AWS Certified Machine Learning Engineer – Associate
1.0 MLA-C01
?領域 1：機器學習 (ML) 的數據準備（占計分內容的 28%）
?領域 2： ML 模型開發（占計分內容的 26%）
?領域 3： ML 工作流的部署和編排（占計分內容的 22%）
?領域 4： ML 解決方案的監控、維護和安全保護（占計分內容的 24%）
任務表述 1.1：攝取和存儲數據。
掌握以下知識：
?數據格式和攝取機制（例如，經驗證和
未經驗證的格式、Apache Parquet、JSON、CSV、Apache ORC、Apache
Avro、RecordIO）
?如何使用核心 AWS數據來源（例如， Amazon S3、Amazon Elastic File
System [Amazon EFS]、適用于 NetApp ONTAP的 Amazon FSx）
?如何使用 AWS 流式數據來源來攝取數據（例如，Amazon Kinesis、Apache
Flink、Apache Kafka）
? AWS存儲選項，包括使用案例和權衡
具備以下技能：
?使用相關的 AWS服務選項（例如， Amazon S3 Transfer Acceleration、
Amazon EBS預調配 IOPS），從存儲（例如， Amazon S3、Amazon Elastic
Block Store [Amazon EBS]、Amazon EFS、Amazon RDS、Amazon
DynamoDB）中提取數據。
?根據數據訪問模式選擇合適的數據格式（例如 Parquet、JSON、CSV、ORC）
?將數據攝取到 Amazon SageMaker Data Wrangler和 SageMaker Feature Store
?合并多個來源中的數據（例如，使用編程技術、AWS Glue、Apache Spark）
?針對涉及容量和可擴展性的數據攝取和存儲問題，進行故障排除和調試
?根據成本、性能和數據結構，選擇初始的存儲
任務表述 1.2：轉換數據并執行特征工程。
掌握以下知識：
?數據清理和轉換技術（例如，檢測和處理異常值、填補缺失的數據、合并
數據、重復數據刪除）
?特征工程技術（例如，數據縮放和標準化、特征拆分、分箱、對數變換、
標準化）
?編碼技術（例如，獨熱編碼、二進制編碼、標簽編碼、令牌化）
?用于瀏覽、可視化或轉換數據和特征的工具（例如，SageMaker Data
Wrangler、AWS Glue、AWS Glue、AWS Glue DataBrew）
?轉換流式數據的服務（例如 AWS Lambda、Spark）
?數據注釋和標注服務，用于創建高質量的標注數據集
具備以下技能：
?使用 AWS工具（例如 AWS Glue、AWS Glue DataBrew、運行在
Amazon EMR 上的 Spark、SageMaker Data Wrangler）轉換數據
?使用 AWS工具（例如 SageMaker Feature Store）創建和管理特征
?使用 AWS服務（例如 SageMaker Ground Truth、Amazon Mechanical
Turk）驗證和標注數據
任務表述 1.3：確保數據完整性，以及準備數據用于建模。
掌握以下知識：
?數字、文本和圖像數據的預訓練偏差指標（例如，類不平衡 [CI]、標簽比例
差異 [DPL]）
?解決數字、文本和圖像數據集中 CI 的策略（例如，合成數據生成、重新采樣）
?加密數據的技術
?數據分類、匿名化和掩蔽
?合規性要求的影響（例如，個人身份信息 [PII]、受保護的健康信息 [PHI]、
數據駐留）
具備以下技能：
?驗證數據質量（例如，使用 AWS Glue DataBrew和 AWS Glue數據質量自動
監測功能）
?使用 AWS工具（例如 SageMaker Clarify）識別數據中的偏差來源（例如，
選擇偏差、測量偏差）并采取緩解措施
?準備數據以減少預測偏差（例如，使用數據集拆分、隨機排列和擴充）
?配置數據以加載到模型訓練資源（例如，Amazon EFS、Amazon FSx）中
任務表述 2.1：選擇建模方法。
掌握以下知識：
? ML算法的功能以及正確用于解決業務問題
?如何使用 AWS 人工智能 (AI)服務（例如， Amazon Translate、Amazon
