AWS Machine Learning Engineer Associate MLA-C01 — 学习指南
边学边练。 每个概念都对应 Amazon 考试中心中带有验证答案的真实考题，或在 ExamRoll.io 上通过限时练习演练整场考试。
本指南深入讲解每个 MLA-C01 领域。选择一个领域深入学习，或按顺序逐一学习。
领域
- 数据工程与特征工程 — 机器学习的数据工程旨在为模型训练和推理生成可复现、可审计的输入，同时最大限度地减少泄漏和运维负担。其核心在于一致的摄取语义（事件时间、记录标识符、模式）、一个规范的元数据目录，以及定义明确、既可离线执行用于模型训练、又可在线执行用于实时推理的转换。架构您的管道，以便相同的转换代码（或相同的
- 模型训练与超参数优化 — Amazon SageMaker 中的模型训练是一个经过编排的流程，它结合了容器化的训练代码、计算资源、持久化存储以及可选的分布式通信网络。一个 SageMaker 训练作业由训练镜像或框架估算器（estimator）、指向 S3 位置的输入数据规范以及包含
- 模型评估与选择 — 准确的模型评估始于选择与业务目标以及类别/标签特征相匹配的指标。对于二元分类，混淆矩阵——真正例 (TP)、假正例 (FP)、假负例 (FN)、真负例 (TN)——是经典的基础单元，精确率 (TP / (TP+FP))、召回率或灵敏度 (TP / (TP+FN))、特异性 (TN /
- 模型部署与推理 — 无服务器推理（Serverless Inference）无需管理实例，并在端点级别通过 ServerlessConfig 进行配置，该配置为每个 ProductionVariant 指定 MemorySizeInMB 和 MaxConcurrency；SageMaker
- MLOps 与模型生命周期管理 — AWS 中的模型生命周期管理核心在于将模型视为具有可审计血缘、自动化晋升门控和可复现管道的版本化构件。Amazon SageMaker 提供了基础构件：用于编排的 SageMaker Pipelines，用于版本控制和审批状态的 SageMaker Model Registry
- 模型监控与可观测性 — 基准通常是使用描述性统计和约束文件，从训练（和验证）数据的代表性快照中生成的。在 AWS SageMaker 中，
DefaultModelMonitor.suggest_baseline实用工具或一个 Processing - 安全性、治理与合规性 — 对于临时的开发者访问和人工审批，首选通过 AWS STS 担任并使用短期凭证的 IAM 角色，而不是使用长期的 IAM 用户密钥。通过结合使用 IAM 权限边界、AWS Single Sign-On 或 OIDC IdP，以及对 SageMaker Model Registry
- 生成式 AI 与基础模型 — 基础模型是大型的预训练网络——通常基于 Transformer——可提供通用的语言、视觉或多模态表示。实际的生产化需要通过三种独立的方法将这些广泛的能力转化为特定于应用的行为：推理时的提示工程、利用检索增强生成 (RAG)
- ML 工作负载的成本优化 — 运营技术将这些手段付诸实践。使用带检查点的托管 Spot 训练，与按需实例相比，可将训练计算成本降低高达 70%，但需配合使用检查点（CreateTrainingJob 参数 CheckpointConfig → S3Uri），并将 CreateTrainingJob 标志
- 计算机视觉、NLP 与专业化 ML — 模型构建的选择对应于专门的 AWS 服务：Amazon SageMaker 提供内置算法（XGBoost、Linear Learner、Random Cut Forest）和托管的框架容器（MXNet、TensorFlow、PyTorch），以及用于偏差和可解释性分析的 SageMaker
准备好练习了吗？
- 浏览所有带验证答案的题目 → — 免费，含解析。
- 在 ExamRoll.io 上开始限时模拟考试 → — 完整题库，支持 20 多种语言。
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
通过考试 →