Fullständig provsimulering
65 frågor · 130 minuter, 15 utan poäng och inte utmärkta. En fråga per skärm, flaggning och överstrykning, en granskningsvy och en resultatrapport per område – inga svar förrän du är klar.
Amazon Web ServicesMLA-C02AssociateMachine LearningTillgänglig
AWS Certified Machine Learning Engineer – Associate
Build, deploy, operate and secure ML and generative AI solutions on AWS with SageMaker AI and Amazon Bedrock.
Fristående övning – inte knuten till eller godkänd av Amazon Web Services. MLA-C02 används bara för att identifiera provet. Varumärken
MLA-C01 in English ended September 28, 2026; MLA-C02 is in beta (English only) and MLA-C01 stays available in Japanese, Korean and Simplified Chinese until MLA-C02 general availability.
Områdesvikter
Andel poänggivande innehåll per område. Varje provtillfälle drar frågor enligt de här vikterna.
- D1Data Preparation for ML and AI28 %18 begrepp
- D2ML Model and Foundation Model (FM) Development24 %16 begrepp
- D3Deployment and Orchestration of ML and AI Workflows24 %16 begrepp
- D4Operating, Monitoring, and Securing ML and AI Solutions24 %16 begrepp
Dina framsteg
Inga försök än. Gör ett helt prov för att få en bedömning av provberedskapen; resultaten sparas i den här webbläsaren. Gå med i din klass för att ha kvar dem på alla enheter.
Välj ett läge
ESL +30
Hela provet med 30 extra minuter (160 min) – anpassningen som personer med annat modersmål än engelska kan begära för prov på engelska.
Snabba 20
20 frågor · 40 min, samma vikter, alla ger poäng. En daglig kontroll.
Svaga punkter
20 frågor riktade mot dina svagaste områden, missade begrepp och repetitioner som är dags.
Bygg övning
Välj områden, ämnen, antal frågor och vilken pool (nya, fel, dags att repetera, låg säkerhet). Spridd repetition med säkerhetsbedömningar, flashkort och en felbok.
Öppna ÖvaOmrådesdrill
Ett område, upp till 20 frågor.
Vad provet tar upp
Område 1: Data Preparation for ML and AI
28 %Collecting and storing data (formats, streaming, vector stores, Feature Store), transformation and feature engineering (Glue, Data Wrangler, embeddings, RAG chunking, masking) and data quality and bias.
Öva område 1 →Område 2: ML Model and Foundation Model (FM) Development
24 %Choosing modeling approaches (Bedrock FMs, built-in algorithms, AI services, RAG patterns), training, tuning and fine-tuning, and evaluating ML and GenAI systems (metrics, drift baselines, shadow tests, human review).
Öva område 2 →Område 3: Deployment and Orchestration of ML and AI Workflows
24 %Deployment infrastructure and inference options, provisioning endpoints, containers, knowledge bases and agents, and CI/CD and orchestration for MLOps (Pipelines, Model Registry, prompt and agent versioning).
Öva område 3 →Område 4: Operating, Monitoring, and Securing ML and AI Solutions
24 %Monitoring models and agents (Model Monitor, drift, A/B tests, observability), cost and performance optimization (instances, purchasing options, token costs) and security (IAM, VPC isolation, logging, Guardrails).
Öva område 4 →
Områdenas namn och vikter kommer från den officiella MLA-C02 provguide (kontrollerad 2026-10-26). Kontrollera alltid den för det auktoritativa innehållet.
Källor · kontrollerad 2026-10-26
Exempelfrågor
Två av provets egenskrivna frågor, med förklaringen du får efter varje svar.
Exempel 1Välj ett
A training job reads a 2 TB dataset from S3 once per epoch, and start-up time spent downloading data is too long. Which input mode reduces start-up time without changing storage?
- ACopying the data to the notebook instance
- BStoring the data in DynamoDB
- CFastFile mode, which streams S3 objects on demand through a file system interface
- DFile mode with a larger EBS volume and a higher provisioned IOPS setting for the download
Visa svar & förklaring
Rätt svar: C. FastFile mode exposes S3 objects as files and streams them as they are read, so training starts without downloading the full dataset.
Exempel 2Välj 2
Which transformations change numeric feature scale? (Select TWO.)
- AMin-max normalization to a 0-1 range
- BDeduplication
- COne-hot encoding
- DStandardization to zero mean and unit variance
- ETokenization
Visa svar & förklaring
Rätt svar: A, D. Standardization and min-max scaling rescale numbers; one-hot encoding handles categories.