AWS Certified Machine Learning Engineer - Associate (MLA-C01)
验证您在 AWS 上构建、训练、部署和维护机器学习解决方案的实际工程能力。涵盖 SageMaker 全生命周期管理。
ML/数据工程师进 AWS MLOps 岗位的敲门砖 — 动手写过 SageMaker Pipeline 的人考这张最划算。
JR Academy Membership
Unlock all certifications, courses & tools at a fraction of the cost
- All certification exam prep included
- Course discounts up to 50%
- AI tools & Chrome extensions
- Priority 1-on-1 coaching
What this certification covers
This page is structured for quick scanning first: exam format, fit, prep time, and the actual study scope.
AWS Certified Machine Learning Engineer - Associate（MLA-C01）是 AWS 2024 年 8 月 GA 的新认证，定位为 AIF-C01（Practitioner）之上的工程师级 ML 认证。在它出现之前，AWS 的 ML 类认证只有 Specialty 级别的 MLS-C01，考的是数据科学家的算法理论（梯度下降、SVM、confusion matrix）。MLA-C01 把侧重点从"懂算法"换成了"会用 SageMaker 把模型落地到生产"，更贴近真实的 MLOps 岗位工作内容。
考试费 $150 USD，65 题、130 分钟、720/1000 及格、3 年有效期。题型是单选 + 多选 + ordering + case study，考纲 4 大领域：Data Preparation for ML（28%）、ML Model Development（26%）、Deployment and Orchestration of ML Workflows（22%）、Monitoring/Maintenance/Security（24%）。注意权重最大的不是建模，而是数据准备（28%）— 这反映了真实工作里 ML 工程师 70% 时间在处理数据的事实。
和 AIF-C01 最大的区别：AIF 是概念题考你知不知道 Bedrock、SageMaker、RAG 是啥；MLA 是场景题考你怎么在 SageMaker 里把一个模型从数据摄取一路跑到实时端点。考题会问你 Feature Store 的 online store 和 offline store 分别用在什么场景、Multi-Model Endpoint 和 Multi-Container Endpoint 什么时候选哪个、Model Monitor 的 4 种监控类型（Data Quality / Model Quality / Bias Drift / Feature Attribution Drift）哪种能抓到你描述的漂移。没有亲手跑过 SageMaker Pipeline 的人基本答不出来。
MLA 同时也在逐步替代 MLS-C01 Specialty 在招聘市场的位置。2026 年 AWS 官方已经把 MLS-C01 标为 "retiring"，大部分 JD 开始写 "MLA-C01 preferred"。这张证现在是你简历上最有说服力的 "AWS ML 工程能力" 证明。
You will work with
After preparation
- 获得 AWS 官方认可的 Machine Learning Engineer Associate 认证
- 掌握 SageMaker 全生命周期 ML 解决方案开发
- 精通 ML 数据准备、特征工程和模型训练
- 具备 ML 模型部署、监控和运维能力
Exam details
Who should take it
Good fit
- 希望获得 AWS ML 认证的机器学习工程师
- 使用 AWS 构建 ML 管道的数据工程师
- 负责模型部署和运维的 MLOps 工程师
- 希望系统学习 AWS ML 服务的全栈工程师
- 人工智能和数据科学专业的学生
Before you start
- 了解基本的机器学习概念（监督/无监督学习、模型评估）
- 有 Python 编程经验
- 了解 AWS 核心服务（S3、IAM、Lambda）
- 有数据处理和 ETL 经验
- 建议有 1 年以上 ML 或数据工程相关经验
Is it worth it? Career value
Salary ranges, target job titles, and the real career impact of holding AWS ML Engineer Associate.
