AWS Machine Learning Engineer Associate MLA-C01 — 學習指南
邊學邊練。 每個概念都對應 Amazon 考試中心中附有驗證解答的真實考題，或在 ExamRoll.io 上透過限時練習演練整場考試。
本指南深入講解每個 MLA-C01 領域。選擇一個領域深入學習，或依序逐一學習。
領域
- 資料工程與特徵工程 — 機器學習的資料工程，其核心在於為模型訓練與推論產生可重現、可稽核的輸入，同時將資料洩漏與維運負擔降至最低。其核心要素包括一致的擷取語意
- 模型訓練與超參數優化 — Amazon SageMaker 中的模型訓練是一個協同運作的流程，它結合了容器化的訓練程式碼、運算資源、持久性儲存以及可選的分散式通訊架構。一個 SageMaker 訓練任務由一個訓練映像檔或框架估算器 (estimator)、一個指向 S3 位置的輸入資料規格，以及一個包含
- 模型評估與選擇 — 當必須將營運開銷降到最低時，應優先選擇託管服務和內建的演算法功能，而不是建立自訂的 ETL 或自訂的監控管線。例如，若要訓練一個用於詐欺偵測的二元分類器，SageMaker 中的 XGBoost 是一個高效率的內建選項，它提供低延遲的訓練以及專為不平衡資料設計的超參數，例如
- 模型部署與推論 — 無伺服器推論 (Serverless Inference) 移除了執行個體管理，並在端點層級透過 ServerlessConfig 進行設定，該設定為每個 ProductionVariant 指定 MemorySizeInMB 和 MaxConcurrency；SageMaker
- MLOps 與模型生命週期管理 — AWS 中的模型生命週期管理，核心概念是將模型視為具備版本控管的產物 (artifact)，並具備可稽核的血緣關係 (lineage)、自動化的晉升閘道 (promotion gate) 以及可重現的管線 (pipeline)。Amazon SageMaker
- 模型監控與可觀測性 — 基準線通常是利用描述性統計和約束檔案，從具代表性的訓練（和驗證）資料快照中產生。在 AWS SageMaker 中，可使用 DefaultModelMonitor.suggest_baseline 工具或一個 Processing job
- 安全性、治理與合規性 — 對於臨時性的開發者存取和真人核准，應優先使用透過 AWS STS 取得的 IAM 角色，搭配短期有效的憑證，而非長期有效的 IAM 使用者金鑰。要強制執行多人審核和職責分離，可以結合使用 IAM 權限邊界、AWS Single Sign-On 或 OIDC IdP，以及對 SageMaker
- 生成式 AI 與基礎模型 — 基礎模型 (Foundation models) 是大型的預訓練網路——通常基於 transformer 架構——提供通用的語言、視覺或多模態表徵。實際的生產化需要透過三種正交的手段，將這些廣泛的能力轉化為特定應用的行為：在推論時進行提示工程 (prompt
- ML 工作負載的成本優化 — 維運技術將這些手段付諸實踐。使用具備檢查點功能的受管 Spot 訓練，與隨需執行個體相比，可將訓練運算成本降低高達 70%，但需搭配檢查點功能（
CreateTrainingJob參數CheckpointConfig→S3Uri）並將CreateTrainingJob - 電腦視覺、NLP 與專業化 ML — 模型的建置選擇對應到專門的 AWS 服務：Amazon SageMaker 提供內建演算法（XGBoost、Linear Learner、Random Cut Forest）和適用於各種框架（MXNet、TensorFlow、PyTorch）的受管容器，再加上用於偏差與可解釋性的
準備好練習了嗎？
- 瀏覽所有附驗證解答的題目 → — 免費，含解析。
- 在 ExamRoll.io 上開始限時模擬考試 → — 完整題庫，支援 20 多種語言。
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.
通過考試 →