データサイエンティストは、ニューラルネットワーク分類モデルの精度を向上させようとしています。データサイエンティストは、Amazon SageMakerで大規模なハイパーパラメータチューニングジョブを実行したいと考えています。しかし、同じモデルでの以前の小規模なチューニングジョブは数週間かかることが多かったです。MLスペシャリストは、チューニングジョブに必要な計算時間を短縮したいと考えています。ハイパーパラメータチューニングジョブの計算時間を最も削減するアクションはどれですか？（2つ選択）
（2つ選択）
正解：A, C
ハイパーバンド（Hyperband）は、Amazon SageMakerでサポートされる効率的なハイパーパラメータチューニング戦略で、成功確率の高いハイパーパラメータ構成を優先的に評価し、性能の低い構成を早期に終了します（early stopping）。これは、逐次ハルビング（successive halving）に基づいており、リソースを効率的に割り当て、全体の計算時間を大幅に短縮します。ランダムサーチやグリッドサーチに比べて、ハイパーバンドは探索空間を効率的にサンプリングし、ニューラルネットワークのような計算コストの高いモデルで特に有効です。AWSドキュメントでは、ハイパーバンドが計算時間を削減しつつ高性能なモデルを見つけるのに適していると記載されています。この戦略は、チューニングジョブの計算時間を最も効果的に削減します。
MaxNumberOfTrainingJobsは、SageMakerのハイパーパラメータチューニングジョブで実行されるトレーニングジョブの総数を指定します。この値を低く設定することで、探索するハイパーパラメータの組み合わせ数を減らし、全体の計算時間を直接短縮できます。ニューラルネットワークのチューニングでは、多くのジョブが長時間実行されるため、総ジョブ数を制限することはコストと時間の削減に効果的です。ただし、極端に低くしすぎると最適なハイパーパラメータが見つからないリスクがあるため、ハイパーバンドのような効率的な戦略（A）と組み合わせることで、性能への影響を最小限に抑えつつ計算時間を削減できます。
コメント