AWS Certified Machine Learning Engineer Associate
275 שאלות תרגול
נבדק לאחרונה: April 2026
הערות אישיות וקישורים למשאבים למסע הלמידה שלך
סנן לפי הסמכה
ההסמכה AWS Certified Machine Learning Engineer Associate (MLA-C01) הושקה באוגוסט 2024 כמקבילה הממוקדת במתמחים ל-Machine Learning Specialty הוותיקה יותר. היא מאמתת את היכולת לבנות, לפרוס, לנטר ולתחזק עומסי עבודה של ML ב-AWS — עם דגש חזק על Amazon SageMaker, כלי MLOps ומחזור חיי מודלים בייצור. הבחינה מיועדת למהנדסי ML בתחילת דרכם ובאמצע הקריירה, מדעני נתונים העוברים להנדסה, ומהנדסי DevOps המתרחבים לפלטפורמות ML. צפו לשאלות מבוססות תרחישים בנושאי צינורות פיצ'רים, רישומי מודלים, דפוסי פריסה, זיהוי סחף והסקה מודעת עלויות. הבחינה היא קונספטואלית ותיאורטית (ללא מעבדות), אך מניחה שהמועמד אכן שלח מודלים לייצור.
התחום הגדול ביותר ב-28%. SageMaker Data Wrangler, Feature Store, Glue, ותבניות אגם נתונים ב-S3. צפו לשאלות על טיפול בנתונים לא מאוזנים, זליגה, אסטרטגיות קידוד, והנדסת פיצ'רים בקנה מידה גדול.
משימות אימון של SageMaker, אלגוריתמים מובנים לעומת bring-your-own-container, JumpStart, כוונון היפר-פרמטרים, והערכת מודלים. מכשול נפוץ: בחירה בין SageMaker Autopilot, Canvas, ואימון מותאם אישית.
נקודות קצה של SageMaker (real-time, async, serverless, batch transform), Pipelines, Model Registry, ו-CI/CD עם CodePipeline. מועמדים לעיתים קרובות מפספסים הבדלים עדינים בין מצבי פריסה ופשרות העלות שלהם.
SageMaker Model Monitor, Clarify (הטיה ויכולת הסבר), זיהוי סחף, ותבניות IAM/VPC עבור עומסי עבודה של ML. בודק שליטה מעשית ב-MLOps יותר מאשר תיאוריה.
שירותים שתפגוש במבחן ומדוע כל אחד מהם חשוב.
פלטפורמת ML מקצה-לקצה הכוללת notebooks, ג׳ובי אימון, כיוון היפר-פרמטרים, ג׳ובי עיבוד, נקודות קצה מנוהלות ל-inference וצינורות MLOps.
מדוע הוא במבחן: SageMaker הוא שירות המטרייה החוצה את כל ארבעת הדומיינים של MLA-C01 — צפו לשאלות על בחירת תשתית אימון, אפשרויות פריסת inference וטרייד-אופים בין מנוהל לעצמי-מארח.
סביבת פיתוח מבוססת-דפדפן ל-ML — Jupyter notebooks, ניסויים, Pipelines, Model Registry, JumpStart ו-Canvas, כולם במרחב עבודה אחד.
מדוע הוא במבחן: דומיין 2 (פיתוח מודלי ML) בוחן את Studio כממשק המאוחד לאיטרציה על מודלים, debugging של אימון וקידום ארטיפקטים.
קטלוג של מודלי יסוד ומודלים ייעודיים מאומנים מראש עם פריסה בלחיצה אחת, notebooks ל-transfer learning ו-workflows של fine-tuning.
מדוע הוא במבחן: JumpStart הוא התשובה הקנונית כאשר שאלה שואלת איך להתחיל ממודל מוכן במקום לאמן מאפס — רלוונטי בדומיין 2.
כלי לזיהוי הטיות והסברתיות שמפיק שיוכי פיצ׳רים מסוג SHAP וכן מטריקות הטיה לפני ואחרי אימון על מודלים טבלאיים ומודלי יסוד.
מדוע הוא במבחן: שאלות מדומיין 2 ומדומיין 4 על AI אחראי, הסברתיות מודלים וביקורות הוגנות נוקבות ב-Clarify כתשובה הילידית של AWS.
בודק ברציפות נקודות קצה פרוסות עבור drift באיכות נתונים, באיכות המודל, בהטיה ובשיוך פיצ׳רים, מול בייסליין.
מדוע הוא במבחן: דומיין 4 (ניטור, תחזוקה ואבטחה) בוחן שוב ושוב איך לזהות ולהגיב ל-drift בייצור — Model Monitor הוא השירות הנקוב.
