A. 모델의 정확도가 86%로 모델의 정확도보다 높습니다.

B. 모델이 86% 정확하고 거짓 부정의 결과로 회사에서 발생하는 비용이 거짓 긍정보다 적습니다.

C. 모델이 86% 정확하고 가양성의 결과로 회사에서 발생하는 비용이 가음성보다 적습니다.

D. 모델의 정확도가 86%로 모델의 정확도보다 낮습니다.

A. 배포를 위해 형식이 압축되도록 훈련된 모델을 직렬화합니다. 이미지를 빌드하고 Docker Hub에 업로드합니다.

B. 훈련된 모델을 직렬화하여 배포를 위해 형식을 압축합니다. 레지스트리 호스트 이름으로 Docker 이미지에 태그를 지정하고 Amazon S3에 업로드합니다.

C. 추론 코드로 Docker 이미지를 빌드합니다. Docker Hub를 구성하고 이미지를 Amazon ECR에 업로드합니다.

D. 추론 코드로 Docker 이미지를 빌드합니다. 레지스트리 호스트 이름으로 Docker 이미지에 태그를 지정하고 Amazon ECR에 업로드합니다.

A. age가 0으로 설정된 데이터 세트의 모든 레코드를 삭제합니다.

B. 레코드의 age 필드 값을 데이터 세트의 평균 또는 중앙값으로 0 값으로 바꿉니다.

C. 데이터 세트에서 연령 특성을 삭제하고 나머지 특성을 사용하여 모델을 학습합니다.

D. k-평균 클러스터링을 사용하여 누락된 기능 처리

A. 다른 k 값에 대해 유클리드 거리 측정을 사용하여 k-평균을 실행하고 각 클러스터 내의 각 숫자 열에 대한 상자 플롯을 만듭니다.

B. t-분산 확률적 이웃 임베딩(t-SNE) 알고리즘을 사용하여 수치적 특징을 포함하고 선 그래프를 만듭니다.

C. t-분산 확률적 이웃 임베딩(t-SNE) 알고리즘을 사용하여 수치적 특징을 포함하고 산점도를 만듭니다.

D. 다른 k 값에 대해 유클리드 거리 측정을 사용하여 k-평균을 실행하고 엘보우 플롯을 만듭니다.

A. AWS Lambda를 사용하여 AWS Step Functions 워크플로를 트리거하여 Amazon S3에서 데이터 세트 업로드가 완료될 때까지 기다립니다. AWS Glue를 사용하여 데이터 세트를 조인합니다. Amazon CloudWatch 경보를 사용하여 실패 시 SNS 알림을 관리자에게 보냅니다.

B. AWS Lambda를 사용하여 ETL 워크플로를 개발하여 Amazon SageMaker 노트북 인스턴스를 시작합니다. 수명 주기 구성 스크립트를 사용하여 데이터 세트를 조인하고 결과를 Amazon S3에 유지합니다. Amazon CloudWatch 경보를 사용하여 실패 시 SNS 알림을 관리자에게 보냅니다.

C. 데이터가 Amazon S3에 업로드될 때 ETL 작업 시작을 트리거하는 AWS Batch를 사용하여 ETL 워크플로를 개발합니다. AWS Glue를 사용하여 Amazon S3의 데이터 세트를 조인합니다. Amazon CloudWatch 경보를 사용하여 실패 시 SNS 알림을 관리자에게 보냅니다.

D. 데이터가 Amazon S3에 업로드되는 즉시 AWS Lambda를 사용하여 다른 Lambda 함수를 연결하여 Amazon S3의 데이터 세트를 읽고 조인합니다. Amazon CloudWatch 경보를 사용하여 실패 시 SNS 알림을 관리자에게 보냅니다.