面向中文开发者的 AWS 实战知识库 代维服务
上云咨询

MLS-C01 考试指南与学习计划:65 道题,36% 为建模

导出 PDF 浅色排版、带版权水印,可在打印窗口另存为 PDF
MLS-C01 考试指南与学习计划:65 道题,36% 为建模

要点速览

  • MLS-C01 共 65 道题,考试时间 180 分钟,按 100–1000 分制评分,750 分通过,美国每次考试费用 300 美元,证书有效期 3 年。
  • 建模占 36% 的权重——大约是 65 题中的 23 题——所以如果你只有 40 个学习小时,把其中 15 小时花在这里,而不是 EDA。
  • 这些题目更多考查 SageMaker 运维操作(竞价训练、检查点、调优作业、端点变体),而不是建模技能;你无法仅凭机器学习理论推理出答案。

MLS-C01 会筛掉哪些人,以及谁应该先考另一门考试

官方指南描述的考生应有一到两年在 AWS 上构建和运行机器学习工作负载的实操经验,并具备建模生命周期的实用知识。实践中,考试比这句话所暗示的更严格。我见过一位拥有五年 SQL 和 pandas 经验的优秀数据分析师第一次考试以 40 个量表分之差未通过,因为她从未创建过端点、调优作业或批量转换作业。理论没问题;服务面不行。

AWS 现在有三个相互重叠的机器学习认证,选错一个会浪费六周。

考试 级别 最适合 备考时间
AIF-C01(AI 从业者) 基础级 产品经理、分析师、任何刚接触 AWS 上机器学习的人 15–25 小时
MLA-C01(机器学习工程师 – 助理级) 助理级 部署和运维模型的工程师,建模工作较轻 40–60 小时
MLS-C01(机器学习 – 专业级) 专业级 在 SageMaker 上既构建又运维模型的人 80–120 小时

如果你的工作是“训练模型”,考专业级。如果你的工作是“把别人训练好的模型交付上线”,MLA-C01 对你晚上时间的回报更高——它假设更少的算法琐事,更多的流水线工作。不要三个都考;徽章重叠让招聘人员困惑多过让他们印象深刻。

四个领域,以及建模占 36% 到底会让你付出什么

各版指南中公布的权重一直稳定。把它们乘以 65,你就得到一个大致的题目预算,这是我发现的最有用的规划数字。

领域 权重 约题目数 高产出内容
数据工程 20% 约 13 S3 布局与分区、Glue/Athena、Kinesis Data Streams 与 Firehose、RecordIO-Protobuf 和 Parquet、Feature Store 摄取
探索性数据分析 24% 约 16 缺失值处理、特征缩放、类别不平衡、SMOTE、PCA、TF-IDF、Data Wrangler、相关性与因果性
建模 36% 约 23 内置算法选择(XGBoost、Linear Learner、DeepAR、BlazingText、Factorization Machines)、指标、正则化、超参数调优策略、迁移学习
机器学习实现与运维 20% 约 13 实时、无服务器、异步与批量推理,A/B 变体与影子变体,自动扩缩容,Model Monitor,托管竞价训练,IAM 执行角色

建模领域是人们过度学习却得分不足的地方。考试很少让你推导梯度;它会问哪个内置算法适合稀疏高维点击日志,或者当正类只占数据的 0.4% 时,AUC 还是 F1 才是站得住脚的指标。知道 ml.m5.xlarge 和 ml.c5.2xlarge 的区别,比知道 XGBoost 为什么使用二阶梯度更重要。

报名、费用,以及那些会坑人的考试形式细节

你通过 AWS Certification 账户报名,并在 Pearson VUE 上预约。我上次预约时,考试中心和在线监考场次都能在 48 小时内约到,不过如果你想要特定晚间场次,我建议给自己留两周。美国 Specialty 考试费用为 300 美元;各地区定价不同。重考收取全额费用,并且未通过后需要等待 14 天,这才是只在你练习题稳定达标后才预约的真正原因。

考试形式为单选题(一个正确答案)和多选题(从五个或更多选项中选出两个或三个正确答案)。答错不扣分,标记的题目可以回看,直到计时归零。通过分数是量表分 750——AWS 不公布原始分到量表分的映射,所以任何告诉你“可以错 16 题”的人都是在猜。

一份能在全职工作下坚持下来的学习计划

现实的学习小时数更多取决于你的起点,而不是智商。这些是我见过经得起验证的范围,不是营销话术。

起点 小时数 按每周 12 小时计的日历
负责交付模型,拥有 1 年以上 SageMaker 经验 50–70 4–5 周
分析师:Python/SQL 强,但没有 AWS 机器学习经验 90–120 8–10 周
AWS 运维或解决方案架构师,机器学习经验较浅 100–140 10–12 周
完全没有机器学习基础 先停下——先考 AIF-C01 —

下面的计划假设你处于中间一行。按顺序执行;实验工作必须在模拟考试之前完成,否则你只会记住答案而没有上下文。

  1. 第 1–2 周,数据工程 + EDA。 阅读 SageMaker 开发人员指南中关于数据准备的章节,以及内置算法页面,每晚一个算法。构建一个 Feature Store 组和一个 Data Wrangler 流程。
  2. 第 3–5 周,建模。 选五个算法,并在同一数据集上实际训练它们。在笔记本中比较指标。不要只阅读超参数调优——运行一个带三个静态范围的调优作业,并观察控制台。
  3. 第 6–7 周,运维。 用四种方式部署同一个模型:实时端点、无服务器端点、批量转换、异步推理。故意把每一种弄坏(发送错误的内容类型),然后阅读错误信息。
  4. 第 8 周,练习与补缺。 先裸做免费的 20 题官方练习题集,然后只重读你错超过两题的领域。