מאגר מנוהל לפיצ׳רי ML עם חנויות online (קצרות-השהיה) ו-offline (batch) מסונכרנות, נכונות נקודתית בזמן ושימוש חוזר בפיצ׳רים בין מודלים.
מדוע הוא במבחן: דומיין 1 (הכנת נתונים) בוחן את Feature Store כדרך הקנונית להימנע מ-skew בין אימון להגשה ולשתף פיצ׳רים בין צוותים.
מתזמר MLOps יליד ל-SageMaker — משרשר preprocessing, אימון, הערכה, רישום מודל ופריסה מותנית כ-DAG עם גרסאות.
מדוע הוא במבחן: דומיין 3 (פריסה ותזמור) מדגיש צינורות מקצה-לקצה הניתנים לשחזור; Pipelines הוא הבחירה הילידית של AWS על פני מתזמרי שלבים גנריים עבור stacks עתירי-SageMaker.
כלי חזותי להכנת נתונים בתוך Studio לייבוא נתונים מ-S3, Athena, Redshift ו-Snowflake והחלת מעל 300 טרנספורמציות מובנות בלחיצה אחת.
מדוע הוא במבחן: שאלות בדומיין 1 על feature engineering וניתוח נתונים גישוש נוקבות ב-Data Wrangler לעיתים קרובות כתשובת ה-low-code להכנת נתונים טבלאיים.
אחסון אובייקטים המשמש כאגם הנתונים עבור datasets לאימון, ארטיפקטים של מודלים, קלטים/פלטים של inference ונתוני offline של SageMaker Feature Store.
מדוע הוא במבחן: כל תרחיש הכנת נתונים ופריסת מודל ב-MLA-C01 מניח את S3 כתשתית הנתונים; storage classes, מדיניות lifecycle ודפוסי גישה עולים בדומיינים 1 ו-4.
שירות ETL serverless עם runtime מנוהל של Spark, Data Catalog, crawlers לגילוי סכמה, ו-Glue DataBrew לטרנספורמציה ב-low-code.
מדוע הוא במבחן: דומיין 1 נוקב ב-Glue ככלי ה-ETL וקטלוג הנתונים שברירת המחדל להעברת נתונים גולמיים לצורה שאימון SageMaker מצפה לה.
מנוע SQL אינטראקטיבי serverless מעל S3 (ומקורות מאוחדים), המשתמש ב-Glue Data Catalog לסכמה ועם תמחור pay-per-query.
מדוע הוא במבחן: Athena היא התשובה הצפויה כאשר שאלה שואלת איך להריץ SQL ad-hoc על נתוני אימון ב-S3 בלי להקים cluster — נפוץ בדומיין 1.
פלטפורמת Hadoop/Spark מנוהלת לעיבוד נתונים בקנה מידה גדול, התומכת ב-Spark MLlib, Hive, Presto ובאינטגרציית SageMaker Studio EMR.
מדוע הוא במבחן: EMR מופיע בתרחישי דומיין 1 שחורגים מקנה המידה של Glue או דורשים צינורות Spark MLlib מחוץ ל-SageMaker.
שירות streaming נתונים בזמן-אמת לקליטת clickstream, IoT ואירועי לוג בקנה מידה גדול, ניתן ל-replay בתוך חלון השמירה.
מדוע הוא במבחן: שאלות בדומיין 1 על קליטת פיצ׳רים ב-streaming (למשל זיהוי הונאה, רעננות המלצות) נוקבות ב-Kinesis כתשובה הילידית של AWS.
מחשוב serverless ל-inference מבוסס-אירועים, preprocessing קל, טריגרים של אירועי S3 ותפירה של קריאות SageMaker לתוך workflows עסקיים.
מדוע הוא במבחן: תרחישי פריסה בדומיין 3 מבחינים בין "לארח על נקודת קצה של SageMaker" לבין "לעטוף ב-Lambda" — שאלות על עלות, cold start וגודל payload נפוצות.
רישום קונטיינרים מנוהל לאימג׳י Docker שאותם ג׳ובי אימון, ג׳ובי עיבוד ונקודות קצה ל-inference של SageMaker מושכים בזמן ריצה.
מדוע הוא במבחן: דומיין 3 בוחן workflows של bring-your-own-container (BYOC) לאימון/inference מותאמים — ECR הוא הרישום הנקוב, המאוחסן ומשולב עם IAM.
מתזמר workflows serverless עם אינטגרציות ילידיות ל-SageMaker עבור אימון, batch transform, פריסת נקודות קצה והרכבת צעדי Lambda.
מדוע הוא במבחן: ההבחנה בין Step Functions (תזמור רב-שירותי) לבין SageMaker Pipelines (MLOps יליד ל-SageMaker) היא דפוס distractor חוזר בדומיין 3.
