从这门 Amazon Web Services (AWS) 基础级课程中，您将学习如何评估您对 AWS Certified Machine Learning Engineer - Associate (MLA-C01) 考试的准备情况。本考试旨在检验考生使用 AWS 云构建、运行和维护机器学习 (ML) 解决方案及管道的能力。
了解该考试的主题领域，以及它们与在 AWS 上进行开发的知识和具体学习领域的对应关系，从而进行备考。判断您对按领域分组的每个任务陈述中涉及的主题和概念的理解程度。通过解读考试题型来巩固您所学的知识并找出学习差距。跟随讲师复习考试题型。学习考试策略以识别错误的答案。
标准版备考课程是 4 步计划中的一个步骤，借此您可以树立信心，备战考试。要访问整个 4 步计划的资源，请报名参加加强版备考计划：AWS Certified Machine Learning Engineer - Associate (MLA-C01)，其中包括基于角色的培训、动手实验、体验式学习、其他考试题型、预备考试和抽认卡。 如果您已经登录 AWS Skill Builder，请使用此链接版本访问本计划。
标准版备考计划：AWS Certified Machine Learning Engineer - Associate (MLA-C01) 包括 4 步计划中第 1-3 步对应的免费资源。 如果您已经登录 AWS Skill Builder，请使用此链接版本访问本计划。
作为持续开发的一部分，AWS 会不断更新并偶尔停用服务和功能。虽然备考内容会定期更新，但可能在某短暂时间段内，我们的课程可能无法反映 AWS 服务的当前状态。我们建议您查看最新的 AWS 文档和公告，了解有关服务和功能的当前可用性的最准确且最新的信息。
2024 年底，AWS 宣布了我们将取消新客户对一些服务或功能的访问权限，包括本课程中包含的几项服务或功能。其中包括：AWS CodeCommit、AWS DataPipeline、Amazon S3 Select、Amazon Glacier Select 和 Amazon Forecast。我们将在下次课程更新中删除此类参考资料。
课程级别：基础级
时长：5.5 小时
课程内容
本课程包含以下内容：
• 专家级讲师讲解和点评考试题型的视频。
• 与 AWS 认证考试题型一样的官方练习题。所有题目均包含详细反馈和推荐的资源，以帮助您做好考试准备。
课程目标
在本课程中，您将：
1. 了解 AWS Certified Machine Learning Engineer - Associate (MLA-C01) 考试考察的知识。
2. 评估您在考试主题知识方面的差距。
培训对象
本课程适合满足以下要求的个人：
1. 拥有至少 1 年使用 Amazon SageMaker 和其他 AWS 服务进行 ML 工程工作的经验。
2. 至少从事 1 年相关角色的工作，例如后端软件开发人员、DevOps 开发人员、数据工程师或数据科学家。
3. 正在准备 AWS Certified Machine Learning Engineer - Associate (MLA-C01) 考试。
前提条件
这些是参加 AWS Certified Machine Learning Engineer - Associate (MLA-C01) 考试的前提条件。
常规 IT 知识
学员应具备以下条件：
• 对常见 ML 算法及其使用案例有基本的了解
• 掌握数据工程基础知识，包括常用数据格式、摄取和转换相关知识以使用 ML 数据管道
• 了解查询和转换数据的知识
• 了解模块化、可重用代码开发、部署和调试的软件工程最佳实践
• 熟悉预置和监控云以及本地 ML 资源
• 具有持续集成和持续交付 (CI/CD) 管道以及基础设施即代码 (IaC) 方面的经验
• 具有使用代码存储库进行版本控制和使用 CI/CD 管道的经验
建议掌握的 AWS 知识
学员应该掌握以下知识：
• 了解 SageMaker 的功能以及模型构建和部署算法
• 了解 AWS 数据存储和处理服务，以便为建模准备数据
• 熟悉如何在 AWS 上部署应用程序和基础设施
• 了解用于日志记录和 ML 系统故障排除的监控工具
• 了解用于 CI/CD 管道自动化和编排的 AWS 服务
• 了解用于身份和访问管理、加密和数据保护的 AWS 安全最佳实践
建议课程
我们不要求您在考试之前参加任何特定的培训，但确实建议您参加前面两个部分列出的基础培训并掌握相关知识。如果您需要更新知识，请报名参加加强版备考计划：AWS Certified Machine Learning Engineer - Associate (MLA-C01)。学习路径包括以下所有推荐课程。 如果您已经登录 AWS Skill Builder，请使用此链接版本访问本计划。
数字化课程
• AWS ML Engineer Associate Curriculum Overview（45 分钟）
• Collect, Ingest, and Store Data（1 小时）
• Transform Data（1 小时）
• Validate Data and Prepare for Modeling（45 分钟）
• Choose a Modeling Approach（1 小时 30 分钟）
• Train Models（1 小时 30 分钟）
• Refine Models（2 小时）
• Analyze Model Performance（45 分钟）
• Select a Deployment Infrastructure（1 小时）
• Create and Script Infrastructure（1 小时 30 分钟）
• Automate Deployment（1 小时 15 分钟）
• Monitor Model Performance and Data Quality（2 小时 30 分钟）
• Monitor and Optimize Infrastructure and Costs（2 小时 30 分钟）
• Secure AWS ML Resources（2 小时 15 分钟）
• AWS ML Engineer Associate Curriculum Conclusion（10 分钟）
• Planning a Machine Learning Project（30 分钟）
• Amazon Bedrock Getting Started（1 小时）
体验式和基于游戏的学习
• Train a Model with Amazon SageMaker（50 分钟）
• Orchestrate a Machine Learning Workflow using Amazon SageMaker Pipelines and SageMaker Model Registry（1 小时）
• Monitor a Model for Data Drift（1 小时）
• Machine Learning: Model Deployment Using Blue/Green Method（2 小时）
• Analyze and Prepare Data with Amazon SageMaker Data Wrangler and Amazon EMR（1 小时）
• AWS Cloud Quest: Machine Learning（时间各不相同）
其中一些内容可能需要订阅 AWS Skill Builder。
课程大纲
模块 1：通过考试题型了解考试
• AWS Certified Machine Learning Engineer - Associate (MLA-C01) 简介
• 考试指南：AWS Certified Machine Learning Engineer - Associate (MLA-C01)
• 考试题型简介
• 概览和说明：官方练习题集
• 官方练习题集：AWS Certified Machine Learning Engineer - Associate (MLA-C01)
模块 2：更新您的 AWS 知识和技能
• AWS 培训建议
• 白皮书和常见问题
模块 3：复习和练习
机器学习简介
• 机器学习概览
• 机器学习生命周期
领域 1：机器学习 (ML) 的数据准备
• 简介
• 1.1 摄取和存储数据。
• 1.2 转换数据并执行特征工程。
• 1.3 确保数据完整性并为建模准备数据。
• 演练问题
• 其他资源
领域 2：ML 模型开发
• 简介
• 2.1 选择建模方法。
• 2.2 训练和优化模型。
• 2.3 分析模型性能。
• 演练问题
• 其他资源
领域 3：ML 工作流的部署和编排
• 简介
• 3.1 根据现有架构和要求选择部署基础设施。
• 3.2 根据现有架构和要求创建基础设施并编写脚本。
• 3.3 使用自动化编排工具设置持续集成和持续交付 (CI/CD) 管道。
• 演练问题
• 其他资源
领域 4：ML 解决方案监控、维护和安全
• 简介
• 4.1 监控模型推理。
• 4.2 监控和优化基础设施成本。
• 4.3 确保 AWS 资源安全。
• 演练问题
• 其他资源
