Amazon MLS-C01: Modelagem — Supervisionada e Não Supervisionada (ML Clássico) — Guia de estudos

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

Faz parte do AWS Machine Learning Specialty MLS-C01 — Guia de estudos. Pratique com respostas verificadas no centro de exames da Amazon, ou faça testes cronometrados no ExamRoll.io.

Escolha do modelo e arquitetura para problemas supervisionados

A seleção de um modelo começa com o formato dos dados e as restrições de produção. Para um sinal linear com muitos exemplos e coeficientes interpretáveis, a regressão linear ou logística regularizada (SageMaker LinearLearner ou scikit-learn ElasticNet) é rápida e produz coeficientes que você pode inspecionar. Quando interações não lineares dominam, ensembles de árvores como XGBoost (contêiner SageMaker XGBoost) ou LightGBM capturam a heterogeneidade sem a necessidade de um escalonamento pesado de features; ajuste eta (learning_rate), max_depth, subsample, colsample_bytree e a regularização alpha/lambda para controlar o overfitting. SVMs podem ser eficazes em conjuntos de features de pequeno a médio porte e bem escalonados, mas normalmente exigem contêineres personalizados ou o ScriptMode do scikit-learn no SageMaker, pois grandes conjuntos de dados são caros; lembre-se de padronizar as features e escolher o kernel/regularização (C, gamma) com cuidado. O Naive Bayes é uma linha de base (baseline) rápida para entradas categóricas/de texto esparsas e de alta dimensionalidade; ele pressupõe independência condicional e falha quando as correlações são fortes. Para milhares de features ou conjuntos de dados muito grandes, use redução de dimensionalidade (PCA) ou feature hashing e prefira o treinamento distribuído em instâncias ml.c5 ou ml.p3 se estiver usando redes neurais profundas (deep nets) baseadas em GPU. Faça o deploy com SageMaker endpoints para inferência em tempo real ou com o Batch Transform para previsões em lote; use Multi-Model Endpoints ao manter muitos modelos para reduzir custos.

Métricas, desbalanceamento, calibração e trade-offs de implantação

A acurácia é sedutora, mas enganosa em problemas desbalanceados; prefira métricas sensíveis às classes, como precisão (precision), recall, F1, ROC AUC para dar ênfase a classes balanceadas, e PR AUC quando a classe positiva é rara. Ao produzir probabilidades, verifique a calibração com diagramas de confiabilidade (reliability diagrams) e Brier score; use a escala de Platt (Platt scaling) ou a calibração isotônica (isotonic calibration) implementada offline (scikit-learn CalibratedClassifierCV) ou calibre dentro do treinamento do SageMaker, gerando scores brutos e aplicando uma etapa de pós-processamento. Para lidar com o desbalanceamento de classes, prefira a ponderação de amostras (sample weighting) (suportada no SageMaker LinearLearner e em muitos scripts de treinamento), oversampling direcionado (SMOTE) ou undersampling durante o treinamento, e a reponderação da perda (loss re-weighting) ou focal loss para redes neurais. Para pontuação quase em tempo real de probabilidades de fraude, otimize a latência do modelo usando um tipo de instância com baixa latência de inferência (ml.m5.large ou instâncias otimizadas para CPU), mantenha os modelos compactos (faça poda ou use modelos destilados) e use multi-model endpoints ou o desvio de tráfego A/B (A/B traffic shifting) via SageMaker endpoints para implementar atualizações com segurança. Monitore o desvio (drift) em produção e a qualidade dos dados com o SageMaker Model Monitor e automatize o registro de métricas no CloudWatch.

Engenharia de features, multicolinearidade e regularização

A multicolinearidade infla a variância das estimativas dos coeficientes em modelos lineares; detecte-a com o fator de inflação da variância (VIF) e a correlação de Pearson par a par, e mitigue-a removendo features redundantes ou usando redução de dimensionalidade (PCA, SVD). A regularização é uma solução fundamentada: L2 (Ridge) encolhe os coeficientes, L1 (Lasso) induz esparsidade para seleção de features, e o ElasticNet combina ambos — estes estão disponíveis no scikit-learn e no SageMaker LinearLearner. Para features numéricas com forte assimetria (skewness), aplique transformações logarítmicas ou de Box-Cox para estabilizar a variância e melhorar o ajuste de modelos lineares; lembre-se de que ensembles de árvores são robustos a transformações monotônicas, enquanto SVMs e redes neurais precisam de entradas padronizadas (StandardScaler) para um treinamento estável. Features categóricas de alta cardinalidade se beneficiam de target encoding, embeddings ou hashing; ao usar target encoding, evite o vazamento de dados (leakage) calculando as codificações dentro das dobras (folds) da validação cruzada ou usando um conjunto de dados de validação (holdout) separado. Use o SageMaker Feature Store para centralizar e servir transformações de features consistentes tanto para o treinamento quanto para a inferência, e persista o código de pré-processamento com pacotes de modelo ou imagens Docker para que as transformações em produção correspondam às do treinamento.

