EN簡體繁體
登錄
首頁 / AWS / MLS-C01
AWS · MLS-C01

AWS Certified Machine Learning – Specialty

MLS-C01 英文 PDF 練習題，共 369 題，按題庫順序提供題目、原腳本支持的選項、答案及已有解析。本方案僅適用於此考試，一次付費，不自動續費。

考試介紹

這是一項歷史機器學習專項認證，關注數據準備、探索分析、建模與 ML 實施運維。

官網標註該認證於 2026-03-31 退役；所列語言爲歷史信息。

考試代碼
MLS-C01
官方考試／認證名稱
AWS Certified Machine Learning – Specialty
考試形式
單選題及多選題
考試時長
180 分鐘
官方考試題量
65 題
歷史官方考試語言
英文、日文、韓文、簡體中文

官方考試語言與下方練習題文件的語言分別列出；實際考試版本及可選語種以官方預約頁面爲準。

官方來源：官方資料
信息覈對日期：2026-10-20

支持的語言

  • 英文
  • 簡體中文
先試閱，再決定

前20 題免費試閱

題庫共 369 題

題目按題庫原始順序展示。展開查看答案和解析。

本頁試閱由簡體題庫轉換爲繁體中文。

免責聲明：本站所有題目均整理自互聯網，僅供學習參考。

第 16 題

Question#16Topic1

在針對分類問題對神經網絡進行小批量訓練期間，一位數據科學家注意到訓練準確度波動。
這個問題最可能的原因是什麼？

  1. A.數據集中的類別分佈不平衡。
  2. B.數據集改組已禁用。
  3. C.批量大小太大。
  4. D.學習率非常高。
查看答案與解析

答案

D

解析

參考：
https://towardsdatascience.com/deep-learning-personal-notes-part-1-lesson-2-8946fe970b95

第 17 題

Question#17Topic1

一名員工在公司的社交媒體提要上發現了一個帶音頻的視頻片段。視頻中使用的語言是西班牙語。英語是員工的第一語言，他們不懂西班牙語。員工想要進行情緒分析。
哪種服務組合對完成任務最有效？

  1. A.Amazon Transcribe、Amazon Translate 和 Amazon Comprehend
  2. B.Amazon Transcribe、Amazon Comprehend 和 Amazon SageMaker seq2seq
  3. C.Amazon Transcribe、Amazon Translate 和 Amazon SageMaker 神經主題模型 (NTM)
  4. D.Amazon Transcribe、Amazon Translate 和 Amazon SageMaker BlazingText
查看答案

答案

A

第 18 題

Question#18Topic1

機器學習專家正在將自定義 ResNet 模型打包到 Docker 容器中，以便公司可以利用 Amazon SageMaker 進行培訓。
專家正在使用 Amazon EC2 P3 實例訓練模型，需要正確配置 Docker 容器以利用 NVIDIA GPU。
專家需要做什麼？

  1. A.將 NVIDIA 驅動程序與 Docker 映像捆綁在一起。
  2. B.構建與 NVIDIA-Docker 兼容的 Docker 容器。
  3. C.組織 Docker 容器的文件結構以在 GPU 實例上執行。
  4. D.在 Amazon SageMaker CreateTrainingJob 請求正文中設置 GPU 標誌。
查看答案與解析

答案

B

解析

https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-dg.pdf 第 55 頁：如果您計劃使用 GPU 設備，請確保您的容器與 nvidia-docker 兼容。容器中應僅包含 CUDA 工具包。不要將 NVIDIA 驅動程序與映像捆綁在一起。有關 nvidia-docker 的更多信息，請參閱 NVIDIA/nvidia-docker。所以答案是 B https://docs.aws.amazon.com/sagemaker/latest/dg/sagemaker-dg.pdf

第 19 題

Question#19Topic1

一位機器學習專家正在構建一個邏輯迴歸模型，該模型將預測一個人是否會點披薩。 Specialist 正在嘗試構建具有理想分類閾值的最優模型。
Specialist 應該使用什麼模型評估技術來了解不同的分類閾值將如何影響模型的性能？

  1. A.接受者操作特徵 (ROC) 曲線
  2. B.誤分類率
  3. C.均方根誤差 (RMSE)
  4. D.L1範數
查看答案與解析

答案

A

解析

參考：
https://docs.aws.amazon.com/machine-learning/latest/dg/binary-model-insights.html

第 20 題

Question#20Topic1

交互式在線詞典想要添加一個小部件來顯示在相似上下文中使用的單詞。要求機器學習專家爲驅動小部件的下游最近鄰模型提供詞特徵。
專家應該怎麼做才能滿足這些要求？

  1. A.創建單熱詞編碼向量。
  2. B.使用 Amazon Mechanical Turk 爲每個單詞生成一組同義詞。
  3. C.創建存儲與每個其他詞的編輯距離的詞嵌入向量。
  4. D.下載在大型語料庫上預訓練的詞嵌入。
查看答案與解析

答案

D

解析

解決方案是詞嵌入。由於是交互式在線詞典，我們需要預訓練的詞嵌入，因此答案是D。此外，沒有提到在線詞典是唯一的，沒有預訓練的詞嵌入。因此我強烈認爲答案是D

下載與使用

  • 本資料按考試單獨購買，支持 1、3、6 或 12 個月期限。
  • 支付確認後，在“我的練習題”中查看下載入口和準確到期時間。
  • 有效期內可重複下載；到期後需要重新購買。
  • PDF 僅供購買者個人學習使用，不可轉售或公開分享。
  • 已下載至設備的文件不會因權限到期被遠程刪除。
如何選擇適合自己的認證