結論
AWS Certified Machine Learning Engineer - Associate(MLA)は、AWS で機械学習のモデルを作り、本番に載せて運用し続ける力を問う「Associate」区分の AWS 認定です。日本語で受けられる版は MLA-C01 で、130分・65問(採点されるのは50問)、合格は換算スコア720、受験料は20,000円(150 USD)です。英語では2026年9月29日から更新版 MLA-C02 のベータ(170分・85問・75 USD)が始まっています。
この記事でわかること
- MLA-C01 の試験概要と、4分野の配点(28・26・22・24%)
- 配点から計算した分野別の問題数の目安と、試験ガイド133項目の分布
- MLA-C02 で配点と範囲がどう変わるか(追加45項目・削除7項目)と学ぶ順番
MLA は「機械学習の理論を深く問う試験」ではなく、データの準備からモデルの学習、デプロイ、監視、コストとセキュリティまで、機械学習の仕組みを AWS で回し続けるための試験です。4分野の配点は近く、どれか1つに絞って学ぶより、流れの順に一周するほうが試験ガイドの構成に合います。
flowchart TD
S{言語は?} -->|日本語| C1[MLA-C01<br>130分 65問 720点]
S -->|英語| C2[MLA-C02 ベータ<br>170分 85問]
C1 --> D1[分野1 データ準備 28%]
C2 --> D1
D1 --> D2[分野2 モデル開発]
D2 --> D3[分野3 デプロイと自動化]
D3 --> D4[分野4 監視・保守・セキュリティ]
D4 --> P[公式の練習試験で確かめる]
よく調べられることの答えを先にまとめます。
| 知りたいこと | 答え | 詳しい節 |
|---|---|---|
| AWS MLA とは | AWS で ML の仕組みを構築・運用・デプロイ・保守する力を問う Associate の認定 | MLAとは |
| 試験時間・問題数 | MLA-C01 は130分・65問(採点される50問+採点されない15問) | 試験の概要 |
| 合格点 | 換算スコア100〜1,000のうち720。正答率72%という意味ではない | 試験の概要 |
| 受験料 | 20,000円(150 USD)。C02 のベータは75 USD | 試験の概要 |
| 出題範囲・配点 | 4分野。データ準備28%・モデル開発26%・デプロイ22%・監視など24% | 出題分野と配点 |
| 分野別の問題数 | 採点される50問なら14・13・11・12問が目安(計算) | 問題数の目安 |
| MLA-C02 との違い | 分野は同じ4つで、生成 AI・RAG・エージェントの項目が45個増える | MLA-C02とは |
| 難易度・勉強時間 | 公式の数字はない。想定は SageMaker などで ML エンジニアリングを1年以上 | 対象となる人 |
| AI Practitioner との違い | AIF は使う側の基礎(Foundational)、MLA は作って運用する側(Associate) | AIFとの違い |
確認環境:AWS 公式の認定ページ(日本語・英語)、試験ガイド MLA-C01 の日本語版(はじめに・コンテンツ分野1〜4・対象の AWS サービス)、試験ガイド MLA-C02 の英語版(はじめに・MLA-C01 と MLA-C02 の比較のページ)、AWS の日本語ブログの MLA-C02 の告知、受験前と受験後のポリシーのページ、AWS Certified AI Practitioner の試験ガイドを読みました。分野ごとの問題数の目安、1問あたりの時間、試験ガイドの項目数、C02 で追加・削除された項目の数、対象サービスの数は、試験ガイドから写した数を Python 3.13.18 で計算しています。試験は受けておらず、AWS 認定アカウント・AWS Skill Builder・AWS のコンソールにはサインインしていません(申し込み画面・学習画面は公式の説明の範囲で書いています)。図は mermaid で描画を確かめました(確認日 2026年11月13日)。
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「AWS MLAとは|MLA-C01の範囲・配点とC02の変更点・学ぶ順番」
AWS Machine Learning Engineer - Associate(MLA)とは
この節では、MLA がどんな認定で、試験ガイドが何を確かめるとしているのかが分かります。
AWS Certified Machine Learning Engineer - Associate は、AWS クラウドを使った機械学習(ML)のソリューションとパイプラインを構築し、運用に乗せ、デプロイし、保守する力を確かめる Associate 区分の試験です。略して「MLA」と呼ばれ、日本語で受けられる版の試験コードは MLA-C01 です。英語の認定ページは、本番環境で ML のワークロードを実装して運用に乗せる技術的な力を確かめる認定と説明し、ML エンジニアと MLOps エンジニアに向けた役割別の認定と位置づけています。
試験ガイド MLA-C01 の「はじめに」が挙げる、受験者の能力として確かめる作業は次の6つです。
1データを準備する
ML モデリングのためのデータの取り込み、変換、検証、準備。
2モデルを作る
モデリングの手法の選択、学習、ハイパーパラメータのチューニング、性能の分析、モデルのバージョン管理。
3載せる場所を決める
デプロイのインフラとエンドポイントの選択、計算資源の用意、要件に合わせた自動スケーリングの設定。
4流れを自動にする
CI/CD パイプラインを設定して、ML のワークフローのオーケストレーションを自動化する。
5見張る
モデル・データ・インフラをモニタリングして問題を見つける。
6守る
アクセス制御、コンプライアンスの機能、ベストプラクティスで ML のシステムとリソースを守る。
6つを並べると、ML のモデルを「作って終わり」ではなく、作ったあとに載せる・回す・見張る・守るまでが範囲だと分かります。後で見る配点でも、デプロイと監視の2分野を合わせて46%を占めます。
名前の読み方と略し方
- 正式名:AWS Certified Machine Learning Engineer - Associate(マシンラーニング エンジニア アソシエイト)
- 試験コード:MLA-C01(日本語・韓国語・簡体字中国語で受けられる版)、MLA-C02(更新版。2026年11月13日時点は英語のベータ)
- 日本語の呼び方:「MLA」「ML エンジニア アソシエイト」「機械学習エンジニア アソシエイト」がよく使われます
試験の概要(試験時間・問題数・合格点・受験料・言語)
この節では、MLA-C01 と MLA-C02 ベータの試験時間・問題数・合格点・受験料などの基本の数字が分かります。
2026年11月13日時点の公式ページでは、MLA-C01 は130分・65問・合格は換算スコア720・受験料150 USD(20,000円)です。料金や言語は変わることがあるため、申し込む前に公式ページで確かめるのが確実です。
| 項目 | MLA-C01 | MLA-C02(ベータ) | 出典 |
|---|---|---|---|
