۱۵۰۰ سوال آزمون AWS Certified ML Engineer-Associate C01 - آخرین آپدیت

به‌روزرسانی جولای ۲۰۲۶ مطابق با راهنمای فعلی آزمون AWS Certified Machine Learning Engineer – Associate MLA-C01.

برای دریافت گواهینامه AWS Certified Machine Learning Engineer – Associate MLA-C01 با مجموعه‌ای جامع از سوالات تمرینی در زمینه‌های آماده‌سازی داده‌ها، توسعه مدل یادگیری ماشین، استقرار، MLOps، مانیتورینگ، بهینه‌سازی هزینه و امنیت در AWS آماده شوید.

این دوره آزمون‌های تمرینی شامل شش آزمون متمرکز بر موضوع و ۱۵۰۰ سوال است که در هر آزمون دقیقاً ۲۵۰ سوال وجود دارد. هر آزمون شامل سوالات سطح مبتدی، متوسط و پیشرفته است تا بتوانید پیش از ورود به سناریوهای معماری تولیدی، عیب‌یابی، عملکرد و امنیت، دانش بنیادی خود را تقویت کنید.

هر سوال شامل چهار گزینه پاسخ، دقیقاً یک پاسخ صحیح، توضیحی برای هر یک از گزینه‌ها و یک تحلیل کلی مفصل است. هدف این نیست که صرفاً گزینه درست را بدانید؛ توضیحات به شما کمک می‌کند درک کنید چرا راهکار صحیح نیاز را برآورده می‌کند و چرا گزینه‌های دیگر ناقص، نامناسب، بیش از حد گران یا از نظر فنی نادرست هستند.

تقویت دانش MLA-C01 از طریق سناریوهای عملی

از طریق این آزمون‌های تمرینی، شما خواهید توانست:

• تمامی چهار دامنه رسمی آزمون MLA-C01 را مرور کنید.

• سرویس‌های مناسب AWS را برای جذب داده، تبدیل، ذخیره‌سازی، آموزش، استقرار و مانیتورینگ ML انتخاب کنید.

• قابلیت‌های آموزش، استنتاج، مدیریت ویژگی، ثبت مدل، خط لوله (Pipeline) و مشاهده‌پذیری Amazon SageMaker AI را مقایسه کنید.

• معیارهای رایج طبقه‌بندی (Classification) و رگرسیون (Regression) را تفسیر کنید.

• بیش‌برازش، کم‌برازش، تورش، رانش (Drift)، نشت داده‌ها و مشکلات آموزشی را شناسایی کنید.

• بین استنتاج آنی، بدون سرور، ناهمگام و دسته‌ای انتخاب کنید.

• مفاهیم MLOps شامل زیرساخت به عنوان کد، CI/CD، نسخه‌بندی مدل، تست، ارکستراسیون، مانیتورینگ و بازآموزی را پیاده‌سازی کنید.

• الزامات هزینه، عملکرد، مقیاس‌پذیری، در دسترس بودن، شبکه، رمزنگاری و کنترل دسترسی را ارزیابی کنید.

پوشش کامل دامنه‌های MLA-C01

دامنه ۱: آماده‌سازی داده‌ها برای یادگیری ماشین

مرور فرمت‌های داده، Amazon S3، سیستم‌های فایل، منابع رابطه‌ای و NoSQL، جذب دسته‌ای، خط لوله‌های استریمینگ، AWS Glue، SageMaker Data Wrangler، SageMaker Feature Store، پاک‌سازی داده‌ها، مقیاس‌بندی، کدگذاری، مهندسی ویژگی، برچسب‌گذاری، کیفیت داده، تورش، حریم خصوصی و آماده‌سازی مجموعه داده‌ها.

