Bir ML uzmanı, karmaşık pencere toplama işlemleri içeren bir PySpark işiyle veri hazırlıyor. Farklı özellik sayılarının ve örnek boyutlarının model performansını nasıl etkilediğini test etmek istiyorlar. Hangi yaklaşım, veri hazırlama varyantlarını değerlendirip karşılaştırabilmeleri için dönüşüm parametrelerini ve sonuçlarını kaydetmelerine olanak tanır?

Doğru cevap, Amazon SageMaker Experiments izleyicisini kullanarak dönüşüm parametrelerini kaydetmek ve betiği bir SageMaker Processing işi olarak çalıştırmaktır. SageMaker Experiments, makine öğrenimi iş akışının tüm adımlarını (veri hazırlama, eğitim, model değerlendirme) izlemek ve karşılaştırmak için tasarlanmıştır. Bu, farklı özellik sayıları ve örnek boyutları gibi dönüşüm parametrelerini ve bunların model performansı üzerindeki etkilerini kaydetmek için idealdir. SageMaker Processing işleri, veri hazırlama ve model değerlendirme gibi adımları yönetmek için optimize edilmiştir ve PySpark işlerini çalıştırmak için uygun bir ortam sağlar. Diğer seçenekler neden yanlış: SageMaker Debugger, model eğitimi sırasında içgörüler sağlamak için kullanılır (örneğin, gradyanlar, ağırlıklar), veri hazırlama parametrelerini kaydetmek için değildir. AWS Glue işleri, SageMaker Experiments ile doğrudan entegre değildir ve parametre takibi için ek manuel yapılandırma gerektirir.