AWS認定資格 WEB問題集＆徹底解説機械学習エンジニア アソシエイト（MLA）
各問題の解説にある「これだけ覚える（記憶フック）」を一覧にしました。問題名をタップすると、問題と解説を開けます。復習や試験直前の総ざらいにご活用ください。
全問：500 件
（うち 20 件を表示）
問題
記憶フック
BYOC＝「中身は自分、外側は SageMaker」。Docker イメージと ECR はユーザー、インフラ実行はマネージド。
「入力データの統計が学習時とズレた」＝データドリフト。精度低下（モデル品質）より先に出る先行指標。
スパース × 特徴量の交互作用 ＝ Factorization Machines。レコメンドとクリック予測の定番。
Model Monitor は「キャプチャ」と「ベースライン」が両輪。比べる材料と比べる基準、両方そろって初めて検知できる。
変動するトラフィックには「自動で増減」。クォータ引き上げも大きいインスタンスも、余剰か手動対応が残る。
「本番データで試したいが、顧客には当てたくない」＝シャドウ。A/B・カナリアは顧客に当たる。
Firehose の Lambda は「宛先」でも「イベントソース」でもなく“データ変換”。配信前の加工は設定 1 つで済む。
「迅速に」＝スケジュールではなくイベント駆動。Lex で意図不明なら組み込みフォールバックインテント。
Redshift で「列の中身」をロール別に隠す＝ダイナミックデータマスキング。行を絞るのは RLS。
視覚的・ノーコードでデータ準備なら Data Wrangler。Feature Store は「準備した結果の保管庫」、Clarify は「バイアス診断」。
ML パイプラインの本命は SageMaker Pipelines。手動デプロイ・自前スクリプトが混ざった時点で失格。
汎用ラベルで足りなければ Custom Labels、不適切画像の検出は Moderation。顔系 API（DetectFaces / CompareFaces）は無関係。
Data Wrangler は「変換」＋「分析」。日時の分解は変換機能、特徴量重要度はクイックモデル。推論や本番予測はやらない。
「いつ」を問われたら時系列予測＝DeepAR。K-Means は分類の下ごしらえ、RCF は「今おかしい」、XGBoost は「今どっち」。
流れを自動化するなら Pipelines、試行錯誤を記録・比較するなら Experiments。この 2 つはセットで覚える。
モデルの A/B テスト＝1 エンドポイント内のプロダクションバリアントでトラフィック分割。評価軸は技術指標ではなくビジネス指標。
大規模データ × 分散トレーニングの I/O 最適解は FSx for Lustre。File＝全ダウンロード、Pipe＝逐次ストリーム、FastFile＝S3 専用。
強化学習＝エージェント・環境・アクション・報酬。「ラベル」が出てきたら教師あり学習、「ルール」が出てきたら非 ML。
ベースライン＝一番シンプルで説明できるモデル。構造化データの回帰なら Linear Learner。Autopilot は「比較される側」。
K-Means はグループを「作る」（教師なし）、KNN は既存ラベルで「振り分ける」（教師あり）。名前が似ているだけで別物。
残り 480 件の記憶フックはプレミアム会員限定です
非会員は問20まで、無料会員は問40までの記憶フックを表示できます。プレミアム会員なら全問の記憶フックをまとめて見返せます（1 時間無料でお試しいただけます）。