בקרת גישה לכל-החשבון: משתמשים, roles, מדיניות, federation והרשאות least-privilege עבור כל פעולה ב-SageMaker, S3 ובצינורות.
מדוע הוא במבחן: דומיין 4 (אבטחה) בוחן execution roles של IAM לאימון/inference, שיתוף מודלים בין-חשבונות ומדיניות מבוססת-משאב על אגם הנתונים.
יצירה ושליטה מנוהלות של מפתחות הצפנה המשמשים להצפנת נתוני אימון, ארטיפקטים של מודלים, נפחי EBS על מכונות אימון ו-payloads של נקודות קצה.
מדוע הוא במבחן: הצפנה-במנוחה עם מפתחות מנוהלי-לקוח היא התשובה הקנונית בדומיין 4 להגנה על קורפוסי אימון רגישים וקניין רוחני של מודלים.
מטריקות, לוגים והתראות עבור invocations של נקודות קצה ב-SageMaker, התקדמות ג׳ובי אימון, מטריקות מודל מותאמות ומשכי שלבי צינור.
מדוע הוא במבחן: דומיין 4 מצפה ל-CloudWatch להתראות על latency/שגיאות בנקודות קצה, troubleshooting של לוגי ג׳ובי אימון והצפת ממצאי Model Monitor לצוותי ops.
לוג ביקורת לכל-החשבון של כל קריאת API — מי הריץ ג׳וב אימון, מי עדכן נקודת קצה, מי הוריד ארטיפקטים של מודל מ-S3.
מדוע הוא במבחן: תרחישי תאימות בדומיין 4 נוקבים ב-CloudTrail כתיעוד הבלתי-משתנה הנדרש כדי לענות על "מי פרס את המודל הזה" ו"מתי ניגשו לנתוני האימון".
$120k–$165k–$230k USD שנתי
הטווח מכסה תפקידי MLE בינוניים עד בכירים בארה"ב הדורשים מיומנות ב-AWS. מהנדסי MLE בכירים בחברות FAANG / יוניקורן עולים לעיתים קרובות על $300k TC. שוקי כניסה ואזורים שאינם חופיים נוטים להיות נמוכים יותר. ההסמכה לבדה אינה מעלה שכר — היא משלימה תיק עבודות של מערכות ML שנשלחו לייצור.
מקור: תפקידי מהנדסי ML ב-levels.fyi 2025–2026, לשכת הסטטיסטיקה האמריקאית BLS OEWS מאי 2024 (15-2051 מדעני נתונים, 15-1252 מפתחי תוכנה). הנתונים משוערים; התגמול בפועל תלוי בתפקיד, באזור ובניסיון.
הביקוש למהנדסי ML שיכולים להכניס מודלים לייצור — ולא רק לאמן אותם במחברות — הואץ לאורך 2024–2026 כאשר ארגונים הפעילו עומסי עבודה של GenAI ו-ML קלאסי. MLA-C01 משמש כאות אמין לכך שמועמד מבין את SageMaker מקצה לקצה ויכול לנווט בפשרות MLOps. מגייסים בחברות ממוקדות AWS (שירותים פיננסיים, שירותי בריאות, צוותי נתונים קמעונאיים) משתמשים בה ככלי סינון לצד ניסיון ב-Python וב-PyTorch/TensorFlow. היא משתלבת באופן טבעי עם AI Practitioner (AIF-C01) ו-Data Engineer Associate (DEA-C01) לפרופיל רחב יותר של נתונים ו-ML. היא אינה מכשירה בפני עצמה מועמדים לתפקידי מחקר ML, עמדות מומחה ללמידה עמוקה, או תארי ארכיטקט פלטפורמת ML — אלה דורשים ניסיון של מספר שנים במערכות שנשלחו לייצור, ולעיתים קרובות גם תואר אקדמי מתקדם.
אין דרישות קדם רשמיות. AWS ממליצה על לפחות שנה אחת של ניסיון מעשי עם SageMaker ותהליכי עבודה של ML, יחד עם ידע עבודה ב-Python, ספריות ML נפוצות (scikit-learn, pandas, PyTorch או TensorFlow), וסטטיסטיקה בסיסית.
המסלול היעיל ביותר הוא לעבור תחילה את AIF-C01 (אוצר מילים בסיסי ב-AI), ולאחר מכן לבנות פרויקט SageMaker קטן מקצה לקצה — מאגר פיצ'רים, משימת אימון, רישום מודלים, נקודת קצה בזמן אמת, ניטור — לפני שניגשים ל-MLA-C01. מועמדים בעלי רקע ב-Cloud Practitioner (CLF-C02) או Solutions Architect Associate (SAA-C03) ימצאו את השאלות על שירותי AWS קלות בהרבה. רקע טהור במדעי הנתונים ללא חשיפה ל-AWS הוא נקודת ההתחלה הקשה ביותר ובדרך כלל דורש 80+ שעות של לימוד נוסף ספציפי לשירותים.