用低成本搭起实验环境。除了分布式训练,ml.t3.medium 笔记本足以完成每项练习,而且它按秒计费——所以一合上笔记本电脑就立刻停止它。

# 沙盒笔记本——能舒适运行 SDK 的最小实例
aws sagemaker create-notebook-instance 
  --notebook-instance-name mls01-lab 
  --instance-type ml.t3.medium 
  --role-arn arn:aws:iam::123456789012:role/SageMakerExecutionRole 
  --volume-size-in-gb 5 
  --region us-east-1

# 每次会话后立即停止它;运行中的实例是第 1 大意外账单项
aws sagemaker stop-notebook-instance --notebook-instance-name mls01-lab --region us-east-1


## 什么时候不要考 MLS-C01

如果你从未在教程之外训练过模型,就跳过它。考试默认你掌握诸如精确率-召回率权衡、正则化和分层拆分之类的词汇;光到达起跑线你就要烧掉 40 小时。先考 AIF-C01,然后再决定。如果你需要在下个月底前拿到一个认证用于 RFP,也跳过它——MLA-C01 的上手路径更短。如果你 300 美元的预算只够考一次,而你的练习分数仍低于 70%,也跳过它;14 天重考锁定期会把一次差一点通过变成两个月的延迟。

## 那个让我搞懂运维领域的竞价训练验证错误

我当时在搭一个实验来演示托管竞价训练,主要是为了让成本相关问题更具体。我第一次调用 `create-training-job` 时启用了竞价,并把 `MaxWaitTimeInSeconds` 设为 7200、`MaxRuntimeInSeconds` 设为 3600,但没设置其他东西。API 直接拒绝了它:


ClientError: An error occurred (ValidationException) when calling the CreateTrainingJob
operation: Managed spot training requires checkpointing to be enabled.


我起初以为是缺少 IAM 权限,于是开始查 CloudTrail。方向错了。真正的约束是架构性的:竞价容量可能在作业中途被回收,而 SageMaker 会从最后一个检查点重启作业,所以如果没有地方写入检查点,它就拒绝启动。这意味着既需要 `CheckpointConfig.S3Uri`,也需要训练脚本写入 `/opt/ml/checkpoints`。

修复方法是多加一个标志:

```bash
aws sagemaker create-training-job 
  --training-job-name mls01-spot-demo 
  --algorithm-specification '{"TrainingImage":"683313688378.dkr.ecr.us-east-1.amazonaws.com/sagemaker-xgboost:1.7-1","TrainingInputMode":"File"}' 
  --role-arn arn:aws:iam::123456789012:role/SageMakerExecutionRole 
  --input-data-config '[{"ChannelName":"train","DataSource":{"S3DataSource":{"S3DataType":"S3Prefix","S3Uri":"s3://mls01-demo/train/","S3DataDistributionType":"FullyReplicated"}}}]' 
  --output-data-config '{"S3OutputPath":"s3://mls01-demo/output/"}' 
  --resource-config '{"InstanceType":"ml.m5.xlarge","InstanceCount":1,"VolumeSizeInGB":30}' 
  --stopping-condition '{"MaxRuntimeInSeconds":3600,"MaxWaitTimeInSeconds":7200}' 
  --enable-managed-spot-training 
  --checkpoint-config '{"S3Uri":"s3://mls01-demo/checkpoints/"}' 
  --region us-east-1


验证是人们会跳过的一步。`describe-training-job` 会分别报告 `TrainingTimeInSeconds` 和 `BillableTimeInSeconds`,在一次成功的竞价训练中,计费时长是两者中较小的那个——这个差值正是该功能的意义所在。

```bash
aws sagemaker describe-training-job --training-job-name mls01-spot-demo 
  --query '{Status:TrainingJobStatus,Sub:SecondaryStatus,Reason:FailureReason,Billable:BillableTimeInSeconds,Training:TrainingTimeInSeconds}'


这个错误也代表了一类运维题目的形态:竞价训练需要检查点,调优作业需要一个有效的 `ObjectiveMetric` 正则表达式来匹配日志中的某一行,端点需要一条符合容器预期的调用路径。当实验出问题时,先按字面阅读验证消息,再去 IAM 里排查。如果盯着配额、检查点存储桶和端点扩缩容不是你想要的周五过法,那正是我们在 [awsgood.com 托管服务](https://awsgood.com) 接手的常规 SageMaker 基础设施工作。

## 考试当天技巧:每题 166 秒

180 分钟做 65 题,平均每题 2.77 分钟,但这个平均值会骗人。多选题要花三到四分钟,因为你必须逐一验证每个选项;一个带指标表的场景题可能吃掉五分钟。我的分配是:120 分钟用于第一遍,平均每题约 110 秒;然后用 60 分钟处理标记题,并完整复查每一道多选题的答案。

解读限定词,因为它们能排除一半选项。“MOST cost-effective(最具成本效益)”通常指向竞价训练、批量转换或无服务器推理。“Least operational overhead(运维开销最低)”指向托管服务,而不是任何你需要自己编排的东西。“近实时”排除批量转换。在多选题中,题干会明确说明要选几个——如果它要求选三个而你选了两个,就得零分,所以绝不要为了“覆盖”某个选项而多猜一个复选框。

在你完成建模部分之前就预订考试日期

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注