AWS Certified Machine Learning - Specialty (MLS-C01) 日本語ダンプと解説

スマート製造向け分析企業は、18か国にわたる25,000台のCNC機から機械テレメトリを取り込む必要がある。各機器は20秒ごとに、最大サイズ1 KBで55フィールドを含むレコードを送信する。同社はすでに Amazon Kinesis Data Streams でこのストリームを取り込んでおり、取り込んだレコードについて毎時のサマリーを作成する必要がある。これらのサマリーは Amazon Athena で、8〜12個のフィールドを対象にクエリされる。取り込んだデータの変換と保存に対するカスタマイズを最小限に抑えつつ、これらの要件を満たすソリューションはどれか？

モバイルゲーム会社のデータサイエンティストは、ゲーム内購入記録を Amazon DynamoDB テーブル（12 GB）に、広告インプレッションのログを Amazon S3（6 GB）の JSON ファイルとして保存している。Amazon SageMaker でコンバージョン予測モデルを学習するにあたり、管理オーバーヘッドを最小限に抑えつつ、player_id での簡単な結合と、最大 5 分のイベントタイムスタンプの許容ウィンドウを用いて単一の学習用データセットを準備する必要がある。必要な変換を実行するには、どのアプローチを使用すべきか？

フィンテックのスタートアップのデータサイエンティストは、Amazon S3 上の 2 TB の Parquet データに対して 7 日・30 日のローリングウィンドウ集計を実行して学習用・テスト用データセットを生成する PySpark 3.3 スクリプトを実行する必要がある。さらに、設計特徴量の数（例: 40、80、160）やサンプルサイズ（例: 100k、500k、1M レコード）を切り替えながら前処理バリアント間でモデル性能を体系的に比較し、各実行で使用したパラメータと得られた評価指標を記録する必要がある。長時間稼働の Spark クラスターを管理することなく、出力は S3 でバージョニングされ、下流の SageMaker トレーニングで容易に消費できるようにしたい。モデルに最適なデータ変換を見極めるために、どのアプローチを用いるべきか？

あるデジタルメディア系スタートアップは、構造化された CSV の購読レコード 3 TB と、半構造化の JSON クリックストリームログ 1 TB を、時間単位のパーティション (s3://company-data/{csv,logs}/dt=YYYY-MM-DD-HH/) で Amazon S3 に保存している。ML スペシャリストは、サーバ管理不要で、運用負荷を最小限にし、クエリごとの従量課金で、24時間以内に両方のデータセットに対してアドホックな ANSI SQL クエリを実行したい。最も簡単にこのデータをクエリする方法はどれか。

あるライドシェアプラットフォームは、新規にオンボーディングしたドライバーが最初の30日以内に安全インシデントを起こすかどうかを予測するドライバーリスク分類モデルの構築を計画している。社内外12のソースのログを結合した結果、約8,200の生の特徴量があり、多くの特徴量ペアでピアソン相関が0.95を超えている。すべての特徴量を用いた勾配ブースティング分類器のベースライン学習は1回あたり3時間以上かかり、過学習が明確に見られる（学習AUC 0.96、検証AUC 0.79）。チームは元のデータセットからの情報をあまり失わずに学習を大幅に高速化したい。この目的を満たすために、どの特徴量エンジニアリング手法を用いるべきか？