Amazon MLS-C01: Explorative Datenanalyse & Visualisierung — Lernleitfaden

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

Teil des AWS Machine Learning Specialty MLS-C01 — Lernleitfaden. Üben Sie mit verifizierten Antworten im Amazon-Prüfungscenter, oder absolvieren Sie zeitlich begrenzte Übungstests auf ExamRoll.io.

Verteilungen, Transformationen und Feature-Skalierung

Das Verständnis der Rohdatenverteilungen von Features ist die Grundlage der EDA. Beginnen Sie mit dem Profiling jeder Variable mithilfe von Histogrammen, Kerndichteschätzungen und Quantil-Zusammenfassungen in einem SageMaker Studio Notebook oder einem SageMaker Processing Job (ml.m5.xlarge mit scikit-learn/pandas). Logarithmus-Transformationen, Box-Cox-, Yeo-Johnson- und rangbasierte Transformationen (Quantile Transformer) eignen sich für rechtsschiefe Daten. Box-Cox erfordert jedoch streng positive Werte und schlägt bei Nullen fehl – häufige Fehler sind die Anwendung von Log/Box-Cox ohne Ausgleich von Nullen und das Vergessen, die Transformationen bei der Interpretation der Modellausgaben zu invertieren. Standardisierung (Mittelwert null, Einheitsvarianz) ist vor abstandsbasierten Methoden (k-means, PCA, SVM) und vor regularisierten linearen Modellen unerlässlich; Min-Max-Skalierung ist nützlich für neuronale Netze mit begrenzten Aktivierungsfunktionen. Bei der Bereitstellung sollten Transformatoren im SageMaker Feature Store oder als Modell-Artefakte persistiert werden, damit Online- und Batch-Inferenz identische Vorverarbeitungsschritte verwenden. Verwenden Sie AWS Glue oder Glue DataBrew, um sehr große S3-Datensätze zu profilen und zusammenfassende Statistiken zu erstellen; verwenden Sie Athena, um geschichtete Stichproben abzufragen. Die Entscheidungskriterien hängen von der Empfindlichkeit des Algorithmus ab: Baum-Ensembles tolerieren unskalierte Features, während lineare und abstandsbasierte Methoden dies nicht tun. Überprüfen Sie abschließend auf Ausreißer und Heavy Tails mit robusten Statistiken (Median, IQR) und prüfen Sie, ob die Werte abgeschnitten (clipping), winsorisiert oder separat modelliert (Segmentierung) werden sollten, anstatt Punkte blind zu entfernen.

Residuenanalyse, Lernkurven und diagnostische Tests

Residuen decken eine Fehlspezifikation des Modells auf: ein von null verschiedener Mittelwert, Heteroskedastizität, Autokorrelation oder Nichtlinearität müssen diagnostiziert werden. Stellen Sie die Residuen grafisch gegen die vorhergesagten Werte und gegen wichtige Features in SageMaker Studio dar; berechnen Sie den Durbin-Watson-Test für Autokorrelation und verwenden Sie den Ljung-Box-Test für die Residuenkorrelation bei Zeitreihen. Suchen Sie bei Regressionen nach Trichterformen, die auf Heteroskedastizität hinweisen; wenden Sie varianzstabilisierende Transformationen oder heteroskedastische Modelle an (z. B. XGBoost mit angepasster Zielfunktion oder probabilistische Prognosen). Lernkurven – Diagramme des Trainings- und Validierungsfehlers im Verhältnis zur Größe des Trainingsdatensatzes – identifizieren hohe Varianz (Overfitting) oder hohen Bias (Underfitting). Verwenden Sie SageMaker Debugger, um Tensoren pro Epoche und CloudWatch-Metriken zu erfassen, und fügen Sie einen CloudWatch-Alarm hinzu, der auslöst, wenn der Validierungsverlust divergiert, während der Trainingsverlust sinkt. Häufige Fehler sind die Verwendung zufälliger Kreuzvalidierung für Zeitreihendaten (verwenden Sie zeitbasierte Aufteilungen) und die Bewertung mit Genauigkeit (Accuracy) bei unausgeglichenen Datensätzen (bevorzugen Sie Precision-Recall oder AUC-PR). Treffen Sie beim Hyperparameter-Tuning Entscheidungen auf Basis dieser Diagnosen: Wenn die Lücke zwischen Trainings- und Validierungsfehler bestehen bleibt, erhöhen Sie die Regularisierung, fügen Sie Daten hinzu oder reduzieren Sie die Modellkomplexität; wenn beide Fehler hoch sind, erhöhen Sie die Kapazität oder fügen Sie Features hinzu. Persistieren Sie diagnostische Diagramme und Metriken über SageMaker Experiments, um die Reproduzierbarkeit zu gewährleisten.