| 区分 | Associate | Associate | 認定ページ |
| 試験時間 | 130分 | 170分 | 認定ページ |
| 問題数 | 65問(スコアに影響する50問+影響しない15問) | 85問。ベータには採点に影響しない追加の設問が入る | 認定ページ・試験ガイド |
| 出題形式 | 択一選択・複数選択・並べ替え・内容一致 | 択一選択・複数選択 | 各版の試験ガイド |
| 合否 | 換算スコア100〜1,000で、合格スコアは720 | 試験ガイドの合格スコアは720 | 試験ガイド |
| 受験料 | 150 USD/20,000円 | 75 USD(ベータ価格) | 認定ページ・受験前のポリシー |
| 言語 | 日本語・韓国語・簡体字中国語(英語は2026年9月28日まで) | ベータは英語のみ。一般提供で日本語・韓国語・簡体字中国語 | 認定ページ |
| 受け方 | Pearson VUE のテストセンター、またはオンライン監督付き試験 | 同じ | 認定ページ |
| 有効期間 | 3年間 | 3年間 | 認定ページ |
受験料の日本円は、受験前のポリシーのページにある区分ごとの料金表(Associate は20,000円)によります。同じページには「税が適用される場合があります」とあります。
MLA-C01 の4つの出題形式
択一選択
正しい選択肢が1つ、誤った選択肢が3つ。
もっとも基本の形
複数選択
5つ以上の選択肢のうち正解が2つ以上。全部選んで初めて得点になる。
部分点はない
並べ替え
3〜5つの答えから正しいものを選び、正しい順序に並べる。
パイプラインの順番など
内容一致
3〜7つのプロンプトと答えを、すべて正しく組み合わせる。
サービスと用途の対応
試験ガイド MLA-C01 は「試験で未解答の設問は不正解とみなされます。推測による解答にペナルティはありません」と書いています。MLA-C02 の英語版の試験ガイドが挙げる形式は択一選択と複数選択の2つで、並べ替えと内容一致は載っていませんでした(2026年11月13日時点)。
MLA-C02(更新版)とは|C01との違いと増える範囲
この節では、MLA-C02 がいつから始まり、MLA-C01 と比べて配点と範囲がどう変わるのかが分かります。
MLA-C02 は、分野の構成(4分野)を変えずに、生成 AI・基盤モデル(FM)・RAG・エージェント・Amazon Bedrock の項目を加えた更新版です。認定ページと AWS の日本語ブログの告知では、日程は次のとおりです。
| 日付 | できごと(公式の記載) |
|---|---|
| 2026年9月1日 | MLA-C02 のベータの登録受付が開始(英語のみ)。試験ガイドを公開 |
| 2026年9月28日 | MLA-C01 を英語で受けられる最終日 |
| 2026年9月29日 | MLA-C02 のベータの配信が開始 |
| 一般提供 | 認定ページでは登録・配信とも「未定」。日本語ブログは「全言語対応の標準版 MLA-C02 は 2027 年初頭に提供予定」と書いている |
日本語ブログは、MLA-C01 は「ベータ期間中も日本語、韓国語、簡体字中国語で引き続き受験可能」と書いています。日本語で受ける場合、2026年11月13日時点で受けるのは MLA-C01 です。認定ページの表には試験コードとして「ME1-C02」という表記もありましたが、試験ガイドと比較のページは「MLA-C02」と書いているため、この記事では MLA-C02 と書きます。
配点の変化(比較のページの表)
| 分野 | MLA-C01 | MLA-C02(英語版の名前を訳したもの) | 配点 |
|---|---|---|---|
| 1 | 機械学習(ML)のためのデータ準備 | ML と AI のためのデータ準備 | 28%→28% |
| 2 | ML モデルの開発 | ML モデルと基盤モデル(FM)の開発 | 26%→24% |
| 3 | ML ワークフローのデプロイとオーケストレーション | ML と AI のワークフローのデプロイとオーケストレーション | 22%→24% |
| 4 | ML ソリューションのモニタリング、保守、セキュリティ | ML と AI のソリューションの運用、モニタリング、セキュリティ | 24%→24% |
MLA-C02 の試験ガイドも、スコアに影響する設問を50問、影響しない設問を15問、合格スコアを720と書いています。50問に当てはめると、分野2が13問から12問に1問減り、分野3が11問から12問に1問増える計算です(次の節の計算の出力を参照)。
追加された項目・削除された項目の数
比較のページは、12個のタスクステートメントそれぞれについて、追加された項目と削除された項目を列挙しています。数えると追加が45項目、削除が7項目でした。分野別では、追加は分野1が10、分野2が11、分野3が15、分野4が9で、デプロイとオーケストレーションの分野3がいちばん多く増えています。
MLA-C02 で加わった主な項目
ベクトルデータベース(OpenSearch Service・RDS の pgvector・S3)と埋め込みモデル
RAG 向けの文書の準備(チャンク分割・メタデータ)と、Bedrock のナレッジベース
Bedrock から基盤モデルを選ぶ、ファインチューニング・蒸留のデータの準備
エージェントのデプロイ・状態の管理・監視、Bedrock Prompt Management
BLEU・ROUGE・BERTScore・LLM-as-a-judge、トークンの使用量のコスト、Bedrock Guardrails
MLA-C02 で削除された項目
モデルの学習用の資源(EFS・FSx)へのデータの読み込みの設定
カスタムデータセットでの事前学習済みモデルのファインチューニング(2.2 から)
モデルのサイズを小さくする(データ型の変更・プルーニングなど)
エッジ端末向けの最適化(SageMaker Neo)、SageMaker での独自コンテナ(BYOC)
EventBridge でのインフラの監視、容量の問題の切り分け(4.2 から)
ファインチューニングは 2.2 から削除された一方で、2.1 に「事前学習済みの FM のファインチューニングの方針を見極める」、2.2 に「タスク向けのプロンプトエンジニアリングやファインチューニングなどのカスタマイズの手法を当てはめる」が加わっています。手順そのものより、生成 AI のカスタマイズの方法の中から選ぶ判断へ重心が移った、と読めます。
出題分野と配点(MLA-C01 の4分野)
この節では、MLA-C01 の出題範囲の4分野と、それぞれの配点が分かります。
配点は、分野1「機械学習(ML)のためのデータ準備」28%、分野2「ML モデルの開発」26%、分野3「ML ワークフローのデプロイとオーケストレーション」22%、分野4「ML ソリューションのモニタリング、保守、セキュリティ」24%です。配点は「採点対象コンテンツ」に対する割合です。
| 分野 | 名前(試験ガイドの表記) | 配点 | 中心になる内容 |
|---|---|---|---|
| 1 | 機械学習(ML)のためのデータ準備 | 28% | データ形式と取り込み、変換と特徴量エンジニアリング、データ品質とバイアス、個人情報の扱い |
| 2 | ML モデルの開発 | 26% | 手法とアルゴリズムの選び方、学習とチューニング、過学習の防止、性能の指標 |
