这张认证到底考什么
先把考试形式、适合人群、备考时长和学习范围讲清楚，再决定要不要投入时间。
认证概述
AWS Certified Machine Learning - Specialty (MLS-C01) 是 AWS 面向具有丰富 ML 经验的数据科学家和 ML 工程师提供的专家级认证，验证您在 AWS 上设计、构建、训练、调优和部署 ML 模型的全面能力。
考试领域
- Data Engineering（数据工程）— 20%
- Exploratory Data Analysis（探索性数据分析）— 24%
- Modeling（建模）— 36%
- Machine Learning Implementation and Operations（ML 实施与运维）— 20%
适合人群
- 数据科学家和高级 ML 工程师
- 有 2 年以上 ML 实践经验的技术专家
- 希望验证 AWS ML 专家能力的技术负责人
- AI/ML 解决方案架构师
你会反复碰到的核心服务
SageMakerS3KinesisGlueFeature EngineeringXGBoostDeep LearningModel TuningA/B TestingEMRAthenaComprehendRekognitionLex
学完以后你能带走什么
- 获得 AWS 官方认可的 Machine Learning Specialty 认证
- 掌握端到端 ML 解决方案的设计与实施
- 精通数据工程、特征工程和模型优化
- 具备选择和调优 ML 算法的专家能力
考试详情
考试代码
MLS-C01
发证机构
Amazon Web Services
时长
180 分钟
题目数
65 题
及格分
750/1000
有效期
3 年
适合谁考
适合人群
- 有 2 年以上 ML 开发和数据分析经验的数据科学家
- 希望获得 AWS ML 专家认证的高级 ML 工程师
- AI/ML 解决方案架构师
- 希望转型 ML 方向的高级软件工程师
- 数据科学和人工智能专业的研究生
开始前最好先有
- 1-2 年 AWS 云服务使用经验
- 2 年以上机器学习/深度学习实践经验
- 熟练掌握 Python 和 ML 框架（TensorFlow/PyTorch）
- 扎实的统计学和线性代数基础
- 了解数据工程和 ETL 流程
考试域分布
这里不是装饰信息，它决定你应该先把时间砸在哪些知识域上。
学习内容分布
20%
1. 数据工程
Data Engineering
核心知识点
KinesisGlueEMR数据管道S3 数据湖数据格式转换
24%
2. 探索性数据分析
Exploratory Data Analysis
核心知识点
数据可视化特征选择数据清洗统计分析降维数据分布分析
36%
3. 建模
Modeling
核心知识点
SageMaker 内置算法深度学习超参数调优模型评估正则化集成学习
20%
4. ML 实施与运维
ML Implementation and Operations
核心知识点
模型部署A/B 测试SageMaker Neo边缘推理CI/CD模型监控
备考节奏
有 AWS 实操经验
6-8 周
零基础切入
10-14 周
建议日投入
1-2 小时/天
学习路径预览
6 章1
MLS-C01 考试概述与备考指南
45 min2
数据工程
120 min3
探索性数据分析
140 min4
建模
180 min5
ML 实施与运维
120 min6
考前冲刺与实战演练
60 min同赛道认证对比
| AWS ML Specialty | AWS Advanced Networking | AWS Data Analytics Specialty | |
|---|---|---|---|
| 机构 | AWS | AWS | AWS |
| 级别 | 专家级 | 专家级 | 专家级 |
| 考试费 | $300 | $300 | $300 |
| 时长 | 180 min | 170 min | 180 min |
| 题量 | 65 | 65 | 65 |
| 有效期 | 3 年 | 3 年 | 3 年 |
备考技巧与常见失误
💡
65 题 180 分钟，平均每题 3 分钟，合理分配时间
💡
及格分 750/1000，不确定的题先标记跳过，回头再做
💡
排除法非常有用 — 先排掉明显错误的选项，剩下的再分析
💡
多选题会告诉你选几个，仔细看题目要求
⚠️
没有读完所有选项就选答案 — 题目经常有"最佳"答案和"正确但不最佳"的干扰项
⚠️
备考只刷题不理解原理 — 考试场景题需要理解底层概念
⚠️
忽略时间管理 — 在难题上卡太久，导致后面简单题没时间做