内容领域 1： AI 和 ML 基础知识
领域 1 涵盖了 AI 和 ML 的基础知识，占考试计分内容的 20%。
任务说明 1.1： 解释基本 AI 概念和术语。
目标：
定义基本 AI 术语（例如，AI、ML、深度学习、神经网络、计算机视觉、自然语言处理 [NLP]、模型、算法、训练和推理、偏见、公平性、拟合、大型语言模型 [LLM]）。
描述 AI、ML、生成式人工智能和深度学习之间的相似之处和不同之处。
描述各种类型的推理（例如，批量推理、实时推理）。
描述 AI 模型中不同类型的数据（例如，已标记数据和未标记数据、表格数据、时间序列数据、图像数据、文本数据、结构化数据和非结构化数据）。
描述有监督学习、无监督学习和强化学习。
任务说明 1.2： 确定 AI 的实际使用案例。
目标：
了解 AI/ML 可发挥价值的应用（例如，辅助人类决策、解决方案可扩展性、自动化）。
确定何时不适合应用 AI/ML 解决方案（例如，成本效益分析、需要特定结果而不是预测的情况）。
为特定使用案例选择适当的 ML 技术（例如，回归、分类、聚类）。
确定真实世界的 AI 应用示例（例如，计算机视觉、自然语言处理、语音识别、推荐系统、欺诈侦测、预测）。
解释 AWS 托管式 AI/ML 服务（例如 Amazon SageMaker AI、Amazon Transcribe、Amazon Translate、Amazon Comprehend、Amazon Lex、Amazon Polly）的功能。
任务说明 1.3： 描述 ML 开发生命周期。
目标：
描述 ML 管道的组件（例如，数据收集、探索性数据分析 [EDA]、数据预处理、特征工程、模型训练、超参数优化、评估、部署、监控）。
描述 ML 模型的来源（例如，开源预训练模型、训练自定义模型）。
描述在生产环境中使用模型的方法（例如，托管式 API 服务、自托管 API）。
确定 ML 管道每个阶段的相关 AWS 服务和功能（例如，SageMaker AI、SageMaker Data Wrangler、SageMaker 特征存放区、SageMaker Model Monitor）。
描述 ML 运维 (MLOps) 的基本概念（例如，实验、可重复流程、可扩展系统、管理技术债务、实现生产就绪、模型监控、模型再训练）。
描述模型性能指标（例如，准确率、曲线下面积 [AUC]、F1 分数）和业务指标（例如，每用户成本、开发成本、客户反馈、投资回报 [ROI]），来评估 ML 模型。
