Ein Unternehmen verwendet SageMaker-Bildklassifizierung (ImageNetV2 CNN), stellt jedoch fest, dass das Modell viele seltenere Tierarten übersieht. Sie haben 10.000 beschriftete Bilder seltener Arten in S3 gesammelt und planen, das Training im Pipe-Modus durchzuführen. Welche Kombination von Schritten sollte der ML-Ingenieur unternehmen? Wählen Sie zwei aus.

Die korrekten Schritte sind das Erstellen einer .lst-Datei und das Durchführen von Transfer Learning. Der SageMaker Image Classification Algorithmus benötigt eine .lst-Datei, die Bildpfade und Labels enthält, um Daten im Pipe-Modus zu verarbeiten. Transfer Learning ist entscheidend, da es das bestehende, vortrainierte Modell mit den neuen Daten seltener Arten feinabstimmt. Dies ist effizienter und effektiver als ein Training von Grund auf, insbesondere bei begrenzten Daten für seltene Klassen. Das Training von Grund auf mit zufälligen Gewichten (Option 1) wäre ineffizient und würde wahrscheinlich schlechtere Ergebnisse liefern. Ein Inception-Modell (Option 2) ist zwar eine Architektur, löst aber nicht das Problem der Datenbereitstellung oder des Umgangs mit seltenen Klassen. Eine augmentierte Manifestdatei (Option 5) ist für andere SageMaker-Algorithmen relevant, aber nicht für den Image Classification Algorithmus im Pipe-Modus.