Métodos não supervisionados, clusterização, detecção de anomalias e interpretabilidade

Clusterização e detecção de anomalias são ferramentas exploratórias e etapas de pré-processamento para modelagem supervisionada. O K-means (SageMaker k-means) é rápido, mas assume clusters esféricos e exige features escalonadas; escolha o valor de k com pontuações de silhueta (silhouette scores) ou gráficos de cotovelo (elbow plots) com cautela, pois a inércia pode ser ambígua. Métodos baseados em densidade (DBSCAN) e clusterização hierárquica capturam estruturas não esféricas, mas são computacionalmente mais caros. Para detecção de anomalias em escala, considere o SageMaker Random Cut Forest para dados de sensores em streaming e pipelines Kinesis/Lambda para pontuação em tempo quase real (near-real-time); ajuste o número de árvores (tree count) e o tamanho da amostra (sample size) para controlar a sensibilidade. Ferramentas de interpretabilidade são cruciais: use a importância de features nativa do modelo para modelos de árvore e valores SHAP (SageMaker Clarify ou pacote SHAP) para explicações locais e resumos de efeitos globais. Cuidado com armadilhas comuns: vazamento temporal (temporal leakage) ao dividir aleatoriamente dados ordenados por tempo, confiar excessivamente na acurácia em cenários desbalanceados e assumir independência para o Naive Bayes. Para o deploy, empacote algoritmos personalizados em Docker quando necessário, exponha endpoints de predição e de saúde (health) e orquestre lançamentos canary (canary rollouts) através da divisão de tráfego do endpoint.

Problema Prático: FleetSight Logistics — ML Exploratório em Imagens de Caminhões

Cenário: A FleetSight coleta ~100 GB/dia de imagens de caminhões armazenadas no S3 e usa o SageMaker Studio para experimentos e o SageMaker Ground Truth para rotulagem de imagens. Eles precisam de capacidades de ML leves para detecção de defeitos com a intenção de escalar posteriormente.

Desafio: Identificar casos de uso supervisionados/não supervisionados viáveis e um pipeline de baixo custo para treinar modelos iniciais com rótulos limitados e inferência em tempo quase real para alertas.

Abordagem Recomendada:

1. Use o SageMaker Ground Truth com aprendizado ativo (active learning) para rotular um conjunto inicial (seed set); armazene os dados rotulados no S3 e registre as features no SageMaker Feature Store.
2. Comece com detecção de anomalias não supervisionada usando o SageMaker Random Cut Forest em metadados de sensores derivados de imagens e embeddings de imagem simples (extraia os embeddings com uma CNN pré-treinada em um SageMaker Notebook usando uma GPU ml.p3.2xlarge).
3. Treine um classificador supervisionado leve usando aprendizado por transferência (transfer learning) (container integrado do SageMaker para TensorFlow ou PyTorch) no subconjunto rotulado; para baselines rápidos, extraia os embeddings e treine um modelo XGBoost (SageMaker XGBoost) em instâncias de CPU.
4. Faça o deploy do modelo XGBoost em um endpoint do SageMaker com inferência assíncrona ou em um Multi-Model Endpoint para eficiência de custos; monitore as entradas e predições com o SageMaker Model Monitor e itere na rotulagem via Ground Truth.

Justificativa: Use embedding não supervisionado + Random Cut Forest para encontrar anomalias candidatas sem muitos rótulos, depois inicialize (bootstrap) modelos supervisionados via aprendizado por transferência e XGBoost para uma inferência compacta e rápida; os serviços do SageMaker fornecem um fluxo de trabalho de desenvolvimento e monitoramento integrado e escalável.

← Análise Exploratória de Dados e Visualização · Todos os domínios · Deep Learning e Visão Computacional →

Pratique estas questões → · Prática cronometrada no ExamRoll.io →

Navegar Amazon →