| 3 | ML ワークフローのデプロイとオーケストレーション | 22% | エンドポイントの種類、自動スケーリング、IaC とコンテナ、CI/CD パイプライン |
| 4 | ML ソリューションのモニタリング、保守、セキュリティ | 24% | ドリフトの検出、インフラとコストの監視と最適化、IAM と VPC での保護 |
4分野の配点の差は最大でも6ポイントです。AI Practitioner のように1分野が突出する配分ではないため、どの分野も捨てずに一周することが配点から見た基本の方針になります。試験ガイドは補整スコアリングモデルを使うと書いており、分野ごとの合否ラインはありません。
分野ごとの問題数の目安と1問あたりの時間(計算)
この節では、配点から計算した分野ごとの問題数の目安と、試験ガイドの項目数、本番で1問にかけられる時間が分かります。
採点される50問を配点で割ると、分野1から順に14問・13問・11問・12問になります。採点されない15問の分野の内訳は公開されていないため、計算には入れていません。試験ガイドも「各セクションに割り当てられる設問数が異なる場合があります」と書いており、実際の出題数はこの目安から前後します。
「知識」「スキル」は、試験ガイド MLA-C01 の日本語版で、各タスクステートメントの下に並ぶ「対象知識」「対象スキル」の箇条書きの数です。分野1〜4のページから1項目ずつ数えました。C02 の追加・削除の数は、英語版の比較のページから数えています。計算に使ったコードです。
c01 = {1: 28, 2: 26, 3: 22, 4: 24}
c02 = {1: 28, 2: 24, 3: 24, 4: 24}
names = {1: "データ準備", 2: "モデル開発", 3: "デプロイと自動化", 4: "監視・保守・セキュリティ"}
# 試験ガイド MLA-C01(日本語版)の 対象知識 / 対象スキル の数
ks = {"1.1": (4, 6), "1.2": (6, 3), "1.3": (5, 4),
"2.1": (4, 5), "2.2": (8, 9), "2.3": (5, 6),
"3.1": (7, 6), "3.2": (5, 6), "3.3": (6, 6),
"4.1": (3, 4), "4.2": (6, 10), "4.3": (4, 5)}
# MLA-C02 の比較ページ:追加された項目 / 削除された項目
add = {"1.1": 2, "1.2": 5, "1.3": 3, "2.1": 5, "2.2": 2, "2.3": 4,
"3.1": 5, "3.2": 5, "3.3": 5, "4.1": 2, "4.2": 4, "4.3": 3}
dele = {"1.3": 1, "2.2": 2, "3.1": 1, "3.2": 1, "4.2": 2}
SCORED, TOTAL, MIN = 50, 65, 130
print("== C01 分野別")
items = {d: sum(sum(v) for k, v in ks.items() if k[0] == str(d)) for d in c01}
alli = sum(items.values())
for d, w in c01.items():
q = SCORED * w / 100
k = sum(v[0] for kk, v in ks.items() if kk[0] == str(d))
s = sum(v[1] for kk, v in ks.items() if kk[0] == str(d))
share = (w / 100 + items[d] / alli) / 2 * 100
print(f"分野{d} {names[d]:<12} {w}% 採点{q:4.1f}問 知識{k:2} スキル{s:2} 計{items[d]:2} 1項目あたり{q/items[d]:.2f}問 配分{share:4.1f}%")
print(f"項目の合計 {alli}(知識{sum(v[0] for v in ks.values())}・スキル{sum(v[1] for v in ks.values())})")
print(f"1問あたり {MIN*60/TOTAL:.1f}秒 / 見直し15分を残すと {(MIN-15)*60/TOTAL:.1f}秒 / ESL+30 {(MIN+30)*60/TOTAL:.1f}秒")
print(f"換算スコア720の位置 {(720-100)/(1000-100)*100:.1f}%(正答率ではない)")
print("== C01→C02 配点の差(採点50問のとき)")
for d in c01:
print(f"分野{d} {c01[d]}%→{c02[d]}% {SCORED*c01[d]/100:.1f}問→{SCORED*c02[d]/100:.1f}問 差{SCORED*(c02[d]-c01[d])/100:+.1f}問 追加{sum(v for k,v in add.items() if k[0]==str(d))} 削除{sum(v for k,v in dele.items() if k[0]==str(d))}")
print(f"追加 {sum(add.values())} / 削除 {sum(dele.values())}")
print("== ベータ")
print(f"C02ベータ 170分85問 1問あたり {170*60/85:.1f}秒 / C01 {130*60/65:.1f}秒")
print("== 対象の AWS サービス(MLA-C01 試験ガイド)")
svc = {"分析": 12, "アプリケーション統合": 5, "クラウド財務管理": 3, "コンピューティング": 4,
"コンテナ": 3, "データベース": 5, "デベロッパーツール": 6, "機械学習": 22,
"マネジメントとガバナンス": 12, "メディア": 1, "移行と転送": 1,
"ネットワークとコンテンツ配信": 4, "セキュリティ、アイデンティティ、コンプライアンス": 4, "ストレージ": 6}
t = sum(svc.values())
for k, v in sorted(svc.items(), key=lambda x: -x[1])[:5]:
print(f"{k:<14} {v:2} ({v/t*100:4.1f}%)")
print("合計", t, "/ 機械学習以外", t - svc["機械学習"], f"({(t-svc['機械学習'])/t*100:.1f}%)")
実行した結果です。
== C01 分野別
分野1 データ準備 28% 採点14.0問 知識15 スキル13 計28 1項目あたり0.50問 配分24.5%
分野2 モデル開発 26% 採点13.0問 知識17 スキル20 計37 1項目あたり0.35問 配分26.9%
分野3 デプロイと自動化 22% 採点11.0問 知識18 スキル18 計36 1項目あたり0.31問 配分24.5%
分野4 監視・保守・セキュリティ 24% 採点12.0問 知識13 スキル19 計32 1項目あたり0.38問 配分24.0%
項目の合計 133(知識63・スキル70)
1問あたり 120.0秒 / 見直し15分を残すと 106.2秒 / ESL+30 147.7秒
換算スコア720の位置 68.9%(正答率ではない)