Dimensionsreduktion, PCA, Eigenanalyse und Clustering

Dimensionsreduktion verringert das Rauschen und verbessert die Interpretierbarkeit. Wenden Sie nach der Skalierung PCA oder randomisierte SVD (scikit-learn oder Spark MLlib auf EMR/Glue) an; überprüfen Sie den Anteil der erklärten Varianz (explained variance ratio), um die Anzahl der Komponenten zu wählen, und untersuchen Sie die Ladungen (loadings), um die Komponenten wieder den ursprünglichen Features zuzuordnen. Die Vorzeichen von Eigenvektoren sind willkürlich – interpretieren Sie die absoluten Ladungen und gruppieren Sie Features nach ihrer Größe. Bei stark nichtlinearen Strukturen verwenden Sie t-SNE oder UMAP nur zur Visualisierung, nicht als Vorverarbeitung für Modelle ohne sorgfältige Kreuzvalidierung. Wählen Sie für das Clustering k-means für sphärische Cluster (Skalierung erforderlich), Gaussian Mixture Models für weiche Zuweisungen (soft assignments) und DBSCAN für dichtebasierte Formen; führen Sie Silhouette-Scores und den Davies-Bouldin-Index zum Vergleich durch. Bei großen Datensätzen verwenden Sie den integrierten k-means-Algorithmus von SageMaker (GPU/CPU-Instanzen) oder führen Sie Mini-Batch-k-means in SageMaker Processing aus. Hüten Sie sich davor, PCA auf One-Hot-kodierte kategoriale Features anzuwenden – ziehen Sie stattdessen Feature Hashing oder Embedding-Layer in Betracht. Verwenden Sie Elbow-Plots, Diagramme der erklärten Varianz und die Cluster-Stabilität über Teilstichproben hinweg, um k zu bestimmen. Persistieren Sie Cluster-Zentroiden und PCA-Transformatoren im SageMaker Feature Store, damit nachgelagerte Echtzeit-Bewertungen und segmentbasierte Modelle konsistente Transformationen verwenden.

Visualisierung, Überwachung und AWS-Integration für Drift und Performance

Visualisierung ist sowohl explorativ als auch operativ: Verwenden Sie matplotlib/seaborn in SageMaker Studio für Ad-hoc-Diagramme und Amazon QuickSight für Dashboards, die Live-Leistungsmetriken verfolgen. Für Modelldrift und Datenqualität erstellen Sie Baselines mit einer repräsentativen Trainingsstichprobe über SageMaker Model Monitor und SageMaker Clarify, um Verteilungsverschiebungen, Änderungen der Feature-Wichtigkeit und Bias zu erkennen. Konfigurieren Sie Model Monitor mit einer Baseline, die von einem Artefakt eines Processing-Jobs abgeleitet ist, und aktivieren Sie die kontinuierliche Überwachung auf bereitgestellten Endpunkten mit stündlichen/täglichen Prüfungen; CloudWatch-Events und SNS können Alarme auslösen. Für die Erfassung und Analyse von Streaming-Daten verwenden Sie Kinesis Data Firehose, um JSON in S3 zu persistieren, mit Formatkonvertierung zu Parquet (aktivieren Sie die Konvertierung des Datensatzformats und die Glue-Katalog-Integration) oder hängen Sie eine Lambda-Funktion für benutzerdefinierte Transformationen an. Für SQL-Abfragen in Nahezu-Echtzeit über komprimierte Dateien partitionieren und registrieren Sie die Daten im Glue Data Catalog und fragen Sie sie mit Athena ab, wobei die Partitionen bei Eingang neuer S3-Objekte über eine Lambda-Funktion aktualisiert werden. Häufige Fallstricke sind das Versäumnis, Baselines zu versionieren, die Ignoranz der Schema-Evolution (verwenden Sie Glue Schema Registry) und der alleinige Verlass auf aggregierte Metriken – beziehen Sie immer den Drift pro Feature und die Leistung pro Segment ein, um lokale Verschlechterungen zu erkennen. Verwenden Sie SageMaker Experiments und Model Monitor gemeinsam, um Änderungen an Hyperparametern mit Drift-Ereignissen zu korrelieren und die Nachverfolgbarkeit (Lineage) aufrechtzuerhalten.

Praktisches Problem: Anwendungsfallszenario

Szenario: Der Einzelhändler Acme nutzt den AWS-ML-Stack mit SageMaker Studio, einem S3-Data-Lake, Kinesis-Firehose-Ingestion, dem Glue Data Catalog und QuickSight zur Visualisierung. Das Team speichert Kundendemografien, Sitzungsprotokolle und Käufe in S3 als JSON und Parquet.

Herausforderung: Identifizieren Sie Kundensegmente, die am wahrscheinlichsten in den nächsten sechs Monaten abwandern (Churn), und richten Sie eine Überwachung ein, um festzustellen, ob die Feature-Verteilungen oder die Modellleistung nach dem Deployment driften.

Empfohlener Ansatz:

Erstellen Sie einen SageMaker Processing-Job (ml.m5.xlarge), um Daten mit pandas/sklearn zu sampeln und zu profilieren, wenden Sie gegebenenfalls Log/Box-Cox-Transformationen an und registrieren Sie die Vorverarbeitungsartefakte im SageMaker Feature Store.
Berechnen Sie nach der Skalierung eine PCA (scikit-learn oder Spark ML auf Glue/EMR), um die Dimensionalität zu reduzieren, untersuchen Sie die erklärte Varianz und die Ladungen (Loadings) und führen Sie ein Clustering mit SageMaker xgboost oder dem integrierten k-means durch, um Segmente abzuleiten.
Trainieren Sie ein Klassifikationsmodell (XGBoost in SageMaker oder ein kleines NN in TensorFlow) unter Verwendung von zeitbasierten Trainings-/Validierungs-Splits, protokollieren Sie Metriken in SageMaker Experiments und richten Sie Early Stopping und Class-Weighting für unausgeglichene Klassen (Imbalance) ein.
Stellen Sie das Modell mit einem SageMaker Endpoint bereit, aktivieren Sie Model Monitor unter Verwendung einer aus dem Processing-Job generierten Baseline, konfigurieren Sie stündliche Drift-Prüfungen und CloudWatch-Alarme zur Benachrichtigung über SNS; visualisieren Sie die Leistung und den Drift auf Segmentebene in QuickSight.

Begründung: Dieser Ansatz kombiniert eine robuste Vorverarbeitung, interpretierbare Dimensionsreduktion und skalierbares Clustering zur Segmentierung, während SageMaker Model Monitor und QuickSight die operative Erkennung von Daten- und Leistungsdrift ermöglichen. Dies gewährleistet eine reproduzierbare Vorverarbeitung durch den Feature Store und nachverfolgte Experimente für die Ursachenanalyse (Root-Cause Analysis).

← Data Engineering · Alle Domänen · Modellierung – Überwachtes →

Diese Fragen üben → · Zeitlich begrenzte Übung auf ExamRoll.io →