AWS Machine Learning Specialty
Examen de práctica de AWS MLS-C01
RetiradoMás de 136 preguntas con explicaciones detalladas. Simulación cronometrada realista.
Acerca de este examen
La certificación AWS Certified Machine Learning Specialty (MLS-C01) valida tu capacidad para diseñar, implementar, desplegar y mantener soluciones de machine learning en AWS. Este examen es bastante más técnico que las certificaciones de nivel associate y exige un conocimiento profundo de todo el pipeline de ML: recopilación de datos, ingeniería de datos, análisis exploratorio, ingeniería de características, entrenamiento de modelos, ajuste de hiperparámetros, evaluación e implementación. Tendrás que saber cuándo usar SageMaker, Comprehend, Rekognition, Translate, Polly, Lex y otros servicios de IA/ML. El examen evalúa a fondo tu capacidad para elegir el algoritmo adecuado para cada problema: clasificación, regresión, clustering, previsión y detección de anomalías. Espera preguntas sobre técnicas de preparación de datos, como el tratamiento de valores ausentes, el escalado de características, la reducción de dimensionalidad con PCA y el manejo de conjuntos de datos desequilibrados. Esta certificación es ideal para científicos de datos e ingenieros de ML que construyen sistemas de ML en producción sobre AWS.
Lo que vas a aprender
Formato del examen
Puntuación de aprobado
750 de 1000
Preguntas
65 preguntas (50 puntuadas, 15 sin puntuar)
Tiempo límite
180 minutos
Formato
Opción única y opción múltiple
A quién va dirigido este examen
- Científicos de datos que despliegan modelos de ML en AWS
- Ingenieros de machine learning que construyen pipelines de ML en producción
- Ingenieros de software que se orientan hacia puestos de ML
- Responsables técnicos que supervisan proyectos de ML en infraestructura de AWS
Requisitos recomendados
- Al menos 2 años de experiencia práctica con cargas de trabajo de ML y deep learning en AWS
- Sólida comprensión de los algoritmos de ML (aprendizaje supervisado, no supervisado y por refuerzo)
- Experiencia con pipelines de ingeniería de datos (S3, Glue, Kinesis, Athena)
- Dominio de Python y conocimiento de frameworks de ML (TensorFlow, PyTorch, scikit-learn)
Consejos para el examen
Domina SageMaker de principio a fin: algoritmos integrados (XGBoost, Linear Learner, BlazingText), trabajos de entrenamiento, endpoints y batch transform
Comprende la división de los datos (entrenamiento, validación y prueba) y las técnicas de validación cruzada
Estudia las matrices de confusión, la precisión, la exhaustividad, la puntuación F1 y el AUC-ROC: tendrás que interpretar el rendimiento de los modelos
Aprende cuándo usar Kinesis Data Streams en lugar de Kinesis Firehose para la ingesta de datos de ML en tiempo real
Certificaciones relacionadas
Estructura del examen
Duración
180 minutos
Preguntas
Más de 136 preguntas
Formato
Opción múltiple
Entorno de simulación seguro y protegido