== C01→C02 配点の差(採点50問のとき)
分野1 28%→28% 14.0問→14.0問 差+0.0問 追加10 削除1
分野2 26%→24% 13.0問→12.0問 差-1.0問 追加11 削除2
分野3 22%→24% 11.0問→12.0問 差+1.0問 追加15 削除2
分野4 24%→24% 12.0問→12.0問 差+0.0問 追加9 削除2
追加 45 / 削除 7
== ベータ
C02ベータ 170分85問 1問あたり 120.0秒 / C01 120.0秒
== 対象の AWS サービス(MLA-C01 試験ガイド)
機械学習 22 (25.0%)
分析 12 (13.6%)
マネジメントとガバナンス 12 (13.6%)
デベロッパーツール 6 ( 6.8%)
ストレージ 6 ( 6.8%)
合計 88 / 機械学習以外 66 (75.0%)
結果から読み取れることを4つにまとめます。
11問あたり120秒
65問を130分で解くと1問ちょうど120秒。見直しに15分を残すなら約106秒で進める計算です。C02 のベータも170分・85問で1問120秒と同じです。
2分野2は項目がいちばん多い
分野2は37項目(知識17・スキル20)で、4分野の中で最多です。配点は26%なので、1項目あたりの問題数は0.35問になります。
3分野1は1項目の重みが大きい
分野1は28項目で配点28%。1項目あたり0.50問で、ほかの分野(0.31〜0.38問)より1項目の重みが大きい分野です。
4720点は72%正解ではない
720は100〜1,000の目盛りの68.9%の位置ですが、換算スコアなので正答数とは直接対応しません。
出力の「配分」は、配点の割合と項目数の割合(項目数÷133)の平均で、学ぶ時間をどう分けるかの目安として後の節で使います。試験ガイドは換算スコアについて「複数の試験間で難易度がわずかに異なる可能性があるため、スコアを均等化するために換算スコアが使用されます」と説明しており、何問正解すれば720になるかは公開されていません。
各分野で問われること(タスクステートメント12個)
この節では、試験ガイド MLA-C01 のタスクステートメント(分野をさらに分けた出題の単位)12個と、それぞれの要点が分かります。
4分野は12個のタスクステートメントに分かれ、その下に「対象知識」63項目と「対象スキル」70項目、合わせて133項目があります。下の表は、タスクステートメントの名前(日本語版の表記を短くしたもの)と、項目に出てくる主な語です。
| 番号 | タスクステートメント | 知識・スキル | 項目に出てくる主な語 |
|---|---|---|---|
| 1.1 | データを取り込んで保存する | 4・6 | Parquet・JSON・CSV・ORC・Avro・RecordIO、S3・EFS・FSx、Kinesis・Flink・Kafka、Data Wrangler・Feature Store、Glue・Spark |
| 1.2 | データを変換し、特徴量エンジニアリングを実行する | 6・3 | 外れ値・欠損の補完・重複排除、スケーリング・ビニング・ログ変換、ワンホット・ラベル・トークン化、DataBrew、Ground Truth |
| 1.3 | データの完全性を確保し、モデリングに向けて準備する | 5・4 | クラス不均衡(CI)・ラベル比率の差(DPL)、合成データ・リサンプリング、暗号化・マスキング、PII・PHI、Glue Data Quality、Clarify |
| 2.1 | モデリングアプローチを選択する | 4・5 | Translate・Transcribe・Rekognition・Bedrock、解釈可能性、SageMaker AI の組み込みアルゴリズム、JumpStart、コストで選ぶ |
| 2.2 | モデルをトレーニングおよび改良する | 8・9 | エポック・バッチサイズ、早期停止・分散学習、ドロップアウト・L1/L2、ランダム検索・ベイズ最適化、AMT、スクリプトモード、Model Registry |
| 2.3 | モデルのパフォーマンスを分析する | 5・6 | 混同行列・F1・適合率・再現率・RMSE・ROC・AUC、ベースライン、過学習と未学習、Clarify、デバッガー、シャドウバリアント |
| 3.1 | デプロイインフラストラクチャを選択する | 7・6 | サーバーレス・リアルタイム・非同期・バッチ推論、CPU と GPU、Airflow・SageMaker Pipelines、マルチモデル、ECS・EKS・Lambda、Neo |
| 3.2 | インフラストラクチャを作成し、スクリプト化する | 5・6 | オンデマンドとプロビジョンド、CloudFormation・CDK、ECR・BYOC、VPC 内のエンドポイント、SageMaker AI SDK、スケーリングの指標 |
| 3.3 | 自動オーケストレーションで CI/CD パイプラインを設定する | 6・6 | CodePipeline・CodeBuild・CodeDeploy、Git、ブルー/グリーン・カナリア・線形、Gitflow・GitHub Flow、EventBridge、再学習の仕組み |
| 4.1 | モデル推論をモニタリングする | 3・4 | ドリフト、データ品質の監視、ML レンズ、Model Monitor、Clarify、A/B テスト |
| 4.2 | インフラストラクチャとコストをモニタリング・最適化する | 6・10 | X-Ray・Logs Insights・CloudTrail、インスタンスの種類、Cost Explorer・Budgets・Trusted Advisor、Inference Recommender、スポット・Savings Plans |
| 4.3 | AWS リソースのセキュリティを確保する | 4・5 | IAM のロールとポリシー、バケットポリシー、SageMaker Role Manager、最小権限、VPC・サブネット・セキュリティグループ |
分野1「データ準備」の要点
データ形式の選び方(列指向の Parquet・ORC と、行の形の JSON・CSV など)、ストリーミングの取り込み、Glue・DataBrew・Data Wrangler での変換、Feature Store での特徴量の管理が中心です。1.3 では、学習の前のバイアスの指標(クラス不均衡・ラベル比率の差)と、その直し方(合成データ・リサンプリング)、PII・PHI・データレジデンシーといったコンプライアンスの要件の影響が問われます。「作ったモデルの精度」より前の段階、つまり学習に入れるデータが正しく偏りなくそろっているかを確かめる力の分野です。
分野2「モデル開発」の要点
2.1 は「どの手法で解くか」を選ぶ項目で、ML のモデルを作るか、Translate・Transcribe・Rekognition・Bedrock といった AI サービスで済ませるかの判断も含まれます。2.2 は学習の要素(エポック・ステップ・バッチサイズ)、正則化、ハイパーパラメータのチューニング、アンサンブル、Model Registry によるバージョン管理と、項目が17個あるいちばん厚いタスクです。2.3 は性能の指標と過学習・未学習の見分け方、Clarify での出力の解釈、デバッガーでの収束の問題の調べ方です。SageMaker の全体像は関連記事「SageMakerとは|できること・料金・SDKの使い方とBedrockとの違い」で扱っています。
