AWS Machine Learning 시험에 대처한 방법

Dec 23 2022

저는 최근에 AWS Machine Learning Specialty 시험을 치를 기회가 있었고 제 경험과 시험 준비에 도움이 되었던 몇 가지 팁을 공유하고 싶었습니다. 참고: 모든 의견은 제 의견이며 고용주의 의견을 반영하지 않습니다. 무엇보다도 기계 학습 개념과 기술에 대한 탄탄한 기반을 갖추는 것이 중요합니다.

저는 최근에 AWS Machine Learning Specialty 시험 을 치를 기회가 있었고 제 경험과 시험 준비에 도움이 되었던 몇 가지 팁을 공유하고 싶었습니다.

참고: 모든 의견은 본인의 것이며 고용주의 의견을 반영하지 않습니다.

무엇보다도 기계 학습 개념과 기술에 대한 탄탄한 기초를 갖추는 것이 중요합니다. 여기에는 다양한 유형의 알고리즘, 작동 방식 및 사용 시기를 이해하는 것이 포함됩니다.

이러한 기초 외에도 AWS 플랫폼에서 기계 학습에 대한 실무 경험을 갖는 것도 중요합니다. 여기에는 Amazon SageMaker , Amazon Comprehend , Amazon Kendra ( 등 )와 같은 AI 서비스 사용과 프로덕션 환경에서 기계 학습 모델을 배포하는 방법에 대한 이해가 포함됩니다.

시험의 10% 는 분석 서비스에 중점을 두므로 데이터 수집, 데이터 처리 및 데이터 시각화 기술을 잘 이해하는 것이 중요합니다. 자세한 내용은 여기 를 참조하십시오 .

시험을 준비하기 위해 매 순간 세부 사항에 뛰어드는 대신 재료의 몇 가지 핵심 부분을 공부하고 연습 시험을 수행하는 데 집중했습니다 . 이 접근 방식이 시간 효율적이라는 것을 알았기 때문입니다.

(1) 내장 알고리즘

시험을 준비하기 위해 저는 많은 기본 제공 알고리즘을 감독 및 비감독 범주로 분류한 다음 각각에 대한 일반적인 사용 사례를 나열하여 연구했습니다. 이 접근 방식은 시험에서 패턴을 더 잘 식별하고 다양한 상황에서 적용할 수 있는 방법을 파악하는 데 도움이 되었습니다. 참고: 아래에서 만든 이미지는 AWS의 모든 내장 알고리즘으로 구성되어 있지 않습니다. 전체 목록은 여기 를 참조 하십시오.

(2) 언더피팅과 오버피팅의 개념

과소적합 과 과적 합의 차이점을 이해하는 것은 모델의 정확도와 효율성에 상당한 영향을 미칠 수 있으므로 기계 학습 분야에서 매우 중요합니다. 과소적합 은 모델이 너무 단순하고 데이터의 복잡성을 포착할 수 없을 때 발생하여 교육 및 테스트 데이터 모두에서 성능이 저하됩니다. 반면에 과적합 은 모델이 너무 복잡하고 훈련 데이터에 완벽하게 맞출 수 있지만 테스트 데이터에서는 성능이 좋지 않을 때 발생합니다.

모의고사 때 많이 나오던 문제들에 대한 답을 빠르게 참고할 수 있도록 아래 표를 만들었습니다!

(3) ML 분류 지표

기계 학습 분류 모델의 성능을 평가하는 데 사용되는 몇 가지 공통 메트릭이 있습니다.

정확도 : 이것은 가장 간단한 메트릭이며 모델이 올바른 예측의 백분율을 측정합니다.

3. Recall : 모델이 정확하게 식별할 수 있었던 실제 양성 사례의 비율을 측정합니다.

4. F1 점수 : 정밀도와 재현율의 가중 평균으로 분류기를 비교하는 단일 지표로 자주 사용된다.

5. AUC-ROC Curve : 모델의 성능을 그래픽으로 표현한 것으로, True Positive Rate와 False Positive Rate 사이의 trade-off를 보여줍니다.

6. Confusion Matrix : 모델이 예측한 true positive, true negative, false positive, false negative 예측의 수를 나타내는 표입니다.

(4) 아마존 세이지메이커

CC: 아마존 사이언스

Amazon SageMaker 는 기계 학습 모델을 구축, 교육 및 배포하기 위한 다양한 도구와 서비스를 제공하는 완전 관리형 기계 학습 플랫폼입니다. 저는 이 서비스를 배우는 것을 가장 우선시했습니다.

YouTube 의 Amazon Sagemaker 재생 목록 은 기계 학습과 Amazon Sagemaker를 사용하여 모델을 구축하고 배포하는 방법에 대해 배울 수 있는 훌륭한 리소스입니다 .

공식 AWS 설명서도 Amazon Sagemaker의 다양한 기능에 대한 자세한 정보를 제공하므로 귀중한 리소스입니다. 보다 실용적인 접근 방식을 선호하는 경우 Amazon Sagemaker를 사용하여 기계 학습 모델을 구축하고 배포하는 단계별 가이드를 제공하는 Stephan Maarek의 Udemy 과정 이 훌륭한 옵션입니다. 또한 Amazon Sagemaker Immersion Day 는 플랫폼의 모든 핵심 기능에 대해 배우고 실제 작업 경험을 얻을 수 있는 환상적인 기회입니다.

(5) 특성 공학 기법

기능 엔지니어링은 모델 학습에 사용되는 기능의 품질이 성능에 상당한 영향을 미칠 수 있기 때문에 기계 학습 프로세스에서 중요한 단계입니다. 좋은 기능은 모델이 더 정확한 예측을 하는 데 도움이 될 수 있는 반면, 좋지 않거나 관련 없는 기능은 학습하고 효과적인 결정을 내리는 능력을 방해할 수 있습니다. 관련 기능 을 신중하게 선택하고 생성함으로써 모델이 해결하려는 문제를 더 잘 이해하고 보이지 않는 새로운 데이터로 일반화하는 능력을 향상시킬 수 있습니다. 또한 기능 엔지니어링은 모델의 복잡성을 줄이는 데 도움이 될 수 있으므로 해석 가능성이 향상되고 실제 응용 프로그램에 더 쉽게 배포할 수 있습니다.

모든 기술을 이해하기 쉽게 만들기 위해 아래에 만든 표를 확인하십시오. 가장 중요한 것은 핵심 단어를 식별하는 것입니다!

(6) AWS AI 서비스

특정 시나리오에 대한 워크플로를 효과적으로 구성하려면 다양한 AWS AI 서비스와 그 기능을 이해하는 것이 중요합니다. 예를 들어 회사가 다른 데이터 과학 리소스에 액세스할 수 없지만 뉴스 기사에서 고객 감정을 추출하려는 경우 Amazon Comprehend 가 좋은 선택일 수 있습니다. 이 서비스는 자연어 처리를 사용하여 텍스트를 분석하고 감정을 식별하므로 이 작업에 적합합니다. 그러나 회사가 소셜 미디어 플랫폼의 데이터도 분석하고 싶다면 Amazon Rekognition이미지 및 비디오 분석을 전문으로 하기 때문에 더 적합할 수 있습니다. 각 서비스의 기능을 알면 당면한 작업에 가장 적합한 도구를 선택할 수 있으므로 작업 흐름이 효율적이고 효과적입니다.