Amazon MLS-C01: Modellazione — Supervisionata e non supervisionata (ML classico) — Guida allo studio

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

Fa parte della AWS Machine Learning Specialty MLS-C01 — Guida allo studio. Esercitati con risposte verificate nel centro esami Amazon, oppure fai test cronometrati su ExamRoll.io.

Scelta del modello e architettura per problemi supervisionati

La scelta di un modello inizia dalla forma dei dati e dai vincoli di produzione. Per un segnale lineare con molti esempi e coefficienti interpretabili, la regressione lineare o logistica regolarizzata (SageMaker LinearLearner o scikit-learn ElasticNet) è veloce e produce coefficienti che è possibile ispezionare. Quando le interazioni non lineari sono dominanti, gli ensemble di alberi come XGBoost (container SageMaker XGBoost) o LightGBM catturano l’eterogeneità senza richiedere una pesante scalatura delle feature; per controllare l’overfitting, ottimizza eta (learning_rate), max_depth, subsample, colsample_bytree e la regolarizzazione alpha/lambda. Le SVM possono essere efficaci su set di feature di piccole e medie dimensioni e ben scalati, ma tipicamente richiedono container personalizzati o lo ScriptMode di scikit-learn su SageMaker, poiché i dataset di grandi dimensioni sono costosi; ricorda di standardizzare le feature e di scegliere con attenzione il kernel/regolarizzazione (C, gamma). Naive Bayes è una baseline veloce per input sparsi di tipo categorico/testuale ad alta dimensionalità; assume l’indipendenza condizionale e fallisce quando le correlazioni sono forti. Per migliaia di feature o dataset molto grandi, utilizza la riduzione della dimensionalità (PCA) o il feature hashing e preferisci l’addestramento distribuito su istanze ml.c5 o ml.p3 se si utilizzano reti neurali profonde basate su GPU. Esegui il deploy con gli endpoint di SageMaker per l’inferenza in tempo reale o con Batch Transform per le previsioni di massa; utilizza i Multi-Model Endpoints quando si gestiscono molti modelli per ridurre i costi.

Metriche, sbilanciamento, calibrazione e compromessi di deployment

L’accuracy è seducente ma fuorviante su problemi sbilanciati; preferisci metriche sensibili alle classi come precision, recall, F1, ROC AUC per un’enfasi sulle classi bilanciate, e PR AUC quando la classe positiva è rara. Quando si producono probabilità, verifica la calibrazione con i diagrammi di affidabilità e il Brier score; utilizza la calibrazione di Platt (Platt scaling) o la calibrazione isotonica implementata offline (scikit-learn CalibratedClassifierCV) o calibra durante l’addestramento in SageMaker generando i punteggi grezzi e applicando una fase di post-elaborazione. Per gestire lo sbilanciamento delle classi, preferisci la pesatura dei campioni (supportata in SageMaker LinearLearner e in molti script di addestramento), l’oversampling mirato (SMOTE) o l’undersampling durante l’addestramento, e la ri-pesatura della loss (loss re-weighting) o la focal loss per le reti neurali. Per lo scoring quasi in tempo reale delle probabilità di frode, ottimizza la latenza del modello utilizzando un tipo di istanza con bassa latenza di inferenza (ml.m5.large o istanze ottimizzate per la CPU), mantieni i modelli compatti (tramite potatura o usando modelli distillati) e utilizza i multi-model endpoint o lo spostamento del traffico A/B (A/B traffic shifting) tramite gli endpoint di SageMaker per implementare gli aggiornamenti in sicurezza. Monitora il drift in produzione e la qualità dei dati con SageMaker Model Monitor e automatizza la registrazione delle metriche su CloudWatch.

Feature engineering, multicollinearità e regolarizzazione

La multicollinearità gonfia la varianza delle stime dei coefficienti nei modelli lineari; individuala con il variance inflation factor (VIF) e la correlazione di Pearson a coppie, e mitigala rimuovendo le feature ridondanti o utilizzando la riduzione della dimensionalità (PCA, SVD). La regolarizzazione è un rimedio basato su principi solidi: L2 (Ridge) restringe i coefficienti, L1 (Lasso) induce sparsità per la selezione delle feature, ed ElasticNet combina entrambi — questi sono disponibili in scikit-learn e SageMaker LinearLearner. Per feature numeriche con forte asimmetria (skewness), applica trasformazioni logaritmiche o di Box–Cox per stabilizzare la varianza e migliorare l’adattamento dei modelli lineari; ricorda che gli ensemble di alberi sono robusti alle trasformazioni monotoniche, mentre le SVM e le reti neurali necessitano di input standardizzati (StandardScaler) per un addestramento stabile. Le feature categoriche ad alta cardinalità beneficiano di target encoding, embedding o hashing; quando si utilizza il target encoding, evita il data leakage calcolando le codifiche all’interno dei fold della cross-validation o utilizzando un set di holdout separato. Usa SageMaker Feature Store per centralizzare e servire trasformazioni delle feature coerenti sia per l’addestramento che per l’inferenza, e persisti il codice di pre-elaborazione con i pacchetti del modello o le immagini Docker in modo che le trasformazioni in produzione corrispondano a quelle dell’addestramento.