分野3「デプロイとオーケストレーション」の要点
エンドポイントの種類(サーバーレス・リアルタイム・非同期・バッチ推論)の使い分けと、性能・コスト・レイテンシーのトレードオフが中心です。3.2 は CloudFormation・CDK による IaC、コンテナ、VPC 内のエンドポイント、自動スケーリングの指標(モデルのレイテンシー・CPU 使用率・インスタンスごとの呼び出し回数)。3.3 は CodePipeline・CodeBuild・CodeDeploy とデプロイの戦略(ブルー/グリーン・カナリア・線形)、再学習の仕組みです。ML の知識よりも、アプリの CI/CD やインフラの経験がそのまま生きる分野です。
分野4「モニタリング、保守、セキュリティ」の要点
4.1 はモデルのドリフト(本番のデータが学習時から変わって精度が落ちること)を Model Monitor・Clarify で見つけること、4.2 はインフラとコストの監視と最適化で、スキルが10項目と12タスクの中でいちばん多い項目です。購入オプション(スポット・オンデマンド・リザーブド・SageMaker AI Savings Plans)やタグによるコスト配分まで入っています。4.3 は IAM の最小権限、SageMaker Role Manager、VPC・サブネット・セキュリティグループで ML のシステムを分ける構成です。
試験ガイドに出てくる AWS のサービス
この節では、MLA-C01 の試験ガイドの「対象の AWS サービス」にどんなサービスが何個載っているかが分かります。
「対象の AWS サービス」の一覧には14のカテゴリに88のサービスが載っており、そのうち「機械学習」のカテゴリは22個(25.0%)でした。残りの66個(75.0%)は、分析・管理とガバナンス・デベロッパーツール・ストレージなど、ML 以外のカテゴリのサービスです。一覧には「このリストはすべてを網羅しているわけではなく、また、変更される場合もあります」と注記があります。
| カテゴリ | 数 | 載っているサービス(Amazon・AWS を省略、一部) |
|---|---|---|
| 機械学習 | 22 | SageMaker、Bedrock、Comprehend、Rekognition、Textract、Transcribe、Translate、Personalize、Kendra、Mechanical Turk、A2I など |
| 分析 | 12 | Athena、Data Firehose、EMR、Glue、Glue DataBrew、Glue Data Quality、Kinesis、Lake Formation、Managed Service for Apache Flink、Redshift など |
| マネジメントとガバナンス | 12 | CloudFormation、CloudTrail、CloudWatch、CloudWatch Logs、Compute Optimizer、Config、Trusted Advisor、Auto Scaling など |
| デベロッパーツール | 6 | CDK、CodeArtifact、CodeBuild、CodeDeploy、CodePipeline、X-Ray |
| ストレージ | 6 | EBS、EFS、FSx、S3、S3 Glacier、Storage Gateway |
| そのほか9カテゴリ | 30 | EventBridge・Step Functions・MWAA、EC2・Lambda・Batch、ECR・ECS・EKS、DynamoDB・RDS、VPC・API Gateway、IAM・KMS・Secrets Manager・Macie、Cost Explorer・Budgets など |
Amazon SageMaker AI(MLA-C01 の中心)
Data Wrangler・Feature Store・Clarify でデータを整える
組み込みアルゴリズム・AMT・Model Registry で作る
エンドポイント・Pipelines・Model Monitor で載せて見張る
Amazon Bedrock(MLA-C02 で厚くなる)
基盤モデルを選んで API で使う
ナレッジベース(RAG)・Prompt Management
Guardrails・Custom Model Import・API キー
MLA-C01 の推奨される AWS の知識の1行目は「モデルの構築とデプロイのための SageMaker の機能とアルゴリズムに関する知識」です。一方、MLA-C02 の推奨される AWS の知識には「Amazon Bedrock の機能」が独立した1行として加わっています。Bedrock の呼び出し方は関連記事「Bedrock Python入門|Converse APIでClaudeを呼ぶ」、ナレッジベースでの RAG は関連記事「Bedrock Knowledge Basesの作り方|boto3でRAG構築」で扱っています。試験で SDK の書き方が問われるとは限りませんが、一度手で動かすと、サービスの役割の違いを覚えやすくなります。
対象となる人と推奨される知識(試験の範囲外のこと)
この節では、MLA が想定している受験者と、推奨される知識、そして試験の範囲外とされている作業が分かります。
試験ガイド MLA-C01 は、Amazon SageMaker をはじめとする AWS のサービスを使った ML エンジニアリングの経験が1年以上あり、バックエンドの開発・DevOps・データエンジニア・データサイエンティストなどの関連する職務で1年以上の経験がある人を対象としています。公式は合格率や難易度の数字、勉強時間の目安を出していません。難しさは、この想定(ML エンジニアリング1年以上)と、Associate という区分で読むのが正確です。
MLA-C02 の試験ガイドは、対象の経験を「SageMaker AI、Amazon Bedrock などを使った ML エンジニアリングの経験が1年以上」とし、さらに従来の ML と生成 AI の両方の経験があること、と書き足しています。認定ページに挙がる対象の役割も、C01 の「バックエンドソフトウェア開発者、DevOps エンジニア、データエンジニア、MLOps エンジニア、データサイエンティスト」から、C02 では「ML エンジニア、MLOps エンジニア、LLMOps エンジニア、データエンジニア、バックエンドソフトウェア開発者、データサイエンティスト」に変わっています。
推奨される IT 全般の知識(MLA-C01 の7項目)
- 一般的な ML アルゴリズムとそのユースケースに関する基礎知識
- データ形式・取り込み・変換を含む、データエンジニアリングの基礎知識
- データのクエリと変換に関する知識
- モジュール式の再利用できるコードを開発・デプロイ・デバッグするためのソフトウェアエンジニアリングのベストプラクティス
- クラウドとオンプレミスの ML リソースのプロビジョニングとモニタリング
- CI/CD パイプラインと Infrastructure as Code(IaC)の経験
- バージョン管理と CI/CD パイプライン用のコードリポジトリの経験
C02 では、このうち「バージョン管理とコードリポジトリの経験」の行がなくなり、「基盤モデルの能力・限界・一般的なユースケースの理解」の行が加わっていました。
