在訓練之前，必須以最少的操作工作量解決資料集的類別不平衡問題。哪個選項最能達成此目的？

正確答案是使用 Amazon SageMaker Data Wrangler 的平衡資料操作對少數類別進行過度取樣。SageMaker Data Wrangler 專為簡化資料準備而設計，其「平衡資料」轉換功能可以直接解決類別不平衡問題，透過過度取樣（或欠取樣）來調整類別分佈，且操作工作量最少。 其他選項不夠理想： 使用 Amazon Athena 找出模式然後手動調整資料集，這是一個耗時且容易出錯的過程，不符合「最少操作工作量」的要求。 使用 SageMaker Studio Classic 內建演算法來處理不平衡的資料集，雖然某些演算法可能內建處理機制，但這並非直接在資料準備階段解決不平衡問題，且可能不如專用工具靈活。 使用 AWS Glue DataBrew 內建功能對少數類別進行過度取樣，雖然 DataBrew 也是資料準備工具，但 SageMaker Data Wrangler 的「平衡資料」轉換功能更直接且專門針對此問題設計，通常在 SageMaker 生態系統中提供更無縫的整合體驗。