はじめに
2週間程度の準備期間でAWS Certified Machine Learning Engineer - Associate (MLA-C01)に合格しました。その勉強方法に困っている人向けにどんな学習をしたのか紹介したいと思います。
あえて少々大袈裟なタイトルを付けていますが、いくつか前提事項があります。
- AWS MLSは1年前に取得済み
- 機械学習のコンペティションへの参加などは経験済み
- 公式の練習問題20問の初見正解率は65%程度
参考：AWS Certified Machine Learning Engineer - Associate Official Question Set (MLA-C01 - English)
全くの0知識から勉強した訳ではないという所は前提としていただければと思います。
今回実施したステップは以下になります。
- 試験ガイドを読む
- 公式の練習問題(無料)で苦手を把握
- 公式の試験準備コース(無料)で苦手な箇所を重点的に学習+練習問題を解く
- SageMakerの登場シーンへの理解を深める(ストーリー作成・擬人化)
1.試験ガイドを読む
何をおいてもまずは試験ガイド。過去問の少ない新規資格だからこそ、まずは何の理解を求められるのか確認しましょう。
試験ガイド
2.公式の練習問題(無料)で苦手を把握
次に実際にどんな問題が出るのか、公式の練習問題を解いてみましょう。
自分の不理解や苦手な部分が分かるはずです。
AWS Certified Machine Learning Engineer - Associate Official Question Set (MLA-C01 - English)
私の場合はここで正解率が65%で、SageMaker各サービスの細かい使い分けが理解できていないと思いました。また、機械学習モデルを評価するメトリクスに関しても知らない用語がちらほら...
3.公式の試験準備コース(無料)で重点学習
自分の苦手が分かったら、今度は公式の準備コースを受講してみましょう。
各ドメイン、タスクステートメント毎に解説がされています。また、各ドメイン毎に練習問題も用意されているので問題演習にも使えます。
全部しっかり受講するとかなりの時間がかかります。苦手な部分にフォーカスして動画の内容を自分なりに要約など行うと学習時間は短縮できると思います。
4.SageMakerへの理解を深める
本来であれば過去問演習でもしたいですが問題数が無い事が新規資格の難しい所。まだ不安な所をどうしようかと考え、SageMakerサービスを擬人化してストーリーを考えてみました。機械学習のプロジェクトに参加した事がない人にとってはプロジェクト全体のどこで何が必要になるのかが整理されて面白いと面白いと思います。
試験ガイドの内容を元にChatGPTにSageMakerのサービスを擬人化して考えてもらったストーリーが以下です。キャラクターの画像なんかも作成すると親近感が湧きます❤️
気に入ったキャラクターの画像を何枚か上げます。
SageMakerサービスの擬人化とストーリー作成
タイトル・舞台
タイトル: 「機械学習学園の挑戦」
舞台: 最先端の技術を学ぶ「機械学習学園」。しかし、生徒たちの中には機械学習を全く知らない普通の学生も在籍しています。
登場人物とキャラクター設定
田中 データ（SageMaker Data Wrangler）
役割: データ整理部の部長。データの収集と整理が得意。
性格: 好奇心旺盛で、探究心が強い。
鈴木 フィーチャ（SageMaker Feature Store）
役割: 資料室の司書。重要な情報を整理して保管。
性格: きちんとしていて、面倒見が良い。
佐藤 真実（SageMaker Ground Truth）
役割: 新聞部のエース記者。事実確認と情報の正確性にこだわる。
性格: 正義感が強く、努力家。
木村 公平（SageMaker Clarify）
役割: 生徒会の副会長。公平性を重んじ、偏見を嫌う。
性格: 冷静沈着で、論理的。
高橋 アルゴ(SageMakerビルトインアルゴリズム）
役割: 科学部の天才少年。様々なアルゴリズムに詳しい。
性格: 博識だが、時々難しい言葉を使いすぎる。
中村 スクリプト（SageMaker Script Mode）