دامنه ۲: توسعه مدل ML

تمرین انتخاب الگوریتم، امکان‌سنجی مدل، الگوریتم‌های داخلی SageMaker، آموزش فریم‌ورک، حالت اسکریپت (Script Mode)، Epochs، اندازه دسته‌ها (Batch Sizes)، منظم‌سازی (Regularization)، آموزش توزیع شده، تنظیم هایپرپارامترها، روش‌های Ensemble، تطبیق مدل‌های پیش‌آموزش‌دیده، فشرده‌سازی مدل، معیارهای ارزیابی، تحلیل تورش، عیب‌یابی و مدیریت نسخه مدل.

دامنه ۳: استقرار و ارکستراسیون جریان‌های کاری ML

مطالعه استنتاج آنی، بدون سرور، ناهمگام و دسته‌ای؛ انتخاب compute؛ کانتینرهای مدیریت شده و سفارشی؛ نقاط انتهایی (Endpoints) SageMaker؛ استقرار با Lambda، ECS و EKS؛ مقیاس‌بندی خودکار؛ زیرساخت به عنوان کد؛ CI/CD؛ تست خودکار؛ SageMaker Pipelines؛ EventBridge؛ Step Functions و استراتژی‌های انتشار کنترل شده.

دامنه ۴: مانیتورینگ، نگهداری و امنیت راهکارهای ML

مرور رانش داده‌ها و مدل (Drift)، مانیتورینگ زیرساخت، CloudWatch، CloudTrail، EventBridge، تحلیل تأخیر، بهینه‌سازی اندازه (Rightsizing)، Inference Recommender، سهمیه‌های سرویس، تخصیص هزینه، AWS Budgets، IAM، اصل حداقل دسترسی، ایزولاسیون VPC، AWS KMS، Secrets Manager، رمزنگاری، قابلیت حسابرسی و امنیت CI/CD.

چه چیزی این دوره آزمون تمرینی را متمایز می‌کند؟

شش آزمون تمرینی به جای تقسیم‌بندی صرف بر اساس دشواری، بر اساس موضوعات سرفصل‌ها تقسیم شده‌اند.

هر آزمون شامل موارد زیر است:

• سوالات مبتدی شامل اصطلاحات و مفاهیم ضروری.

• سوالات متوسط نیازمند انتخاب سرویس، پیکربندی، تفسیر و استدلال کاربردی.

• سوالات پیشرفته شامل عیب‌یابی، تصمیمات معماری، امنیت، قابلیت اطمینان، مقیاس‌پذیری، عملکرد و تحلیل هزینه‌ها.

• سوالات مفهومی.

• سناریوهای واقعی مهندسی ML.

• سوالات انتخاب سرویس AWS.

• سوالات پیکربندی و جریان کاری.

• سوالات عیب‌یابی و انتخاب بهترین پاسخ.

• توضیحات برای هر چهار گزینه پاسخ.

• یک تحلیل کلی مفصل برای هر سوال.

نمونه سوال

یک شرکت خرده‌فروشی یک مدل توصیه محصول را مستقر کرده است. درخواست‌ها در طول روز به صورت غیرقابل پیش‌بینی می‌رسند و نقطه انتهایی (Endpoint) ممکن است برای چندین ساعت بدون فعالیت (Idle) بماند. هر درخواست کوچک‌تر از ۴ مگابایت است و معمولاً در کمتر از ۶۰ ثانیه به پایان می‌رسد.

شرکت می‌خواهد از پرداخت هزینه برای نمونه‌های بدون فعالیت اجتناب کند. این شرکت می‌تواند تأخیرهای گاه‌به‌گاه هنگام مقداردهی اولیه ظرفیت سرویس پس از یک دوره بیکاری را تحمل کند.

