先了解这张认证
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。
考试档案
- 考试代码
- MLA-C01
- 发证机构
- AWS
- 题型
- 单选题 / 多选题
- 考试语言
- English / 日本語 / 한국어 / 简体中文
- 证书有效期
- 3 年
- 考试费
- $150
你会学到的技能
学完能做什么
- 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
- 提升 ML 工程师岗位竞争力
适合这样的你
- 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
开始前需要什么
- 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
这些情况建议先考虑其他路径
- 完全不写代码的 PM / 业务分析师 — MLA 考 Python 和 SageMaker SDK 细节，应该考 AIF-C01
- 没有任何 ML 基础的后端工程师 — 数据准备和模型开发两块会很吃力，建议先补 Andrew Ng 的 ML 基础课
- 纯研究型数据科学家 / Kaggle 选手 — MLA 考的是 MLOps 工程而非算法研究，帮助有限
- 公司技术栈是 Azure 或 GCP 的工程师 — 学了 SageMaker 用不上，应该考 Azure AI-102 或 Google ML Engineer
考试会考什么
28%数据准备
Data Preparation for ML
数据准备
Data Preparation for ML
26%模型开发
Model Development
模型开发
Model Development
22%部署与编排
Deployment and Orchestration
部署与编排
Deployment and Orchestration
24%监控与安全
Monitoring and Security
监控与安全
Monitoring and Security
一步一步，准备好考试
6 个章节 · 学习路径
安排你的备考
- 课程学习时长
- 50h
- 有相关实操经验
- 4-6 周
- 从基础开始
- 8-12 周
- 建议日投入
- 1.5-2h
备考支持
- 6 个系统化学习章节，覆盖考试 4 大领域
- 322 精选练习题，每题附详细解析
- 仿真模拟考试（65 题/170 分钟）
- 错题本 + 智能复习，薄弱环节针对性突破
- 学习进度可视化追踪
- 同步 AWS 官方 MLA-C01 最新考纲
1. 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。
2. 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。
3. 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。
4. 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。
这张认证的职业价值
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。
- 澳洲
- AUD 130,000 – 195,000
- 美国
- USD 140,000 – 220,000
- 中国
- CNY 400,000 – 800,000
- 新加坡
- SGD 110,000 – 175,000
备考时，做好这些事
- **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。
这些误区要避开
- **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。
报名之前，你可能想问
MLA-C01 和 MLS-C01 有什么区别？
MLA-C01 是 Associate 级别的 ML 工程认证，侧重于使用 AWS 服务构建和部署 ML 解决方案的实际工程能力。MLS-C01 是 Specialty 级别，更注重 ML 理论知识、算法选择和数据科学方法论。MLA-C01 更适合 ML 工程师，MLS-C01 更适合数据科学家。
MLA-C01 考试难度如何？
MLA-C01 是 Associate 级别认证，难度中等。考试时长 170 分钟，65 道题，需要达到 720/1000 分通过。题目侧重实际场景，要求熟悉 SageMaker 生态系统和 ML 工程最佳实践。
需要有深度学习经验才能考 MLA-C01 吗？
不需要深入的深度学习理论知识。MLA-C01 更侧重 ML 工程实践，如数据准备、模型训练配置、部署策略和监控。了解基本的 ML 概念和 AWS SageMaker 服务即可。
MLA-C01 考试费用是多少？
MLA-C01 考试费用为 $150 USD。如果您已持有 AWS 认证，可以使用 50% 折扣券，实际费用为 $75。考试可在 Pearson VUE 考试中心或在线远程考试。
备考 MLA-C01 需要多长时间？
对于有 ML 和 AWS 基础的工程师，建议 4-6 周系统备考。如果 ML 基础薄弱，建议先学习 ML 基础知识，再花 6-8 周备考。关键是动手实践 SageMaker 各项功能。
听听学过的人怎么说
评价加载中…
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。
Echo Z.
数据科学家 → ML 工程师 · 847/1000 · 5 周
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。
R. Patel
Sydney MLOps Engineer · 892/1000 · 4 周
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。
Leo K.
后端工程师 3 年，转 ML 方向 · 738/1000 · 10 周
从第一章，开始你的备考。
前 2 章免费试学 · 完整备考 $29 起