役割: プログラミング部のエース。コードを書くのが大好き。
性格: 創造的で、柔軟な思考の持ち主。
小林 早紀（SageMaker JumpStart）
役割: 陸上部のエース。行動力があり、何事も素早く取り組む。
性格: エネルギッシュでポジティブ。
渡辺 調整（SageMaker AMT）
役割: 音楽部の指揮者。細かい調整で最高のパフォーマンスを引き出す。
性格: 繊細で、完璧主義。
山本 問題（SageMaker Model Debugger）
役割: 問題解決委員会のリーダー。トラブルを迅速に解決。
性格: 分析的で、頼りになる存在。
伊藤 伝（SageMaker Endpoints）
役割: 郵便部のメンバー。情報を確実に届ける。
性格: 社交的で、ネットワークが広い。
松本 指揮（SageMaker Pipelines）
役割: 吹奏楽部の指揮者。チームをまとめ、協調性を促す。
性格: リーダーシップがあり、全体を見渡す力がある。
井上 未来（SageMaker Neo）
役割: ロボット研究会のメンバー。最新技術に詳しい。
性格: 革新的で、未来志向。
森田 案内（SageMaker SDK）
役割: ガイド委員会のメンバー。新入生や訪問者を案内。
性格: 親切で、説明が上手。
石井 見守（SageMaker Model Monitor）
役割: 保健委員。生徒の健康状態をチェック。
性格: 注意深く、面倒見が良い。
青木 助言(SageMaker Inference Recommender）
役割: 相談室のカウンセラー。最適なアドバイスを提供。
性格: 聞き上手で、的確な助言をする。
宮本 守（SageMaker Role Manager）
役割: 風紀委員。校内のルールと秩序を守る。
性格: 厳格で、責任感が強い。
山田 花子(普通の学生)
役割: 機械学習に全く詳しくない普通の生徒。ゴミの不法投棄問題に心を痛めている。
性格: 心優しく、周りを気遣う。
佐々木 太郎(普通の学生)
役割: 花子の友人。同じく機械学習には疎い。
性格: 明るく、好奇心旺盛。
ストーリー展開
問題の発生: 学園の周辺でゴミの不法投棄が増加。花子と太郎がその状況を憂慮し、何とか解決したいと考える。
協力の申し出: 花子と太郎は生徒会に相談。公平くん（木村 公平）がプロジェクトチームを結成することを提案。
データの収集: 田中 データがゴミの投棄場所や頻度のデータを集める。
データの整理: フィーチャちゃん（鈴木 フィーチャ）がデータを整理し、重要な特徴を抽出。
データのラベリング: 佐藤 真実がデータに正確なラベルを付け、投棄パターンを分析。
バイアスの検出: 公平くんがデータに偏りがないかをチェック。
モデルの開発: 高橋 アルゴと中村 スクリプトが協力して、不法投棄を予測するモデルを作成。
モデルのチューニング: 渡辺 調整がモデルのハイパーパラメータを最適化。
問題のデバッグ: 山本 問題がモデルの不具合を修正。
モデルのデプロイ: 伊藤 伝がモデルを実際に使えるように展開。
ワークフローの管理: 松本 指揮が全体のプロセスを管理し、チームの連携を図る。
エッジデバイスでの活用: 井上 未来がモデルをスマートフォンや監視カメラに導入。
モデルの監視: 石井 見守がモデルの精度を監視し、必要に応じて改善を提案。
最適な提案: 青木 助言がより効果的な対策をチームに提案。
セキュリティの確保: 宮本 守がデータとモデルのセキュリティを確認。
普通の学生の参加: 花子と太郎もデータ収集や地域への啓発活動に積極的に参加。機械学習の知識がなくても貢献できる部分で活躍。
プロジェクトの成功: 不法投棄の予測と監視が効果を発揮し、問題が大幅に改善。学園と地域が協力してクリーンな環境を取り戻す。
最後に
今回は真っ当な公式の教材を使いつつ、サービスの擬人化という変な学習手法を使ってみました。
ストーリーを使えば自然に思い出せるようになるのではないかと思っての試みでしたが、意外と面白かったと思います。SageMakerのDebuggerと聞くと脳裏にイケメンが浮かんで性格やストーリ上の役割まで思い浮かべば試験でも解答を絞ることができます。
興味のある人は真似してみてください。
この記事が誰かの参考になれば嬉しいです。