Transcribe、Amazon Rekognition、Amazon Bedrock）來解決特定的業務問題
?在模型選擇或算法選擇過程中如何考慮可解釋性
? SageMaker內置算法以及各算法的應用場景
具備以下技能：
?評估可用數據和問題復雜性，以便確定 ML解決方案的可行性
?比較和選擇適當的 ML模型或算法來解決特定問題
?選擇內置算法、基礎模型和解決方案模板（例如，在 SageMaker JumpStart
和 Amazon Bedrock 中）
?根據成本選擇模型或算法
?選擇 AI服務來解決常見的業務需求問題
任務表述 2.2：訓練和優化模型。
掌握以下知識：
?訓練過程中的要素（例如，紀元、步驟、批次大小）
?縮短模型訓練時間的方法（例如，提前停止、分布式訓練）
?影響模型大小的因素
?提高模型性能的方法
?正則化技術的優點（例如，隨機失活、權重衰減、L1 和 L2）
?超參數優化技術（例如，隨機搜索、貝葉斯優化）
?模型超參數及其對模型性能的影響（例如，基于樹的模型中的樹數量、神經
網絡中的層數）
?將在 SageMaker之外構建的模型集成到 SageMaker中的方法
具備以下技能：
?使用 SageMaker內置算法和常用 ML庫開發 ML模型
?使用 SageMaker腳本模式和支持 SageMaker的框架來訓練模型（例如
TensorFlow、PyTorch）
?使用自定義數據集微調預訓練模型（例如 Amazon Bedrock、SageMaker
JumpStart）
?執行超參數優化（例如，使用 SageMaker自動模型優化 [AMT]）
?集成自動超參數優化功能
?防止模型過度擬合、欠擬合和災難性遺忘（例如，通過使用正則化技術、
特征選擇）
?組合多個訓練模型以提高性能（例如，集成、堆疊、提升）
?減小模型大小（例如，通過更改數據類型、修剪、更新特征選擇、壓縮）
?管理模型版本來實現可重復性以及用于審計（例如，使用 SageMaker模型
注冊表）
任務表述 2.3：分析模型性能。
掌握以下知識：
?模型評估技術和指標（例如，混淆矩陣、熱圖、F1 分數、準確率、查準率、
查全率、均方根誤差 [RMSE]、接收者操作特性 [ROC]、ROC 曲線下面積 [AUC]）
?創建性能基準的方法
?識別模型過度擬合和欠擬合的方法
? SageMaker Clarify中提供的指標，用于深入了解 ML訓練數據和模型
?收斂問題
具備以下技能：
?選擇和解釋評估指標并檢測模型偏差
?評估在模型性能、訓練時間和成本之間的權衡
?使用 AWS服務執行可重復的實驗
?將影子變體的性能與生產變體的性能進行比較
?使用 SageMaker Clarify解釋模型輸出
?使用 SageMaker模型調試器調試模型收斂
任務表述 3.1：根據現有架構和要求選擇部署基礎設施。
掌握以下知識：
?部署最佳實踐（例如，版本控制、回滾策略）
? AWS部署服務（例如 SageMaker）
?實時和批量提供 ML模型的方法
?如何在生產環境和測試環境中預置計算資源（例如 CPU、GPU）
?部署端點的模型和端點要求（例如，無服務器端點、實時端點、異步端點、
批量推理）
?如何選擇合適的容器（例如，已提供容器或自定義容器）
?在邊緣設備上優化模型的方法（例如 SageMaker Neo）
具備以下技能：
?評估性能、成本和延遲權衡
?根據需求（例如 GPU或 CPU規格、處理器系列、聯網帶寬），選擇合適的
計算環境用于訓練和推理
?選擇合適的部署編排程序（例如 Apache Airflow、SageMaker Pipelines）
?選擇多模型或多容器部署
?選擇合適的部署目標（例如， SageMaker端點、Kubernetes、Amazon Elastic
Container Service [Amazon ECS]、Amazon Elastic Kubernetes Service
[Amazon EKS]、Lambda）
?選擇模型部署策略（例如，實時、批量）
任務表述 3.2：根據現有架構和要求創建基礎設施并編寫腳本。
掌握以下知識：
?按需資源和預置資源之間的區別
?如何比較擴展策略
?基礎設施即代碼 (IaC) 選項（例如 AWS CloudFormation、AWS Cloud
Development Kit [AWS CDK]）的權衡和使用案例
?容器化概念和 AWS容器服務