Metodi non supervisionati, clustering, rilevamento di anomalie e interpretabilità

Il clustering e il rilevamento di anomalie sono strumenti esplorativi e fasi di pre-elaborazione per la modellazione supervisionata. K-means (SageMaker k-means) è veloce ma presuppone cluster sferici e richiede feature scalate; scegli k con cautela usando i punteggi di silhouette o i grafici a gomito (elbow plot), poiché l’inerzia può essere ambigua. I metodi basati sulla densità (DBSCAN) e il clustering gerarchico catturano strutture non sferiche ma sono più costosi dal punto di vista computazionale. Per il rilevamento di anomalie su larga scala, considera SageMaker Random Cut Forest per dati di sensori in streaming e pipeline Kinesis/Lambda per lo scoring quasi in tempo reale; ottimizza il numero di alberi (tree count) e la dimensione del campione (sample size) per controllare la sensibilità. Gli strumenti di interpretabilità sono fondamentali: utilizza la feature importance nativa del modello per i modelli ad albero e i valori SHAP (pacchetto SageMaker Clarify o SHAP) per spiegazioni locali e riepiloghi degli effetti globali. Fai attenzione alle trappole comuni: il leakage temporale quando si suddividono casualmente dati ordinati nel tempo, l’eccessivo affidamento sull’accuratezza in contesti sbilanciati e l’assunzione di indipendenza per Naive Bayes. Per il deployment, impacchetta gli algoritmi personalizzati in Docker quando necessario, esponi endpoint di predizione e di health check, e orchestra i rollout canary tramite la suddivisione del traffico dell’endpoint (endpoint traffic-splitting).

Problema Pratico: FleetSight Logistics — ML esplorativo su immagini di camion

Scenario: FleetSight raccoglie circa 100 GB/giorno di immagini di camion archiviate in S3 e utilizza SageMaker Studio per gli esperimenti e SageMaker Ground Truth per l’etichettatura delle immagini. Hanno bisogno di capacità di ML leggere per il rilevamento di difetti, con l’intenzione di scalare in futuro.

Sfida: Identificare casi d’uso supervisionati/non supervisionati fattibili e una pipeline a basso costo per l’addestramento di modelli iniziali con etichette limitate e inferenza quasi in tempo reale per gli avvisi.

Approccio Raccomandato:

Utilizzare SageMaker Ground Truth con l’apprendimento attivo (active learning) per etichettare un set di dati iniziale (seed set); archiviare i dati etichettati in S3 e registrare le feature in SageMaker Feature Store.
Iniziare con il rilevamento di anomalie non supervisionato utilizzando SageMaker Random Cut Forest su metadati di sensori derivati dalle immagini e semplici embedding di immagini (estrarre gli embedding con una CNN pre-addestrata in un Notebook SageMaker utilizzando una GPU ml.p3.2xlarge).
Addestrare un classificatore supervisionato leggero utilizzando il transfer learning (container predefinito di SageMaker per TensorFlow o PyTorch) sul sottoinsieme etichettato; per ottenere baseline rapide, estrarre gli embedding e addestrare un modello XGBoost (SageMaker XGBoost) su istanze CPU.
Eseguire il deployment del modello XGBoost su un endpoint SageMaker con inferenza asincrona o su un Multi-Model Endpoint per l’efficienza dei costi; monitorare input e predizioni con SageMaker Model Monitor e iterare l’etichettatura tramite Ground Truth.

Logica: Utilizzare l’embedding non supervisionato + Random Cut Forest per trovare potenziali anomalie senza disporre di molte etichette, quindi avviare (bootstrap) modelli supervisionati tramite transfer learning e XGBoost per un’inferenza compatta e veloce; i servizi SageMaker forniscono un flusso di lavoro di sviluppo e monitoraggio integrato e scalabile.

← Analisi esplorativa dei dati e visualizzazione · Tutti i domini · Deep Learning e Computer Vision →

Esercitati su queste domande → · Pratica cronometrata su ExamRoll.io →