کدام گزینه استقرار به بهترین وجه این الزامات را برآورده می‌کند؟

A. یک نقطه انتهایی آنی Provisioned SageMaker با حداقل تعداد نمونه یک

B. SageMaker Batch Transform که برای اجرا پس از هر درخواست انفرادی برنامه‌ریزی شده است

C. Amazon SageMaker Serverless Inference بدون Provisioned Concurrency

D. Amazon SageMaker Asynchronous Inference با نمونه‌های Provisioned دائمی

پاسخ صحیح: C

چرا گزینه C درست است

Amazon SageMaker Serverless Inference برای ترافیک متناوب یا غیرقابل پیش‌بینی طراحی شده است. این سرویس زیرساخت پایه را به طور خودکار مدیریت می‌کند و می‌تواند ظرفیت را در زمان نبود درخواست به صفر کاهش دهد. شرکت به جای نگهداری دائمی یک نمونه، فقط برای پردازش درخواست‌ها هزینه پرداخت می‌کند. حجم داده و زمان پردازش ذکر شده در سناریو نیز برای استنتاج بدون سرور مناسب است.

چرا گزینه A نادرست است

یک نقطه انتهایی آنی Provisioned با حداقل یک نمونه، حتی زمانی که سرویس بیکار است، ظرفیت پردازشی را فعال نگه می‌دارد. این گزینه برای ترافیک مداوم یا برنامه‌هایی که نیاز به تأخیر بسیار کم و ثابت دارند مناسب است.

چرا گزینه B نادرست است

Batch Transform برای استنتاج آفلاین روی مجموعه‌داده‌ها طراحی شده است، نه برای پردازش تک‌تک درخواست‌های تعاملی. شروع یک عملیات دسته‌ای برای هر درخواست کاربر، تأخیر و پیچیدگی عملیاتی غیرضروری ایجاد می‌کند.

چرا گزینه D نادرست است

Asynchronous Inference برای درخواست‌های صف‌بندی شده با حجم داده زیاد یا زمان پردازش طولانی مفید است. این سناریو به چنین قابلیت‌هایی نیاز ندارد. همچنین نگهداری نمونه‌های Provisioned دائمی با هدف کاهش هزینه در زمان بیکاری در تضاد است.

نکته کاربردی

گزینه استنتاج را بر اساس فرکانس درخواست، حجم داده، مدت زمان پردازش، نیازهای تأخیر و هزینه ظرفیت بیکار انتخاب کنید. Serverless Inference برای بارهای کاری متناوب یا غیرقابل پیش‌بینی مناسب است، در حالی که نقاط انتهایی Real-time برای ترافیک مداوم با نیاز به تأخیر پایین ترجیح داده می‌شوند.

چه کسانی باید در این دوره ثبت‌نام کنند؟

این دوره برای افراد زیر مناسب است:

• داوطلبانی که برای آزمون AWS Certified Machine Learning Engineer – Associate MLA-C01 آماده می‌شوند.

• مهندسان یادگیری ماشین و مهندسان MLOps که با AWS کار می‌کنند.

• مهندسان داده و دانشمندان داده که به سمت مسئولیت‌های ML در محیط تولید حرکت می‌کنند.

• توسعه‌دهندگان Backend، مهندسان DevOps و مهندسان ابری که از بارهای کاری ML پشتیبانی می‌کنند.

• کارآموزانی که آموزش MLA-C01 را گذرانده‌اند و نیاز به بازبینی گسترده مبتنی بر سوال دارند.

• متخصصانی که با SageMaker AI، سرویس‌های داده AWS، خط لوله‌های استقرار، مانیتورینگ یا امنیت ML کار می‌کنند.

• کارآموزانی که به دنبال توضیحات مفصل هستند و نه صرفاً آزمون‌های شبیه‌سازی شده با پاسخ‌های کوتاه.

دانش پیش‌نیاز

آشنایی پایه با موارد زیر توصیه می‌شود:

• مفاهیم ابری AWS

• Amazon S3 و IAM

• الگوریتم‌های رایج یادگیری ماشین

• معیارهای طبقه‌بندی و رگرسیون

• جذب و تبدیل داده‌ها

• مفاهیم Python یا SQL

• Amazon SageMaker AI

• مبانی Git، کانتینرها، زیرساخت به عنوان کد و CI/CD

به دلیل اینکه این یک دوره آزمون تمرینی مبتنی بر سوال است، به حساب فعال AWS نیازی نیست.