为什么这张证的薪资比 SAA 高一档
ML 工程师岗位本来就属于云岗位里的 premium tier。Levels.fyi 2026 年数据显示，美国 ML Engineer 中位数 $178k，比同级别 Backend Engineer 高 15–25%；旧金山湾区资深 MLOps 能到 $260k+。澳洲 Seek 上 2026 Q1 标 "SageMaker" 的岗位中位数 $165k AUD，比标 "AWS" 不带 ML 的高 $30k。这个薪资差不是因为 MLA-C01 这张证，而是因为 ML 是供不应求的技能方向，MLA 只是帮你把简历推进到面试环节。
最适合考 MLA-C01 的三类人：
- 数据工程师 / 数据科学家想转 ML 工程：你已经会 Spark、会写 SQL、会用 Pandas，但没系统学过模型部署和监控。MLA 帮你补齐 SageMaker Pipelines、Model Registry、Model Monitor 这一套 MLOps 工具链，让你从"训练出一个 notebook"过渡到"交付一个生产系统"。
- 已经在做 ML 的工程师想拿 AWS 背书：你用 PyTorch / TensorFlow 做过项目，但没用过 SageMaker，也没有 AWS 认证。MLA 是成本最低的 AWS ML 工程师官方标签，比 MLS-C01 更贴近实际工作。
- AWS 云工程师（有 SAA）想进 AI/ML 方向：先考 AIF-C01 补概念 → 再考 MLA-C01 补工程能力，这条路径在 2026 年是 AWS 官方推荐的"从云到 ML"转型路线。
谁不应该考 MLA-C01：
- 完全不写代码的 PM / 业务分析师 — MLA 考场景里的 Python / SageMaker SDK 细节，没有代码基础硬考会很痛苦。应该考 AIF-C01。
- 纯研究型数据科学家 — 如果你的工作是写论文 / 调模型结构 / 发 Kaggle，MLA 考的 Pipeline、Endpoint、Monitor 对你帮助不大，应该看 Google ML Engineer 或学术路线。
- 后端工程师完全没碰过 ML — 没有 ML 基础直接考 MLA，数据准备和模型开发两块（合计 54%）会很吃力。建议先花 4–6 周补 ML 基础（Andrew Ng 的 Machine Learning Specialization），再来考。
Exam domains
Use this breakdown to decide where to spend study time first instead of reading chapters evenly.
Content Distribution
1. 数据准备
Data Preparation for ML
2. 模型开发
Model Development
3. 部署与编排
Deployment and Orchestration
4. 监控与安全
Monitoring and Security
Study preparation
With hands-on AWS
From scratch
Daily pace
Learning path preview
6 chaptersStep-by-step preparation
A concrete week-by-week plan from past test-takers — not generic advice.
第一阶段：SageMaker Studio 上手实操（1-2 周）
不要先看书也不要先刷题。打开一个 AWS 账号，进 SageMaker Studio，跟着官方 sample notebook 跑一遍"从 S3 读数据 → Processing Job 清洗 → 训练 XGBoost → 部署实时 Endpoint → 调用推理"的完整流程。亲手点过一遍之后，后面的考题里所有"这个按钮在哪个服务里"的问题都会秒答。没动过 SageMaker 控制台就开始刷题是最大的时间浪费。
第二阶段：按 4 大领域系统补知识（2-3 周）
按权重顺序刷：Data Preparation（28%）→ Model Development（26%）→ Monitoring（24%）→ Deployment（22%）。重点搞懂这些对子：Glue ETL vs SageMaker Processing Job、Feature Store online vs offline、BYOC vs Script Mode、Bayesian vs Hyperband 超参调优、Real-time vs Batch vs Async vs Serverless 推理、Data Quality vs Model Quality vs Bias Drift 监控。每一对都是送分题源泉。
第三阶段：MLOps 场景题强化（1-2 周）
MLA 的 case study 题都是 MLOps 场景："客户的模型上线 3 个月后准确率下降，你怎么设计自动再训练流程？" 答题套路：Model Monitor 检测 Model Quality Drift → CloudWatch 告警 → EventBridge 触发 → Step Functions 或 SageMaker Pipelines 执行再训练 → Model Registry 审批 → 蓝绿部署到 Endpoint。把这套反射练熟，场景题基本不会错。
第四阶段：模考冲刺（最后 1 周）
做 3-5 套 65 题全真模考（Tutorials Dojo 的质量最高），稳定 75% 以上再去考。低于 70% 再准备一周，$150 考试费不便宜，别硬上。考试当天前 60 分钟快速过一遍单选题，case study 和 ordering 留到最后集中处理 — 这类题一旦读错条件就容易全错。
Real test-taker experiences
What it actually took for real candidates to pass — prep time, scores, and lessons learned.
