無限ノック › MLA 練習問題一覧 › 問題MLA MLモデルの開発
MLエンジニアがAmazon SageMaker Automatic Model Tuning（自動モデルチューニング）を使用してニューラルネットワークモデルを最適化しています。各トレーニングジョブは1時間かかるため、コストを抑えながら少ない試行回数で最適なハイパーパラメータを見つけたいと考えています。過去の試行結果をサロゲートモデル（代理モデル：評価コストの高い目的関数を近似するモデル）として学習し、次に試す有望なハイパーパラメータの組み合わせを予測する戦略はどれですか？
A Grid Search（グリッドサーチ）：定義したハイパーパラメータ空間の全組み合わせを体系的に探索する
（Grid Search）: 定義した全組み合わせを網羅的に探索するため試行回数がパラメータ数に対して指数的に増大し、1ジョブ1時間かかるシナリオでは非効率です。
B Random Search（ランダムサーチ）：ハイパーパラメータをランダムにサンプリングして探索する
（Random Search）: ランダムサンプリングのため過去の試行結果を活用できず、Bayesian Optimizationより多くの試行が必要になる傾向があります。
C Bayesian Optimization（ベイズ最適化）：過去の試行結果を活用して効率よく最適解を探索する
✓ 正解
SageMaker Automatic Model TuningのBayesian Optimization戦略は、過去のトレーニング試行結果（ハイパーパラメータと評価メトリクスのマッピング）からサロゲートモデルを構築し、次に試す有望なハイパーパラメータの組み合わせを予測します。
D Manual Tuning（手動チューニング）：ドメイン知識に基づいてハイパーパラメータを手動で設定する
（Manual Tuning）: ドメイン知識による手動設定であり、SageMaker Automatic Model Tuningが提供する自動探索戦略の選択肢ではありません。
解説 SageMaker Automatic Model TuningのBayesian Optimization戦略は、過去のトレーニング試行結果（ハイパーパラメータと評価メトリクスのマッピング）からサロゲートモデルを構築し、次に試す有望なハイパーパラメータの組み合わせを予測します。
選択肢A（Grid Search）: 定義した全組み合わせを網羅的に探索するため試行回数がパラメータ数に対して指数的に増大し、1ジョブ1時間かかるシナリオでは非効率です。
選択肢B（Random Search）: ランダムサンプリングのため過去の試行結果を活用できず、Bayesian Optimizationより多くの試行が必要になる傾向があります。
選択肢D（Manual Tuning）: ドメイン知識による手動設定であり、SageMaker Automatic Model Tuningが提供する自動探索戦略の選択肢ではありません。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでMLAを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →