AWS AIF-C01

Ciclo de vida de ML y MLOps

12 preguntas gratuitas aquí, las 60 en la app

Fácil 20 8 aquí Medio 20 2 aquí Difícil 20 2 aquí

Fácil

8 de 20 preguntas

Pipeline de ML

  1. ¿Qué orden de fases es típico en un proyecto de ML?
  2. ¿Cuál es el objetivo del análisis exploratorio de datos (EDA)?
  3. ¿Qué trabajo forma parte del preprocesamiento de datos?
  4. ¿Qué se entiende por ingeniería de características (feature engineering)?
  5. ¿Qué son los hiperparámetros?
  6. ¿Para qué sirve un conjunto de datos de prueba independiente?

Fuentes y operación de los modelos

  1. ¿Qué ventaja tiene un modelo de código abierto preentrenado frente a entrenar uno propio desde cero?
  2. ¿Qué significa usar un modelo fundacional a través de una API administrada como Amazon Bedrock?

Practicar las 20 preguntas de nivel Fácil en la app →

Medio

2 de 20 preguntas

Pipeline de ML

  1. ¿Qué actividades pertenecen a la fase anterior al entrenamiento propiamente dicho?
  2. ¿Cómo respalda Amazon SageMaker AI el ajuste de hiperparámetros?

Practicar las 20 preguntas de nivel Medio en la app →

Difícil

2 de 20 preguntas

Servicios de AWS en el ciclo de vida

  1. ¿Qué asignaciones de fase del pipeline y herramienta de AWS son correctas?
  2. Un equipo sin especialistas propios en ML quiere predecir cancelaciones a partir de datos tabulares. Un segundo equipo con científicos de datos quiere automatizar el flujo de trabajo desde la importación de datos hasta la aprobación. ¿Qué asignación encaja?

Practicar las 20 preguntas de nivel Difícil en la app →

Certificaciones y exámenes

¿Qué examen viene después?

Ya puedes practicar 51 exámenes y 16 están en votación. Mira todas las certificaciones con información oficial, vota o propón tu examen.

Ver todas las certificaciones