Une entreprise utilise la classification d'images SageMaker (ImageNetV2 CNN) mais constate que le modèle manque de nombreuses espèces animales moins courantes. Ils ont collecté 10 000 images étiquetées d'espèces rares dans S3 et prévoient de s'entraîner en utilisant le mode Pipe. Quelle combinaison d'étapes l'ingénieur ML doit-il suivre ? Sélectionnez deux réponses.

Pour l'entraînement en mode Pipe avec l'algorithme de classification d'images de SageMaker, un fichier .lst est requis. Ce fichier contient les chemins d'accès aux images et leurs étiquettes correspondantes, permettant à l'algorithme de charger les données directement depuis S3 sans les télécharger entièrement. L'apprentissage par transfert est la meilleure approche pour ce scénario. Plutôt que d'entraîner un modèle à partir de zéro, ce qui nécessiterait beaucoup plus de données et de temps, l'affinement d'un modèle pré-entraîné (comme ImageNetV2 CNN) avec les 10 000 images d'espèces rares permet de tirer parti des connaissances acquises sur un grand ensemble de données, tout en adaptant le modèle aux nouvelles classes. L'utilisation d'un modèle Inception ou d'une architecture ResNet à partir de zéro ne serait pas aussi efficace que l'apprentissage par transfert pour ce problème spécifique. Un fichier manifeste augmenté est utilisé pour d'autres types d'entraînement, pas pour le mode Pipe de l'algorithme de classification d'images.