AWS Certified Machine Learning Engineer – Associate

案例研究
一位 ML 工程師正在 AWS 上開發欺詐檢測模型。訓練數據集包括事務日誌、客戶資料和本地 MySQL 數據庫中的表。交易日誌和客戶資料存儲在 Amazon S3 中。
數據集存在類不平衡，會影響模型算法的學習。此外，許多功能具有相互依賴性。該算法並未捕獲數據中所有所需的底層模式。
數據聚合後，機器學習工程師必須實現一個解決方案來自動檢測數據中的異常情況並可視化結果。
哪種解決方案會滿足這些要求嗎？

案例研究
一位 ML 工程師正在 AWS 上開發欺詐檢測模型。訓練數據集包括事務日誌、客戶資料和本地 MySQL 數據庫中的表。交易日誌和客戶資料存儲在 Amazon S3 中。
數據集存在類不平衡，會影響模型算法的學習。此外，許多功能具有相互依賴性。該算法並未捕獲數據中所有所需的基礎模式。
訓練數據集包括分類數據和數值數據。機器學習工程師必須準備訓練數據集，以最大限度地提高模型的準確性。
哪種操作能夠以最少的運營開銷滿足此要求？

案例研究
一位 ML 工程師正在 AWS 上開發欺詐檢測模型。訓練數據集包括事務日誌、客戶資料和本地 MySQL 數據庫中的表。交易日誌和客戶資料存儲在 Amazon S3 中。
數據集存在類不平衡，會影響模型算法的學習。此外，許多功能具有相互依賴性。該算法並未捕獲數據中所有所需的底層模式。
在機器學習工程師訓練模型之前，機器學習工程師必須解決數據不平衡的問題。
哪種解決方案能夠滿足此要求最少的運營工作量？

案例研究
一位 ML 工程師正在 AWS 上開發欺詐檢測模型。訓練數據集包括事務日誌、客戶資料和本地 MySQL 數據庫中的表。交易日誌和客戶資料存儲在 Amazon S3 中。
數據集存在類不平衡，會影響模型算法的學習。此外，許多功能具有相互依賴性。該算法未捕獲數據中所有所需的底層模式。
ML 工程師需要使用 Amazon SageMaker 內置算法來訓練模型。
ML 工程師應使用哪種算法來滿足此要求要求？

一家公司在生產中部署了 XGBoost 預測模型，以預測客戶是否可能取消訂閱。該公司使用 Amazon SageMaker Model Monitor 來檢測 F1 分數的偏差。
在模型質量的基線分析過程中，該公司記錄了 F1 分數的閾值。幾個月沒有變化後，模型的 F1 分數明顯下降。
F1 分數下降的原因可能是什麼？