Instiq

AWS Certified Machine Learning – Specialty参考書

AWS 上で機械学習のデータ準備・分析・モデリング・運用を専門的に設計するスペシャリティ資格（MLS-C01）。SageMaker を中心に ML ワークフロー全体を学びます。

問題集で演習する →用語集を見る →

AWS Certified Machine Learning – Specialty（MLS-C01）について

AWS Certified Machine Learning – Specialty（MLS-C01）は、AWS が提供するスペシャリティレベルの認定資格です。このページでは、試験範囲を全 6 章・18 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）

  • データエンジニアリング約 20%
  • 探索的データ分析約 24%
  • モデリング約 36%
  • 機械学習の実装と運用約 20%

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。

※ この試験は提供を終了しています。

公式の試験情報：https://aws.amazon.com/certification/certified-machine-learning-specialty/

1データエンジニアリング

  • 1.1データの収集と取り込み

    ML の出発点——データソース、ストリーミング取り込み（Kinesis）、バッチ取り込み、S3 データレイク——を理解します。学習データはまず S3 に集めます。

  • 1.2データの変換と特徴量の準備

    使える形に整える——Glue ETL、データカタログ、Data Wrangler、特徴量エンジニアリング、Feature Store——を理解します。良い特徴量がモデルの質を決めます。

  • 1.3ストレージとデータ形式

    効率よく蓄える——列指向（Parquet/ORC）、パーティション、S3 ストレージクラス、SageMaker の入力モード——を理解します。形式とレイアウトがコストと速度を左右します。

2探索的データ分析

  • 2.1統計と分布の把握

    データを知る——要約統計（平均/中央値/分散）、分布、外れ値、クラス不均衡、相関——を理解します。モデリング前にデータの素性を掴みます。

  • 2.2可視化による探索

    見て掴む——ヒストグラム、箱ひげ図、散布図、相関ヒートマップ——の使い分けを理解します。目的に合う図でデータの特徴を素早く把握します。

  • 2.3前処理とデータ品質

    モデルに渡す準備——欠損値補完、外れ値処理、エンコード/スケーリング、クラス不均衡対策（SMOTE）、データリーク回避——を理解します。

3モデリング

  • 3.1アルゴリズムの選択

    課題に合うモデル——教師あり（分類/回帰）、教師なし（クラスタリング/次元削減）、SageMaker 組み込みアルゴリズム、専門タスク（画像/テキスト/時系列）——を理解します。

  • 3.2学習・過学習・ハイパーパラメータ調整

    うまく学習させる——過学習/未学習、バイアス/バリアンス、正則化/early stopping、ハイパーパラメータ調整（SageMaker Automatic Model Tuning）、交差検証——を理解します。

  • 3.3モデルの評価指標

    良し悪しを測る——混同行列、適合率/再現率/F1、ROC-AUC、回帰指標（RMSE/MAE/R²）、不均衡時の指標選択——を理解します。目的に合う指標で評価します。

4機械学習の実装と運用

  • 4.1モデルのデプロイ

    推論を提供する——リアルタイムエンドポイント、バッチ変換、サーバーレス/非同期推論、自動スケーリング、マルチモデルエンドポイント——を理解します。用途で配信方式を選びます。

  • 4.2モニタリングと再学習

    本番で守る——Model Monitor、データドリフト、CloudWatch（遅延/エラー/呼び出し数）、ドリフト検知→再学習——を理解します。モデルは時間とともに劣化します。

  • 4.3MLOps とセキュリティ

    自動化と安全——SageMaker Pipelines、Model Registry、安全なロールアウト（A/B/カナリア）、IAM/KMS/VPC によるセキュリティ——を理解します。再現可能で安全な ML 運用を実現します。

5高度なモデリングと深層学習

  • 5.1ニューラルネットワークの基礎

    深層学習の土台——層とニューロン、活性化関数（ReLU/sigmoid/softmax）、誤差逆伝播、学習率/エポック/バッチ、勾配消失——を理解します。

  • 5.2深層学習アーキテクチャ

    データに合う構造——CNN（画像）、RNN/LSTM（系列）、Transformer（言語）、用途別の選択——を理解します。データの性質でアーキテクチャを選びます。

  • 5.3転移学習と深層学習の調整

    少データで賢く——転移学習/ファインチューニング、SageMaker JumpStart、ドロップアウト/バッチ正規化、データ拡張、early stopping——を理解します。

6SageMaker エコシステムと AI サービス

  • 6.1SageMaker のワークフロー

    一貫した ML 基盤——SageMaker Studio、組み込みアルゴリズム、トレーニングジョブ、Processing、準備→学習→デプロイ→監視——を理解します。

  • 6.2高レベル AI サービス

    作らずに使う——Rekognition、Comprehend、Transcribe/Polly、Translate、Textract、Personalize（時系列予測の Forecast は新規提供を終了し、後継は SageMaker Canvas 等）——を理解します。学習不要の API で素早く実装します。

  • 6.3データラベリングと構築方針

    最後の判断——Ground Truth（ラベリング）、AI サービス vs カスタム、コストと労力のトレードオフ、適切な選択——を理解します。作るか使うかを賢く選びます。