試験の範囲外とされている作業
勉強の深さを決めるときに
目安:「全体を設計する」ではなく「決まった構成の中で正しく作って回す」
3.1 と 3.2 のタスクの名前に「既存のアーキテクチャと要件に基づいて」とあるのがこの線引きをよく表しています。組織全体の構成を一から設計する力は、Solutions Architect の系統の試験が受け持つ範囲です。C02 の試験ガイドでも、範囲外の作業の一覧から「量子化の分析」の行は見当たらず、残りの4つはほぼ同じ文で載っていました。
AI Practitioner(AIF)との違い
この節では、同じ AI・ML の系統の AWS Certified AI Practitioner(AIF-C01)と MLA の違いが分かります。
AI Practitioner は AI・生成 AI を「使う側として判断する」基礎の認定、MLA は ML の仕組みを「作って運用する側」の認定です。AI Practitioner の試験ガイドは、モデルのコーディングやパイプラインの構築を範囲外としています。MLA は、まさにその部分が範囲の中心です。
| 項目 | AI Practitioner | ML Engineer - Associate |
|---|---|---|
| 試験コード | AIF-C01 | MLA-C01(英語は C02 のベータ) |
| 区分 | Foundational | Associate |
| 試験時間・問題数 | 90分・65問 | 130分・65問 |
| 受験料 | 100 USD/15,000円 | 150 USD/20,000円 |
| 合格スコア | 700 | 720 |
| 想定する経験 | AWS の AI/ML テクノロジーに携わった経験が6か月以下 | SageMaker などでの ML エンジニアリングが1年以上 |
| 分野と配点 | AI と ML の基礎20・GenAI の基礎24・基盤モデルの応用28・責任ある AI 14・セキュリティなど14 | データ準備28・モデル開発26・デプロイ22・監視など24 |
表の値は2026年11月13日時点の各認定ページ・試験ガイド・受験前のポリシーのページによります。AIF は5分野のうち生成 AI と基盤モデルの2分野で52%を占めますが、MLA-C01 は4分野が22〜28%に並び、データの準備と運用の比重が大きい配分です。MLA-C02 で生成 AI の項目が増えると、AIF で学んだ RAG・埋め込み・ガードレールの用語が、MLA では「設定して運用する」項目として出てくる関係になります。
AI Practitioner の認定ページは、有効期限の前に AI Practitioner の最新版に合格するか、Machine Learning Engineer - Associate を取得すると AI Practitioner が再認定される、と説明しています。AIF の範囲と配点は、同じシリーズの「AWS AI Practitionerとは|AIF-C01の範囲・配点と学ぶ順番」で扱う予定です。AWS 認定の入門の区分は、関連記事「AWSクラウドプラクティショナーとは|CLF-C02の範囲・配点・対策」で扱っています。
MLAの学ぶ順番(公式の4ステップ)
この節では、AWS の公式が示す学習の進め方と、それを試験ガイドの分野にあてはめた学ぶ順番が分かります。
公式の認定ページは、AWS Skill Builder の試験準備の計画(Exam Prep Plan)に沿って「試験を知る→知識とスキルを補う→復習と演習→準備の度合いを確かめる」の4段階で進める流れを示しています。FAQ には、ML の経験がない場合は Exam Prep Plan のトレーニングを使える、という説明もあります。
試験形式の問題を解いて試験内容を理解する
試験ガイドとサービスの略称の一覧を読み、公式の練習問題セット(Official Practice Question Set)と事前テスト(Official Pretest)で弱い分野をつかむ。133項目に「分かる・あいまい・知らない」の印を付けると、次の段階で何を学ぶかが決まる。
AWS の知識とスキルをリフレッシュする
足りない分野のデジタルコースを受け、AWS Builder Labs・AWS Cloud Quest・AWS Jam で手を動かす。
試験のために復習および練習する
分野ごとに範囲を見直し、試験形式の問題とフラッシュカードで抜けを見つける。AWS Builder Labs や AWS SimuLearn での演習も案内されている。
試験の準備状況を確かめる
AWS Certification Official Practice Exam を受け、本番と同じ形式・1問約120秒の配分で解けるかを確かめる。
どの教材が無料か、どの教材がサブスクリプションかは時期によって変わるため、AWS Skill Builder の各教材のページで確かめます。また、教材が MLA-C01 と MLA-C02 のどちらに合わせたものかも、受ける版に合わせて確かめます。
分野をどの順で学ぶか
試験ガイドの項目は、ML の仕組みが流れる順(データ→モデル→デプロイ→監視)に並んでいます。分野4のドリフトの検出は、分野1のデータ品質と分野2の性能の指標が分かっている前提で書かれているため、この記事では分野1から4へ順に進め、時間の配分を配点と項目数に合わせる順番を勧めます。
- 1分野1 データ準備(時間の目安24.5%)データ形式・Glue と DataBrew・Feature Store・バイアスの指標・PII の扱い
- 2分野2 モデル開発(26.9%)手法の選び方・チューニング・正則化・性能の指標。項目が37個といちばん多い
- 3分野3 デプロイと自動化(24.5%)エンドポイントの種類・自動スケーリング・IaC・CI/CD。C02 では配点が24%に上がる
- 4分野4 監視・保守・セキュリティ(24.0%)ドリフト・Model Monitor・コストの最適化・IAM と VPC
- 5C02 を受けるなら追加の45項目ベクトルデータベース・RAG・Bedrock・エージェント・生成 AI の指標
- 6公式の練習試験で通して解く1問約120秒のペースで最後まで解き、弱い分野へ戻る
かっこ内の割合は、前の節の計算の「配分」の値です。勉強の総時間そのものは、公式の目安がないため示していません。経験のある分野は、1段階目の印付けで「分かる」が多ければ短く済ませ、浮いた時間を「知らない」が多い分野に回します。
経験別に厚くする分野
| これまでの経験 | 既に近い分野 | 厚くする分野 |
|---|---|---|
| バックエンド・DevOps | 分野3(IaC・コンテナ・CI/CD)、分野4の IAM・VPC | 分野1のバイアスと特徴量、分野2の指標とチューニング |
| データエンジニア | 分野1(形式・Glue・Kinesis・Spark) | 分野2のモデル開発、分野3のエンドポイントと CI/CD |
| データサイエンティスト | 分野2(手法・指標・チューニング) | 分野3のデプロイと自動化、分野4のコストと IAM |
| 生成 AI のアプリ開発 | C02 の追加項目(RAG・Bedrock・プロンプト) | C01 から残る従来の ML の項目(特徴量・指標・Model Monitor) |