?如何使用 SageMaker端點彈性伸縮策略來滿足可擴展性要求（例如，基于
需求、時間）
具備以下技能：
?應用最佳實踐來打造可維護、可擴展且經濟實惠的 ML解決方案（例如，
在 SageMaker端點上彈性伸縮、動態添加競價型實例、使用 Amazon EC2
實例、在端點后面使用 Lambda）
?自動預置計算資源，包括堆棧之間的通信（例如，使用 CloudFormation、
AWS CDK）
?構建和維護容器（例如， Amazon Elastic Container Registry [Amazon ECR]、
Amazon EKS、Amazon ECS，將自帶容器 [BYOC]與 SageMaker結合使用）
?在 VPC網絡中配置 SageMaker端點
?使用 SageMaker SDK部署和托管模型
?為彈性伸縮選擇特定的指標（例如，模型延遲、CPU利用率、每個實例的
調用數）
任務表述 3.3：使用自動編排工具來設置持續集成和持續交付 (CI/CD) 管道。
掌握以下知識：
? AWS CodePipeline、AWS CodeBuild 和 AWS CodeDeploy的功能與配額
?使用編排服務的數據攝取自動化和集成
?版本控制系統和基本用法（例如 Git）
? CI/CD原則以及如何將這些原則融入 ML工作流
?部署策略和回滾操作（例如，藍/綠、金絲雀、線性）
?代碼存儲庫和管道如何協同工作
具備以下技能：
? CodeBuild、CodeDeploy和 CodePipeline（包括各階段）的
配置和故障排除
?應用持續部署流程結構來調用管道（例如 Gitflow、GitHub Flow）
?使用 AWS服務來自動進行編排（例如，部署 ML模型、自動模型構建）
?配置訓練和推理作業（例如，使用 Amazon EventBridge規則、SageMaker
Pipelines、CodePipeline）
?在 CI/CD管道中創建自動化測試（例如，集成測試、單元測試、端到端測試）
?構建并集成用于重新訓練模型的機制
任務表述 4.1：監控模型推理。
掌握以下知識：
? ML模型中的漂移
?監控數據質量和模型性能的技術
?設計原則，用于與監控相關的 ML剖析
具備以下技能：
?監控用于生產的模型（例如，使用 SageMaker Model Monitor）
?監控工作流以檢測數據處理或模型推理中的異常或錯誤
?檢測可能影響模型性能的數據分布變化（例如，使用 SageMaker Clarify）
?使用 A/B測試監控用于生產的模型的性能
任務表述 4.2：監控和優化基礎設施與成本。
掌握以下知識：
? ML基礎設施的關鍵性能指標（例如，利用率、吞吐量、可用性、可擴展性、
容錯能力）
?用于解決延遲和性能問題的監控和可觀察性工具（例如， AWS X-Ray、
Amazon CloudWatch Lambda 洞察、 Amazon CloudWatch Logs Insights）
?如何使用 AWS CloudTrail 記錄、監控和調用重新培訓活動
?實例類型之間的差異及其如何影響性能（例如，內存優化型、計算優化型、
通用型、推理優化型）
?成本分析工具的功能（例如 AWS Cost Explorer、AWS賬單與成本管理、
AWS Trusted Advisor）
?成本跟蹤和分配技術（例如，資源標記）
具備以下技能：
?配置和使用工具，以便對資源進行故障排除和分析（例如，CloudWatch Logs、
CloudWatch警報）
?創建 CloudTrail 跟蹤記錄
?設置控制面板以監控性能指標（例如，使用 Amazon QuickSight、
CloudWatch控制面板）
?監控基礎設施（例如，使用 EventBridge事件）
?調整實例系列和大小（例如，使用 SageMaker Inference Recommender 和
AWS Compute Optimizer）
?監控并解決延遲和擴展問題
?準備基礎設施進行成本監控（例如，通過應用標記策略）
?對涉及成本和性能的容量問題進行故障排除（例如，預置并發、服務配額、
自動擴展）
?使用合適的成本管理工具（例如 AWS Cost Explorer、AWS Trusted Advisor、
AWS Budgets）來優化成本和設置成本配額
?通過選擇購買選項（例如，競價型實例、按需型實例、預留實例、SageMaker
節省計劃）來優化基礎設施成本