Examen AWS Certified Machine Learning Engineer - Associate
Examen escrito de 65 preguntas con tipos de pregunta de opción múltiple, respuesta múltiple, ordenación y emparejamiento.
- Tipo
- Escrito
- Modalidad
- Ambos
- Duración
- 130 min
- Preguntas
- 65
Puntuación mínima: 720 Puntuación escalada en una escala de 100 a 1000
Secciones del examen
Dominio 1: Preparación de datos para el aprendizaje automático (ML)
Se centra en la ingestión, el almacenamiento y la transformación de datos para el aprendizaje automático. Las tareas clave incluyen la fusión de datos de múltiples fuentes utilizando AWS Glue, la realización de ingeniería de características como el escalado y la codificación, y la garantía de la integridad de los datos mediante la mitigación del sesgo y la validación de la calidad con SageMaker Clarify y DataBrew.
Notas sobre preguntas
Incluye preguntas de opción múltiple, respuesta múltiple, orden y coincidencia.
Consejos de preparación
Concéntrese en los servicios de ingestión de datos de AWS (Kinesis, Glue) y en herramientas de ingeniería como SageMaker Data Wrangler y Feature Store.
Dominio 2: Desarrollo de modelos ML
Cubre la elección de enfoques de modelado, formación y refinamiento de modelos. Incluye el uso de algoritmos integrados de SageMaker AI, el ajuste fino de los modelos de base en Bedrock y el análisis del rendimiento con métricas como la puntuación F1 y RMSE. Las habilidades clave implican evitar el sobreajuste y administrar versiones de modelos en el Registro de Modelos de SageMaker.
Notas sobre preguntas
Incluye preguntas de opción múltiple, respuesta múltiple, orden y coincidencia.
Consejos de preparación
Master SageMaker algoritmos incorporados, ajuste de hiperparámetros (AMT) y métricas de evaluación de modelos tanto para la regresión como para la clasificación.
Dominio 3: Implementación y orquestación de flujos de trabajo de ML
Implica seleccionar la infraestructura de implementación y orquestar los flujos de trabajo de ML. Se centra en servir modelos en tiempo real o lotes utilizando los puntos finales de SageMaker, implementar canalizaciones de CI/CD con AWS CodePipeline y automatizar el aprovisionamiento de recursos utilizando herramientas de Infraestructura como Código como AWS CDK y CloudFormation.
Notas sobre preguntas
Incluye preguntas de opción múltiple, respuesta múltiple, orden y coincidencia.
Consejos de preparación
Comprenda los diferentes tipos de puntos finales de SageMaker (sin servidor, asíncrono, en tiempo real) y herramientas de CI/CD como CodeBuild y SageMaker Pipelines.
Dominio 4: Monitorización, mantenimiento y seguridad de la solución ML
Se centra en la supervisión de la inferencia del modelo, la infraestructura y la seguridad. Las tareas incluyen detectar la deriva de datos con SageMaker Model Monitor, optimizar los costos utilizando AWS Compute Optimizer y Savings Plans, y asegurar los recursos a través de políticas de IAM, configuraciones de VPC y cifrado para garantizar el cumplimiento y el acceso con menos privilegios.
Notas sobre preguntas
Incluye preguntas de opción múltiple, respuesta múltiple, orden y coincidencia.
Consejos de preparación
Estudie SageMaker Model Monitor para la detección de derivas, AWS Cost Explorer para la gestión de costos y las mejores prácticas de seguridad IAM/VPC para ML.