AWS Certified Machine Learning Engineer – Associate参考書
AWS の機械学習エンジニアリングを学ぶアソシエイト資格（MLA-C01）。
AWS Certified Machine Learning Engineer – Associate（MLA-C01）について
AWS Certified Machine Learning Engineer – Associate（MLA-C01）は、AWS が提供するアソシエイトレベルの認定資格です。このページでは、試験範囲を全 4 章・11 節の参考書として体系的に解説し、本番形式の練習問題で理解度を確認できます。下の章一覧から順に読み進め、「問題集で演習する」で実力を試すのが効率的な学習の流れです。
試験で問われる分野（出題範囲の目安）
- ML 向けデータ準備約 28%
- ML モデルの開発約 26%
- ML ワークフローのデプロイとオーケストレーション約 22%
- ML ソリューションの監視・保守・セキュリティ約 24%
配点は本番試験の目安です。各分野は下の章・節で詳しく解説しています。
公式の試験情報：https://aws.amazon.com/certification/certified-machine-learning-engineer-associate/
1ML 向けデータ準備
- 1.1ML 向けデータ準備とフィーチャーエンジニアリング
機械学習のためのデータ準備（クレンジング・欠損/外れ値処理・エンコード・スケーリング）とフィーチャーエンジニアリングの基礎を理解します。MLA-C01 の「ML 向けデータ準備」の出発点です。
- 1.2SageMaker のデータ準備ツール
SageMaker Data Wrangler（視覚的なデータ準備）、Feature Store（特徴量の保存・共有）、Processing ジョブ/Glue による大規模変換を理解します。
- 1.3データの分割・品質・バイアス
トレーニング/検証/テスト分割とデータリーク防止、クラス不均衡やバイアスの検出（SageMaker Clarify）、データ品質の確認を理解します。
2ML モデルの開発
- 2.1モデルの選択とトレーニング
SageMaker での3つのモデル構築アプローチ（組み込みアルゴリズム・スクリプトモード/独自コンテナ・AutoML/JumpStart）、トレーニングジョブの基礎を理解します。MLA-C01 の「ML モデルの開発」の出発点です。
- 2.2ハイパーパラメータ調整と過学習対策
SageMaker Automatic Model Tuning によるハイパーパラメータ探索、過学習（オーバーフィット）と未学習（アンダーフィット）、正則化やデータ追加による対策を理解します。
- 2.3モデルの評価指標
分類（精度・適合率/再現率・F1・AUC）と回帰（RMSE・MAE・決定係数）の評価指標、混同行列、不均衡データでの指標選択を理解します。
3ML ワークフローのデプロイとオーケストレーション
- 3.1推論オプションの選択
SageMaker の推論方式（リアルタイム・サーバーレス・非同期・バッチ変換）の違いと、トラフィックや遅延要件に応じた使い分けを理解します。MLA-C01 の「デプロイとオーケストレーション」の出発点です。
- 3.2MLOps と SageMaker Pipelines
SageMaker Pipelines による ML ライフサイクルの自動化、Model Registry によるモデルのバージョン管理と承認、CI/CD 連携といった MLOps を理解します。
- 3.3安全なモデルデプロイ戦略
Blue/Green デプロイ、カナリア/リニアによる段階的トラフィックシフト、シャドー/A-B テスト（マルチバリアントエンドポイント）といった、リスクを抑えたモデルデプロイを理解します。
4ML ソリューションの監視・保守・セキュリティ
- 4.1モデルの監視とドリフト対応
SageMaker Model Monitor によるデータ/モデルのドリフト検出、CloudWatch によるエンドポイント監視、ドリフト検知をトリガーとした再学習を理解します。MLA-C01 の「監視・保守・セキュリティ」の出発点です。
- 4.2ML のセキュリティとコスト
IAM による最小権限、暗号化（KMS/TLS）と VPC による分離、コスト最適化（インスタンスの適正化・マネージドスポットトレーニング）といった ML 運用のセキュリティ/コストを理解します。