この表は、試験ガイドの対象の職務と各タスクの項目を突き合わせて作った目安です。公式が経験別の学び方を示しているわけではありません。
申し込みから結果までの流れと再受験
この節では、MLA を予約してから結果が出るまでの流れと、不合格のときの再受験の決まりが分かります。
予約は AWS 認定アカウントから行い、試験の場所と日時は Pearson VUE で選びます。受験前・受験後のポリシーのページと認定ページの記載をまとめると次のとおりです(2026年11月13日時点)。
| 場面 | 公式の記載 |
|---|---|
| 受け方 | Pearson VUE のテストセンター、またはオンライン監督付き試験。日本語の監督は月〜土の午前9時〜午後4時(日本時間) |
| 英語で受けるときの延長 | 英語が母語でない人が英語で受ける場合、申請すると30分延長(ESL +30) |
| 結果 | 試験終了後5営業日以内に AWS 認定アカウントに掲載される |
| スコアレポート | 分野ごとの成績の表が含まれる場合がある。分野ごとの合否ラインはない |
| 不合格のとき | 不合格になった日から14日たてば再受験できる。回数の上限はなく、毎回受験料の全額がかかる |
| 合格したあと | 一度合格した試験は、2年間は同じ試験を受け直せない |
| ベータ試験 | ベータは1回だけ受けられ、受け直すには標準版の一般提供を待つ。ベータの結果は通常5営業日以内(英語の認定ページ) |
| 再認定 | 有効期間は3年。期限の前に、その時点の最新版の試験に合格して再認定する |
認定ページは、いつ取得しても認定は有効期間の最後まで有効だと書いています。MLA-C01 で取得した認定も、元の有効期限まで有効です(日本語ブログの記載)。ESL +30 を使った場合、1問あたりの時間は計算の出力のとおり約148秒になります。
MLAの勉強でよくあるつまずき
この節では、MLA の勉強や受験で起きやすい思い違いと、試験ガイドに沿った直し方が分かります。
| つまずき | 起きること | 試験ガイド・公式の記載 | 直し方 |
|---|---|---|---|
| C02 の教材で C01 を受ける(またはその逆) | 範囲がずれる | C02 で45項目追加・7項目削除(比較のページ) | 受ける版を先に決め、教材がどちらの試験ガイドに合わせたものかを確かめる |
| 英語なら C01 を受けられると思う | 予約の段階で迷う | MLA-C01 を英語で受けられるのは2026年9月28日まで | 日本語で C01 を受けるか、英語で C02 のベータを受けるかを選ぶ |
| 720点を「72%正解」と思う | 必要な正答数を読み違える | 「100~1,000 の換算スコア」で報告される | 正答数との対応は非公開と考え、全分野の取りこぼしを減らす |
| 分野ごとに足切りがあると思う | 苦手分野を捨てる | 「セクションごとに合否ラインは設定されておらず」 | 配点の近い4分野を順に一周する |
| SageMaker だけを学ぶ | 分析・CI/CD・コストの問題を落とす | 対象サービス88個のうち機械学習のカテゴリは22個 | Glue・Kinesis・CodePipeline・CloudWatch・Cost Explorer・IAM も範囲に入れる |
| アルゴリズムの数式に時間をかける | 範囲の重心を外す | 問われるのは手法の選択・学習・チューニング・性能の分析 | 「どの場面でどれを選ぶか」と「AWS でどう設定するか」を1文で言える練習にする |
| 複数選択で1つだけ選ぶ | その設問は得点にならない | 「正解をすべて選択する必要がある」 | 問題文の「2つ選択」などの数を最初に確かめる |
似た用語の取り違え
試験ガイドの項目に名前が出ているもののうち、取り違えやすい組を挙げます。
- リアルタイム・サーバーレス・非同期・バッチ推論:常に待ち受けてすぐ返す、使うときだけ動く、大きな入力を受け付けて後で結果を返す、まとまったデータを一度に処理する。3.1 の項目に4つ並んでいる
- SageMaker Clarify と SageMaker Model Monitor:バイアスや説明可能性を調べる機能と、デプロイ後のモデルやデータの品質を見張る機能。どちらも分野4の 4.1 に出てくる
- Glue と Glue DataBrew と Data Wrangler:ETL のサービス、コードを書かずにデータを整える視覚的なツール、SageMaker の中でデータを準備する機能
- 過学習と未学習:学習データに合わせすぎて新しいデータで外れる状態と、学習データにも合っていない状態。2.3 の項目
- ブルー/グリーン・カナリア・線形:新旧2つの環境を切り替える、一部の通信だけ新しい版に流す、一定の割合ずつ順に流す。3.3 の項目
- CloudWatch と CloudTrail:メトリクスやログで動きを見張るサービスと、誰がどの API を呼んだかを記録するサービス。4.2 に両方出てくる
RAG とファインチューニングの使い分けは、C02 の 2.1 の追加項目に直結します。関連記事「RAGとファインチューニングの違いと使い分け判断基準の早見表」で扱っています。
判断表:MLA-C01とC02のどちらを、いつ受けるか
この節では、自分の状況から、MLA のどの版をいつ受け、その前に何を学ぶかを決められます。
2026年11月13日時点の公式の記載をもとに、状況ごとの選び方をまとめました。一般提供の日付は公式に「未定」とされているため、日付で決める行は公式ページで最新の告知を確かめてから選びます。
| 今の状況 | 受ける版 | 学ぶ範囲 | 確かめること |
|---|---|---|---|
| 日本語で受けたい | MLA-C01 | 試験ガイド C01 の133項目 | C02 の日本語版の一般提供の告知 |
| 英語で受けられる・ベータ価格で受けたい | MLA-C02 ベータ(75 USD) | C01 から残る項目+追加45項目 | ベータは1回だけ。結果まで日数がかかる場合がある |
| Bedrock・RAG の経験が中心 | C02 を待つか、C01 なら従来の ML を補う | 特徴量・指標・Model Monitor・CI/CD | C01 で Bedrock・JumpStart が出るのは 2.1・2.2 の一部の項目 |
| AI Practitioner を持っている | どちらでも可 | 分野3・4の作る側の項目 | MLA の取得で AIF も再認定になる |
| MLA-C01 を持っていて期限が近い | その時点の最新版 | C02 の追加45項目 | 再認定は最新版の合格。合格から2年は同じ試験を受け直せない |
どちらの版も、4分野の構成と採点される50問・合格720という骨組みは同じです。C01 で学んだデータ準備・学習・デプロイ・監視の内容は、C02 でも削除された7項目を除いてそのまま使えます。
よくある質問
この節では、AWS MLA について検索されることの多い疑問に、公式の記載をもとに答えます。
Q. AWS MLA は難しいですか?
公式は合格率や難易度の数字を公表していません。区分は Associate で、試験ガイドの想定は「SageMaker などの AWS のサービスを使った ML エンジニアリングの経験が1年以上」の人です。AI Practitioner(経験6か月以下が想定)より一段上の区分です。