MLA-C01 מדורגת Associate וקשה באופן משמעותי מ-AIF-C01 מכיוון שהיא מניחה שליטה מעשית ב-SageMaker. תכננו 80–120 שעות במשך 8–12 שבועות אם יש לכם ניסיון קודם ב-ML אך חשיפה מוגבלת ל-AWS; 40–60 שעות במשך 4–6 שבועות אם אתם כבר עובדים מדי יום על צינורות ML ב-AWS. הבחינה כוללת 65 שאלות מדורגות ב-170 דקות — רב-ברירה ורב-תשובות, ללא מעבדות.
המכשול הנפוץ ביותר הוא רוחב השירותים המשניים של SageMaker (Studio, Pipelines, Feature Store, Model Registry, Clarify, Model Monitor, JumpStart, Canvas, Autopilot, Ground Truth) — שאלות לעיתים קרובות תלויות בבחירת הכלי הנכון לתרחיש מוגבל. המלכודת השנייה היא מצבי פריסה: לדעת בדיוק מתי להשתמש בנקודות קצה של real-time לעומת async לעומת serverless לעומת batch transform, ופשרות העלות והחביון של כל אחת מהן.
זמינות כללית ראשונית. בחינת בטא התקיימה באמצע 2024. מחליפה את Machine Learning Specialty (MLS-C01) הוותיקה יותר עבור מועמדים ממוקדי הנדסה. גרסה נוכחית נכון לאפריל 2026.
MLA-C01 (AWS Certified Machine Learning Engineer Associate) הוא מבחן ברמת Associate מבחן קשה במידה, המצפה לניסיון מעשי בתוספת הבנה מוצקה של שיטות עבודה מומלצות. רוב המועמדים זקוקים ל-80–150 שעות לימוד הפרוסות על פני 6–12 שבועות עבור מבחני רמת Associate. רוב המועמדים שמקבלים ציונים באופן עקבי מעל סף המעבר במבחני תרגול עוברים בניסיון הראשון.
רוב המועמדים זקוקים ל-80–150 שעות לימוד הפרוסות על פני 6–12 שבועות עבור מבחני רמת Associate. משך הזמן למעבר משתנה מאוד בהתאם לניסיון קודם. מהנדסים בעלי ניסיון מעשי בסביבת ייצור בטכנולוגיה הבסיסית זקוקים בדרך כלל לפחות זמן; מועמדים חדשים לפלטפורמה צריכים לתכנן את לימודיהם לכיוון הקצה העליון של טווח זה.
MLA-C01 הוא אישור מוכר במערכת האקולוגית של AWS ומסמן ידע מאומת למעסיקים, מגייסים ולקוחות. האם זה שווה את הזמן והעמלה עבורך תלוי בתפקיד ובמטרות שלך – זה נוטה להשתלם ביותר עבור מהנדסי ענן, אדריכלים ויועצים שעובדים עם AWS על בסיס יומיומי או רוצים לעבור לתפקידים כאלה.
ציון המעבר עבור MLA-C01 הוא 720 / 1000. המבחן מכיל 65 שאלות ונמשך 2 שע' 50 דק'.
עמלת מבחן ה-MLA-C01 היא $150 USD. העמלות נקבעות על ידי AWS ועשויות להשתנות לפי אזור; תמיד אשרו את המחיר הנוכחי בדף ההסמכה הרשמי של AWS לפני ההזמנה.
הסמכות AWS תקפות למשך 3 שנים. ניתן לחדש הסמכה על ידי מעבר הגרסה הנוכחית של אותו מבחן, או על ידי מעבר מבחן ברמה גבוהה יותר באותו מסלול לפני התפוגה.
כן. ניתן לגשת למבחן באופן מקוון (בפיקוח דרך הדפדפן המאובטח של הספק, זמין 24/7 ברוב האזורים) או במרכז בחינה פיזי של Pearson VUE בשעות הפעילות. שני הפורמטים משתמשים באותן שאלות, מגבלת זמן וציון מעבר.
CertLabPro מספק 15 מצבי לימוד על פני בנק השאלות לתרגול עבור MLA-C01. מצב סימולציית המבחן משקף את המבחן האמיתי: 65 שאלות ב-2 שע' 50 דק', עם אותו סף מעבר של 720 / 1000. מצב עיון מאפשר לך לקרוא כל שאלה ותשובה באופן סטטי.