不会使用此功能进行预测。 综上所述，根据问题的背景和上下文，选择的正确步骤组合是A、C和F。
第 27 题 · 题号 357 · 单选
一家公司正在使用来自远程站点设备的实时数据构建预测性维护系统。站点与公司的 VPC 之间没有 AWS Direct Connect 连接或 VPN 连接。需要将数据从设备实时提取到 Amazon S3 中。需要进行转换，将原始数据转换为干净的 .csv 数据，然后馈送到机器学习 （ML） 模型中。转换需要在摄取过程中进行。当转换失败时，需要将记录存储在 Amazon S3 中的特定位置以供人工审核。转换前的原始数据还需要存储在 Amazon S3 中。ML 专家应该如何构建解决方案以最少的工作量满足这些要求？
- A. 将 Amazon Data Firehose 与 Amazon S3 结合使用作为目标。配置 Firehose 以调用 AWS Lambda 函数进行数据转换。在 Firehose 上启用源记录备份。
- B. 使用 Amazon Managed Streaming for Apache Kafka。在 Amazon Elastic Container Service （Amazon ECS） 中设置工作程序，以便在转换数据时将数据从 Kafka 代理移动到 Amazon S3。配置工作程序以将原始数据和未成功转换的数据存储在不同的 S3 存储桶中。
- C. 将 Amazon Data Firehose 与 Amazon S3 结合使用作为目标。配置 Firehose 以调用 AWS Glue 中的 Apache Spark 作业进行数据转换。启用源记录备份并配置错误前缀。
- D. 在 Amazon Data Firehose 前面使用 Amazon Kinesis Data Streams。将 Kinesis Data Streams 与 AWS Lambda 结合使用，将原始数据存储在 Amazon S3 中。将 Firehose 配置为调用 Lambda 函数以 Amazon S3 为目标进行数据转换。
答案: A
解析: 答案是A。选择使用Amazon Data Firehose作为目标并将其与Amazon S3配合使用。配置Firehose调用AWS Lambda函数执行数据转换，并在Firehose上启用源记录备份。这种方法可以在实时将设备数据导入Amazon S3的同时进行数据转换，当转换失败时，可以将记录保存在特定的Amazon S3位置供人工检查，同时也会在Amazon S3中存储原始数据。这个方案符合所有要求并且操作最为简便。
第 28 题 · 题号 358 · 单选
机器学习 （ML） 专家收集了一组客户的日常产品使用数据。ML 专家从外部数据源附加了客户元数据，例如年龄和性别。ML 专家希望了解特定年龄段客户在一周中每天的产品使用模式。ML 专家创建了两个分类特征，分别命名为 dayofweek 和 binned_age。ML 专家应该使用哪种方法来发现两个新分类特征之间的关系？
- A. 为 day_of_week 和 binned_age 创建散点图。
- B. 为 day_of_week 和 binned_age 创建交叉表。
- C. 为 day_of_week 和 binned_age 创建词云。
- D. 为 day_of_week 和 binned_age 创建箱线图。
答案: B
解析: 根据问题描述，机器学习专家想要理解每周每天的产品使用模式，以及特定年龄段的用户。对于这两个新的分类特征 dayofweek 和 binned_age，我们需要分析它们之间的关系。在这些选项中，创建交叉表（crosstabs）最适合用于分析分类变量之间的关系。交叉表可以展示不同类别的组合频率或计数，从而帮助我们发现 dayofweek 和 binned_age 之间的关联性。
第 29 题 · 题号 359 · 单选
一家电子商务公司发现该公司网站的搜索工具没有向客户显示排名靠前的搜索结果。该公司需要解决此问题，以便搜索工具显示客户最有可能想要购买的结果。哪种解决方案能够以最少的运营工作量满足此要求？
- A. 使用 Amazon SageMaker BlazingText 算法通过查询扩展为搜索结果添加上下文。
- B. 使用 Amazon SageMaker XGBoost 算法提高候选人排名。
- C. 使用 Amazon CloudSearch 并按搜索相关性分数对结果进行排序。
- D. 使用 Amazon CloudSearch 并按地理位置对结果进行排序。
答案: C
解析: 亚马逊云搜索是一个高度可扩展的搜索服务，可以让您在网页、移动设备或其他应用中快速、相关并自定义搜索体验。在这种情况下，为了满足客户的需求提供最相关的搜索结果，使用亚马逊云搜索并按照搜索相关性分数对结果进行排序是最佳方案。这将确保客户获得他们最有可能购买的产品。这种策略所需的运营努力最少，因为它不需要额外复杂的算法来调整查询或者考虑地理位置等无关因素。
第 30 题 · 题号 360 · 单选
机器学习 （ML） 工程师正在创建二元分类模型。ML 工程师将在高度敏感的环境中使用该模型。错过正面标签不会产生任何费用。但是，做出假阳性推断的成本非常高。在这种情况下，要优化模型的最重要指标是什么？
答案: B
解析: 在这个情境下，我们需要关注的是，犯假阳性的错误成本极高。这表示我们更看重模型正确识别阳性标签的性能，即便这可能导致一些阴性标签被误认为阳性。因此，在这种情况下，选择精确度（Precision）作为优化模型的关键指标更为恰当。