第4課：SageMaker內建演算法

1. SageMaker內建演算法概述

SageMaker提供18種以上的內建演算法，針對AWS基礎設施上的分散式執行進行了最佳化。這是MLS-C01非常重要的主題，通常出8〜12題。

考試提示： 背誦「問題類型 → 演算法」的對應表。考試中總是給出情境並要求選擇適當的演算法。主要模式：時間序列 → DeepAR、異常 → Random Cut Forest、NLP分類 → BlazingText、表格數據 → XGBoost。

2. 監督式學習演算法

演算法	問題類型	輸入	主要特點
XGBoost	分類、迴歸	表格數據（CSV/LibSVM）	表格數據最佳效能、梯度提升
Linear Learner	二元/多類別分類、迴歸	RecordIO、CSV	快速、可擴展、內建正規化
Factorization Machines	二元分類、迴歸	RecordIO-protobuf（稀疏數據）	稀疏數據、推薦、CTR預測
KNN（k近鄰）	分類、迴歸	RecordIO-protobuf	基於實例、無需訓練、惰性學習
DeepAR	時間序列預測	JSON Lines	多個相關時間序列、機率預測
Object2Vec	Embeddings	配對輸入	學習詞彙、產品、使用者的嵌入

3. NLP演算法

演算法	輸出	使用情境
BlazingText	詞向量或文本分類	情感分析、垃圾郵件檢測、實體分類
Seq2Seq	序列 → 序列	機器翻譯、摘要、問答
LDA（Latent Dirichlet Allocation）	每份文件的主題	主題建模、文件分類
NTM（Neural Topic Model）	潛在表示	神經網路主題建模

考試提示： BlazingText有2種模式：(1) Word2Vec模式 — 非監督式，產生詞嵌入；(2) Text Classification模式 — 監督式，類似FastText。閱讀問題時需明確區分。

4. 非監督式學習演算法

演算法	問題類型	使用情境
K-Means	分群	客戶分群、文件分組
PCA（主成分分析）	維度縮減	高維數據、特徵壓縮
Random Cut Forest (RCF)	異常檢測	欺詐檢測、IoT異常、時間序列異常
IP Insights	異常檢測	異常IP-實體關係檢測、安全

5. 電腦視覺演算法

演算法	任務	輸出
Image Classification	多類別分類	類別標籤 + 信心度
Object Detection	物體定位 + 分類	邊界框 + 標籤
Semantic Segmentation	像素級分類	分割遮罩

6. 演算法選擇決策樹

What is the problem type?
│
├── Tabular data, classification/regression?
│   └── XGBoost (best general choice)
│
├── Sparse features, recommendation, ad CTR?
│   └── Factorization Machines
│
├── Time series forecasting (multiple related series)?
│   └── DeepAR
│
├── Anomaly detection on time series / IoT?
│   └── Random Cut Forest (RCF)
│
├── Text classification / sentiment?
│   └── BlazingText (supervised mode)
│
├── Sequence-to-sequence (translation / summarization)?
│   └── Seq2Seq
│
├── Topic modeling?
│   └── LDA or NTM
│
├── Clustering?
│   └── K-Means
│
├── Dimensionality reduction?
│   └── PCA
│
└── Image tasks?
    ├── Classification only → Image Classification
    ├── Locate objects → Object Detection
    └── Pixel mask → Semantic Segmentation

7. 訓練輸入模式

模式	運作方式	最適用途
File Mode	開始前將整個數據集下載至訓練執行個體	中小型數據集
Pipe Mode	訓練期間直接從S3串流數據	超大型數據集 — 無磁碟瓶頸
FastFile Mode	透過FUSE像本地檔案系統般存取S3	隨機存取模式

考試提示： 當問到「縮短大型數據集的訓練時間」時，答案通常是切換至Pipe Mode和RecordIO格式。Pipe Mode不需要下載整個數據集，直接從S3串流。

8. 速查表 — 快速參考

問題關鍵字	演算法
「表格數據」「結構化數據」	XGBoost
「時間序列」「預測」	DeepAR
「異常檢測」	Random Cut Forest
「推薦」「稀疏特徵」	Factorization Machines
「文本分類」「情感分析」	BlazingText（監督式模式）
「詞嵌入」	BlazingText（Word2Vec模式）
「翻譯」「摘要」	Seq2Seq
「主題建模」	LDA或NTM
「分群」「區隔」	K-Means
「維度縮減」	PCA
「邊界框」「物體檢測」	Object Detection
「像素級」「分割遮罩」	Semantic Segmentation
「IP位址異常」「異常登入」	IP Insights

9. 練習題

Q1: 一家零售企業想要預測5,000個產品類別未來30天的需求。最佳的SageMaker演算法是哪個？

• A) K-Means
• B) Linear Learner
• C) DeepAR ✓
• D) Seq2Seq

解析：DeepAR專門設計用於跨多個相關時間序列的預測。它同時從所有5,000個序列學習全域模式，並提供機率預測。

Q2: IoT系統監控伺服器CPU使用率。團隊想要自動檢測異常峰值。應該使用哪個SageMaker內建演算法？

• A) XGBoost
• B) Random Cut Forest ✓
• C) BlazingText
• D) PCA

解析：Random Cut Forest（RCF）是SageMaker的內建異常檢測演算法。它為每個數據點分配異常分數，適合檢測CPU使用率峰值等時間序列異常。

Q3: 數據科學家正在使用500GB的數據集訓練模型。數據下載至訓練執行個體的時間過長，導致訓練非常緩慢。哪項變更最能改善效能？

• A) 從CSV切換為JSON格式
• B) 增加訓練執行個體大小
• C) 切換至Pipe Mode和RecordIO-protobuf格式 ✓
• D) 增加訓練epoch數

解析：Pipe Mode在訓練期間直接從S3串流數據，無需預下載，消除了大型數據集的I/O瓶頸。搭配RecordIO-protobuf格式可大幅縮短啟動時間。