Amazon AWS Certified Machine Learning - Specialty (MLS-C01 Korean Version) - MLS-C01 Korean FREE EXAM DUMPS QUESTIONS & ANSWERS

A. Amazon Kinesis Data Firehose를 사용하여 Amazon DynamoDB에서 Amazon S3로 데이터를 내보냅니다. OuickSight를 구성하여 Amazon S3의 데이터에 액세스합니다. B. Amazon Kinesis Data Streams를 사용하여 Amazon DynamoDB에서 Amazon S3로 데이터를 내보냅니다.
Amazon S3의 데이터에 액세스하도록 OuickSight를 구성합니다. C. AWS Glue를 사용하여 Amazon DynamoDB에서 Amazon S3로 데이터를 내보냅니다. Amazon S3의 데이터에 액세스하도록 OuickSight를 구성합니다. D. OuickSight의 API 호출을 사용하여 Amazon DynamoDB에 있는 데이터에 직접 액세스합니다.

A. AWS DeepLens 카메라를 설치하고 DeepLens_Kinesis_Video 모듈을 사용하여 각 카메라의 비디오를 Amazon Kinesis 비디오 스트림으로 스트리밍합니다. 각 스트림에서 AWS Lambda 함수를 실행하여 이미지 조각을 캡처한 다음 Amazon Rekognition Image를 호출하여 알려진 직원 모음에서 얼굴을 감지하고 비 직원이 감지되면 경고합니다. B. 각 지역 사무소와 카메라마다 프록시 서버를 사용하고 RTSP 피드를 고유 한 Amazon Kinesis 비디오 스트림 비디오 스트림으로 스트리밍합니다. 각 스트림에서 Amazon Rekognition Image를 사용하여 알려진 직원 모음에서 얼굴을 감지하고 비 직원이 감지되면 경고합니다. C. AWS DeepLens 카메라를 설치하고 DeepLens_Kinesis_Video 모듈을 사용하여 각 카메라의 비디오를 Amazon Kinesis Video Streams로 스트리밍 합니다. 각 스트림에서 Amazon Rekognition Video를 사용하고 스트림 프로세서를 생성하여 각 스트림의 컬렉션에서 얼굴을 감지하고 비 직원이 감지되면 경고합니다. D. 각 지역 사무소와 카메라마다 프록시 서버를 사용하고 RTSP 피드를 고유 한 Amazon Kinesis 비디오 스트림 비디오 스트림으로 스트리밍 합니다. 각 스트림에서 Amazon Rekognition Video를 사용하고 알려진 프로세서 모음에서 얼굴을 감지하고 비 직원이 감지되면 경고하는 스트림 프로세서를 생성합니다.

A. 클래스 C와 D는 너무 비슷합니다. B. 데이터 세트가 너무 작아서 홀드아웃 교차 검증에 사용할 수 없습니다. C. 데이터 분포가 왜곡되어 있습니다. D. 이 모델은 B와 E 클래스에 대해 과적합됩니다.

A. CNN 모델의 가중치를 암호화합니다. B. 훈련 작업에 대해 네트워크 격리를 활성화합니다. C. 훈련 및 검증 데이터 세트를 암호화합니다. D. SageMaker 실행 역할에서 Amazon S3 액세스 권한을 제거합니다.

A. Amazon SageMaker Data Wrangler에서 새 흐름을 생성합니다. S3 파일을 가져오고, Featurize 날짜/시간 변환을 사용하여 새 변수를 생성하고, 데이터 세트를 Amazon S3에 새 파일로 저장합니다. B. Amazon EMR 클러스터를 생성합니다. 타임스탬프 변수를 문자열로 읽고, 새 변수를 변환 및 생성하고, 데이터 세트를 Amazon S3에 새 파일로 저장할 수 있는 PySpark 코드를 개발합니다. C. AWS Glue 작업을 생성합니다. 타임스탬프 변수를 문자열로 읽고, 새 변수를 변환 및 생성하고, 데이터 세트를 Amazon S3에 새 파일로 저장할 수 있는 코드를 개발합니다. D. Amazon SageMaker에서 처리 작업을 생성합니다. 타임스탬프 변수를 문자열로 읽고, 새 변수를 변환 및 생성하고, 데이터 세트를 Amazon S3에 새 파일로 저장할 수 있는 Python 코드를 개발합니다.