Q. 勉強時間はどれくらいですか?
公式の目安はありません。この記事では総時間ではなく配分の割合(分野1から24.5・26.9・24.5・24.0%)を示しました。最初に公式の練習問題で弱い分野を確かめると、必要な時間を自分で見積もれます。
Q. 合格点の720点は何問正解ですか?
公開されていません。結果は100〜1,000の換算スコアで、試験ごとの難易度の差をならすために使われています。
Q. 日本語で受けられますか?
MLA-C01 は日本語で受けられます(2026年11月13日時点)。MLA-C02 はベータが英語のみで、一般提供で日本語・韓国語・簡体字中国語に対応すると認定ページに書かれています。
Q. MLA-C02 はいつから日本語で受けられますか?
認定ページでは一般提供の登録・配信は「未定」です。AWS の日本語ブログは「全言語対応の標準版 MLA-C02 は 2027 年初頭に提供予定」と書いています。
Q. 受験料はいくらですか?
MLA-C01 は150 USD、日本円では20,000円です。MLA-C02 のベータは75 USD です。受験前のポリシーのページには「税が適用される場合があります」とあり、再受験のたびに全額がかかります。
Q. 有効期限と更新はどうなりますか?
有効期間は3年間です。期限の前に、その時点の最新版の試験に合格すると再認定されます。MLA-C01 で取った認定も元の有効期限まで有効です。
Q. プログラミングや数学の知識は要りますか?
推奨される知識に、再利用できるコードの開発・デプロイ・デバッグのベストプラクティス、CI/CD と IaC の経験が挙がっています。一方で、モデルの量子化の分析や ML の戦略の主導などは範囲外です。数式を解く力より、手法とサービスを選んで設定する力が中心です。
Q. AI Practitioner を先に取るべきですか?
公式は順番を決めていません。MLA の想定は ML エンジニアリングの経験1年以上なので、AI・ML の用語から整理したい場合は AI Practitioner の範囲が入口になります。MLA を取ると AI Practitioner も再認定されます。
Q. 落ちたらいつ受け直せますか?
不合格になった日から14日たてば受け直せます。回数の上限はありません。ベータ試験は1回だけで、受け直すには標準版の一般提供を待ちます。
Q. SageMaker 以外のサービスも出ますか?
出ます。試験ガイドの「対象の AWS サービス」は88個で、機械学習のカテゴリは22個です。Glue・Kinesis・CodePipeline・CloudFormation・CloudWatch・Cost Explorer・IAM なども項目の文に名前が出ています。
まとめ
この節では、AWS Certified Machine Learning Engineer - Associate(MLA)の要点を5つに絞って確かめられます。
- MLA は AWS で ML の仕組みを構築・運用・デプロイ・保守する力を問う Associate の認定で、MLA-C01 は130分・65問・合格720・20,000円(150 USD)・有効期間3年です。
- 配点は28・26・22・24%。採点される50問に当てはめると14・13・11・12問が目安で、1問にかけられるのは約120秒です。
- 試験ガイドは12タスク・133項目。対象サービス88個のうち機械学習のカテゴリは22個で、データ・CI/CD・監視・コストのサービスも範囲です。
- MLA-C02 は4分野を保ったまま生成 AI・RAG・エージェント・Bedrock の45項目を追加。英語は2026年9月29日からベータで、日本語の一般提供は公式の告知を待ちます。
- 学ぶ順番は、試験を知る→補う→演習→練習試験の4段階。分野は1から4へ流れの順に進め、受ける版に合った教材を選びます。
参考・出典
確認日はいずれも 2026年11月13日です。
- AWS「AWS Certified Machine Learning Engineer - Associate」(日本語):https://aws.amazon.com/jp/certification/certified-machine-learning-engineer-associate/
- AWS「AWS Certified Machine Learning Engineer - Associate」(英語):https://aws.amazon.com/certification/certified-machine-learning-engineer-associate/
- AWS「AWS Certified Machine Learning Engineer - Associate (MLA-C01)」試験ガイド(日本語):https://docs.aws.amazon.com/ja_jp/aws-certification/latest/machine-learning-engineer-associate-01/machine-learning-engineer-associate-01.html
- 同 コンテンツ分野1〜4:https://docs.aws.amazon.com/ja_jp/aws-certification/latest/machine-learning-engineer-associate-01/machine-learning-engineer-associate-01-domain1.html (domain2〜domain4 も同じ形式)
- 同 対象の AWS サービス:https://docs.aws.amazon.com/ja_jp/aws-certification/latest/machine-learning-engineer-associate-01/mla-01-in-scope-services.html
- AWS「AWS Certified Machine Learning Engineer - Associate (MLA-C02)」試験ガイド(英語):https://docs.aws.amazon.com/aws-certification/latest/machine-learning-engineer-associate-02/machine-learning-engineer-associate-02.html
- 同 Comparison of MLA-C01 and MLA-C02:https://docs.aws.amazon.com/aws-certification/latest/machine-learning-engineer-associate-02/mla-02-comparison.html
- AWS ブログ「AWS Certified Machine Learning Engineer - Associate (MLA-C02)」の更新の告知(日本語):https://aws.amazon.com/jp/blogs/news/updates-to-aws-certified-machine-learning-engineer-associate-mla-c02/
- AWS「受験前のポリシー」(試験の料金・オンライン監督):https://aws.amazon.com/jp/certification/policies/before-testing/
- AWS「受験後のポリシー」(再受験・結果):https://aws.amazon.com/jp/certification/policies/after-testing/
- AWS「AWS Certified AI Practitioner (AIF-C01)」試験ガイド(日本語):https://docs.aws.amazon.com/ja_jp/aws-certification/latest/ai-practitioner-01/ai-practitioner-01.html
本記事の内容は、ご自由にお使いください。
ご利用の際は、出典として本ページへのリンクを記載いただけますようお願いします。
(記載例)出典:株式会社RJC「AWS MLAとは|MLA-C01の範囲・配点とC02の変更点・学ぶ順番」
株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。
WE ARE HIRING
RJCで一緒に開発しながら、
成長を楽しみませんか?
RJCは、Web・モバイル・AIを活用した開発プロジェクトで、テックリードやPM・PMOも活躍するシステム開発会社です。会社を知る、待遇を確かめる、話を聞いてみる。気になるところ見てみてください!
- 127日年間休日
- 12時間平均残業時間
- 毎日ガチャ遊びココロも大切にする福利厚生。アマギフなどの賞品ラインナップ!
ほかにも、チケットレストラン、書籍読み放題、2年ごとの慰労報奨(休暇 or 金一封)、11期連続の黒字決算。