我之前只会在 Jupyter 里跑模型，连 Endpoint 是什么都不知道。5 周备考最大的收获不是证书，是真的学会了怎么把一个 notebook 变成一个 Pipeline。现在面试被问 MLOps 流程不再卡壳。Data Preparation 那块权重最大，一定要把 Feature Store 和 Data Wrangler 亲手跑一遍，光看文档记不住。
有 2 年 PyTorch + AWS 经验，4 周很轻松。考试里 Deployment 那块是我的强项 — Multi-Model Endpoint 和 Async Inference 这类题看场景秒选。难的是 SageMaker 的冷门细节，比如 Canvas、Ground Truth、JumpStart 这些服务的边界。建议考前一天把 SageMaker 的全家桶服务列表过一遍，保证每个都能一句话说清用途。
零 ML 基础硬上，前 4 周补 Andrew Ng 的 ML 课，后 6 周专攻 MLA。险过。最痛苦的是 Model Development 那块 — 什么时候用 XGBoost 什么时候用 Linear Learner、Bayesian 和 Hyperband 差别在哪，这些没做过项目的人全靠背。建议像我这样的零基础至少留 10-12 周，别被"Associate 级别"骗了，MLA 比 SAA 难一档。
Certification comparison
| AWS ML Engineer Associate | AWS AI Practitioner | AWS SAA考证 | |
|---|---|---|---|
| Provider | AWS | AWS | AWS |
| Level | 助理级 | 基础级 | 助理级 |
| Fee | $150 | $75 | $150 |
| Duration | 170 min | 90 min | 130 min |
| Question count | 65 | 65 | 65 |
| Validity | 3 yrs | 3 yrs | 3 yrs |
Study tips and common mistakes
**先动手再刷题** — SageMaker Studio 免费 tier 够你跑完整个 Pipeline。亲手跑过一次 XGBoost 训练 + 部署的人，至少省 20% 的备考时间。
**Tutorials Dojo 的 MLA-C01 题库目前质量最高** — Whizlabs 也行但覆盖面稍弱。官方 Skill Builder 的 Exam Prep 免费但题量少，建议作为补充不作为主力。
**记住 4 大领域权重分配** — Data Prep 28% + Model Dev 26% = 54%，前两块是大头。如果时间不够，优先把这两块刷到 80% 正确率，Monitoring 和 Deployment 能保证 70% 就够过线。
**申请 ESL +30 分钟加时** — 母语不是英语就在报名时勾选 ESL Accommodation，免费从 130 分钟加到 160 分钟。MLA 的 case study 题文字量大，加时非常必要。
**考前一天做 SageMaker 服务速查表** — 把 Training、Processing、Pipelines、Feature Store、Data Wrangler、Ground Truth、JumpStart、Canvas、Model Monitor、Clarify、Model Registry、Endpoints 这 12 个核心服务各写一句话用途，考试时看到任何服务名都能秒反应。
**JumpStart vs 自定义训练搞混** — JumpStart 是一键部署预训练模型（HuggingFace、Stable Diffusion 等），适合快速 POC；自定义训练用于特定业务数据。考题看到"快速上线现成模型"选 JumpStart，看到"基于公司历史数据训练"选 SageMaker Training Job + BYOC / Script Mode。
**超参调优策略选错** — Random Search 简单但低效；Bayesian 适合大多数场景（考试默认正确答案）；Hyperband 适合深度学习可以 early stopping 的场景；Grid Search 考试几乎不选（太慢）。题目说"高效找到最优超参"优先选 Bayesian，说"训练时间长可 early stop"选 Hyperband。
**数据漂移检测服务混淆** — Data Quality Drift（输入特征分布变化）→ Model Monitor Data Quality；Model Quality Drift（预测准确率下降）→ Model Monitor Model Quality（需要 ground truth labels）；Bias Drift（模型对某群体预测偏差）→ Model Monitor Bias Drift + Clarify；Feature Attribution Drift（特征重要性变化）→ Model Monitor Feature Attribution。考题会给具体症状，你要选对监控类型。
**Batch vs Real-time vs Async vs Serverless Endpoint 选错** — Real-time：低延迟、稳定流量；Batch Transform：离线大批量、无延迟要求、最便宜；Async Inference：大 payload（>6MB）或长耗时（>60s）、可接受分钟级延迟；Serverless：间歇流量、冷启动可接受、按调用计费。看到"大文件""长推理时间"几乎一定选 Async，看到"每天凌晨跑一次"选 Batch Transform。
**把 SageMaker Pipelines 和 Step Functions 当作同一个东西** — SageMaker Pipelines 是 ML 原生的 DAG，和 Model Registry、Experiments 深度集成，适合纯 ML 工作流；Step Functions 适合编排跨服务的复杂工作流（ML + Lambda + DynamoDB + SNS）。考题看到"纯 ML 训练 + 部署流程"选 Pipelines，看到"ML + 多个 AWS 服务协同"选 Step Functions。
FAQ
Frequently Asked Questions
If you plan to take AWS ML Engineer Associate, start with real practice.
49+ questions, chapter-by-chapter learning, mock exams, wrong-question review, and AI tutor support live in the exam page.
Go to exam prepFrom $29 · 2 free chapters