A. 엔드포인트 네트워크 인터페이스의 보안 그룹을 수정하여 인스턴스에 대한 접근을 제한합니다. B. 엔드포인트 네트워크 인터페이스에서 ACL을 수정하여 인스턴스에 대한 액세스를 제한합니다. C. IAM 사용자에 대한 액세스를 허용하는 VPC 엔드포인트 정책을 추가합니다. D. SageMaker Runtime VPC 엔드포인트 인터페이스를 VPC에 추가합니다. E. Amazon SageMaker Service API 호출에만 액세스할 수 있도록 사용자의 IAM 정책을 수정합니다.

A. 소셜 미디어 게시물이 S3 버킷에 추가될 때 AWS Lambda 함수를 트리거합니다. 각 게시물에 대해 Amazon Comprehend를 호출하여 메시지의 감정을 캡처하고 Amazon DynamoDB 테이블에 감정을 기록합니다. 두 번째 Lambda 함수를 예약하여 최근에 추가된 레코드를 쿼리하고 Amazon Simple Notification Service(Amazon SNS) 알림을 보내 분석가에게 추세를 알립니다. B. 의미론적 세분화 알고리즘을 사용하여 소셜 미디어 게시물 코퍼스의 의미론적 콘텐츠를 모델링하여 Amazon SageMaker에서 모델을 교육합니다. AWS Lambda에서 호출할 수 있는 엔드포인트를 노출합니다. 객체가 S3 버킷에 추가되면 Lambda 함수를 트리거하여 엔드포인트를 호출하고 Amazon DynamoDB 테이블에 감정을 기록합니다. 두 번째 Lambda 함수를 예약하여 최근에 추가된 레코드를 쿼리하고 Amazon Simple Notification Service(Amazon SNS) 알림을 보내 분석가에게 추세를 알립니다. C. BlazingText 알고리즘을 사용하여 소셜 미디어 게시물 코퍼스에서 감정을 감지하여 Amazon SageMaker에서 모델을 교육합니다. AWS Lambda에서 호출할 수 있는 엔드포인트를 노출합니다. 게시물이 S3 버킷에 추가되면 Lambda 함수를 트리거하여 엔드포인트를 호출하고 Amazon DynamoDB 테이블과 사용자 지정 Amazon CloudWatch 지표에 감정을 기록합니다. CloudWatch 경보를 사용하여 분석가에게 추세를 알립니다. D. 소셜 미디어 게시물이 S3 버킷에 추가될 때 AWS Lambda 함수를 트리거합니다. 각 게시물에 대해 Amazon Comprehend를 호출하여 메시지의 감정을 캡처하고 사용자 지정 Amazon CloudWatch 지표 및 S3에 감정을 기록합니다. CloudWatch 경보를 사용하여 분석가에게 추세를 알립니다.

A. AWS Lambda를 사용하여 사전 정의된 SageMaker 파이프라인을 실행하여 S3 버킷에 도착하는 각각의 새로운 데이터 세트에 대해 변환을 수행합니다. B. AWS Step Functions 단계와 사전 정의된 SageMaker 파이프라인을 실행하여 S3 버킷에 도착하는 각각의 새로운 달라셋에 대해 변환을 수행합니다. C. Apache Airflow를 사용하여 S3 버킷에 도착하는 각각의 새 데이터 세트에 대해 사전 정의된 변환 세트를 조정합니다. D. S3 버킷에서 새 데이터가 감지되면 변환을 수행하기 위해 사전 정의된 SageMaker 파이프라인을 실행하도록 Amazon EventBridge를 구성합니다.

A. 기능 엔지니어링 및 모델 개발 모두에 Amazon ML을 사용합니다. B. 기능 엔지니어링 및 모델 개발 모두에 Amazon SageMaker 노트북 사용 C. 기능 엔지니어링에는 Amazon SageMaker 노트북을 사용하고 모델 개발에는 Amazon ML 사용 D. 기능 엔지니어링에는 Amazon EMR, 모델 개발에는 Amazon SageMaker SDK 사용

A. 제품 재고가 변경 될 때 원래 교육 데이터와 새 데이터를 사용하여 모델을 주기적으로 재교육해야 합니다. B. 제품 재고 변경을 처리 할 수 없으므로 모델을 완전히 다시 엔지니어링해야 합니다. C. 드리프트를 방지하기 위해 모델의 하이퍼 파라미터를 주기적으로 업데이트해야 합니다 D. 제품 재고 변경을 처리하기 위해 정규화 용어를 추가하는 동안 모델은 원래 데이터를 사용하여 처음부터 처음부터 다시 학습해야 합니다.