AWS MLA-C02 sınaq sualları və imtahan bələdçisi (Beta)
AWS Certified Machine Learning Engineer Associate üçün 10 orijinal MLA-C02 sınaq sualı, beta imtahanın faktları, dörd domen və MLA-C01-dən fərqlər.
Bu məqalədə
- MLA-C02 imtahanı qısa baxışda
- Domen 1: Data Preparation for ML and AI
- Domen 2: ML Model and Foundation Model (FM) Development
- Domen 3: Deployment and Orchestration of ML and AI Workflows
- Domen 4: Operating, Monitoring, and Securing ML and AI Solutions
- MLA-C01-dən MLA-C02-yə nə dəyişdi
- Özünü necə qiymətləndirməli
- Bu suallar necə yazılıb
- Daha çox MLA-C02 sualı ilə məşq et
MLA-C02 AWS Certified Machine Learning Engineer - Associate imtahanının yenilənmiş versiyasıdır və AWS hazırda onu beta olaraq keçirir. Aşağıda dörd domen üzrə 10 orijinal sınaq sualı cavab və izahları ilə verilib, sonra beta faktları və MLA-C01-dən nəyin dəyişdiyi gəlir.
Əsas nəticələr
- MLA-C02 AWS-də ML mühəndisliyini yoxlayır: data pipeline-ları, təlim, deployment, monitorinq və təhlükəsizlik, həm klassik ML, həm də foundation modelləri üçün.
- Dörd domendən üçü 24%, data hazırlığı isə 28% çəkiyə malikdir.
- Bu associate imtahandır. AWS SageMaker AI və Bedrock ilə ən azı 1 illik praktiki təcrübə tövsiyə edir.
MLA-C02 imtahanı qısa baxışda
Faktlar AWS sertifikat səhifəsindən və MLA-C02 imtahan bələdçisindən götürülüb və 2026-11-02 tarixində yoxlanılıb. Ətraflı məlumat və hazırlıq planı MLA-C02 hazırlıq səhifəmizdədir. Həftə-həftə cədvəl üçün MLA-C02-yə necə hazırlaşmaq olar yazısına baxın.
| Fakt | Rəsmi dəyər |
|---|---|
| Status | Beta; ümumi əlçatanlıq tarixi sonradan elan olunacaq |
| Beta formatı | 85 sual, 170 dəqiqə, tək və çox seçimli |
| Beta qiyməti | 75 USD |
| Dil | Beta müddətində yalnız ingilis dili |
| Keçid balı (imtahan bələdçisi) | 100-1.000 şkalasında 720 |
| Etibarlılıq | 3 il |
| Domen | Çəki | Aşağıdakı suallar |
|---|---|---|
| 1. Data Preparation for ML and AI | 28% | 1-3 |
| 2. ML Model and Foundation Model (FM) Development | 24% | 4-5 |
| 3. Deployment and Orchestration of ML and AI Workflows | 24% | 6-7 |
| 4. Operating, Monitoring, and Securing ML and AI Solutions | 24% | 8-10 |
Domen 1: Data Preparation for ML and AI
Sual 1
Komanda nümunələrin 98%-i bir sinfə aid olan datasetdə model təlim edir. Model 98% accuracy göstərir, lakin nadir sinfi heç vaxt aşkarlamır. Əvvəlcə nə etməlidirlər?
- A. 98% accuracy-ni nəticə kimi təqdim etmək
- B. Sinif balanssızlığını aradan qaldırmaq, məsələn resampling ilə, və precision ilə recall üzrə qiymətləndirmək
- C. Nadir sinfi datadan silmək
- D. Feature sayını birə endirmək
Cavab: B. Balanssız datada accuracy uğursuzluğu gizlədir. Yenidən balanslaşdırma (nadir sinfi oversampling, geniş yayılmışı undersampling) və qiymətləndirməni precision, recall və ya F1 ilə aparmaq real mənzərə verir.
- A səhvdir, çünki həmişə çoxluq sinfini proqnozlaşdıran model də 98% alır.
- C səhvdir, çünki əksərən vacib olan məhz nadir sinifdir.
- D səhvdir, çünki az feature balanssızlığı həll etmir.
Sual 2
Data scientist eyni mühəndislik olunmuş feature-ları həm təlim üçün, həm də aşağı gecikməli onlayn proqnozlar üçün iki dəfə yenidən yazmadan istifadə etmək istəyir. Hansı yanaşma uyğundur?
- A. Feature-ları Amazon SageMaker Feature Store kimi mərkəzi feature store-da saxlamaq
- B. Feature təriflərini e-poçtla tətbiq komandasına göndərmək
- C. Feature-ları hər notebook-da əllə yenidən hesablamaq
- D. Feature-ları yalnız lokal CSV fayllarında saxlamaq
Cavab: A. Feature store hər feature üçün tək idarə olunan tərifi saxlayır və onu həm offline təlim, həm də onlayn inference üçün təqdim edir. Bu, training-serving skew-in qarşısını alır.
- B, C və D səhvdir, çünki məntiqi təkrarlayır, təlim və serving feature-ları da məhz belə bir-birindən uzaqlaşır.
Sual 3
Komanda RAG tətbiqi qurur və modelin uyğun hissələri tapa bilməsi üçün şirkət sənədlərini hazırlamalıdır. Bu hazırlığın hansı addımıdır?
- A. Sənədləri chunk-lara bölmək və embedding-lər yaradıb vector store-da saxlamaq
- B. Bir səhifədən uzun bütün sənədləri silmək
- C. Hər sənədi şəkilə çevirmək
- D. Hər sənəd üçün sıfırdan yeni model təlim etmək
Cavab: A. RAG hazırlığında sənədlər chunk-lara bölünür, chunk-lar embedding-ə çevrilir və vector store-da saxlanılır ki, sorğu zamanı oxşar hissələr tapıla bilsin. Bax: RAG nədir.
- B, C və D səhvdir, çünki məzmunu məhv edir, mətni itirir və ya lazımsız dərəcədə bahalıdır.
Domen 2: ML Model and Foundation Model (FM) Development
Sual 4
Komandanın kiçik etiketli dataseti var və tez bir şəkildə şəkil klassifikatoru lazımdır. Sıfırdan təlim zəif nəticə verir. Ən effektiv yanaşma hansıdır?
- A. Əvvəlcədən təlim olunmuş modeldən transfer learning istifadə edib onu etiketli data üzərində fine-tune etmək
- B. Əlavə data toplamamaq və daha uzun təlim etmək
- C. Linear regression modelindən istifadə etmək
- D. Etiketləri təsadüfi təyin etmək
Cavab: A. Transfer learning modelin böyük datasetdə öyrəndiyi feature-ları təkrar istifadə edir, ona görə modeli uyğunlaşdırmaq üçün kiçik etiketli dəst kifayət edir.
- B səhvdir, çünki çox az data ilə daha uzun təlim overfitting-ə gətirib çıxarır.
- C səhvdir, çünki regression rəqəmləri proqnozlaşdırır, şəkil siniflərini yox.
- D səhvdir, çünki təsadüfi etiketlər heç nə öyrətmir.
Sual 5
Şirkət xülasə tapşırığı üçün iki foundation modeli müqayisə etmək istəyir. Ən uyğun qiymətləndirmə yanaşması hansıdır?
- A. Hər iki modeli eyni təmsilçi test prompt-ları üzərində işlədib nəticələri müəyyən edilmiş metriklər və ya insan ya da model əsaslı qiymətləndirmə ilə müqayisə etmək
- B. Adı daha uzun olan modeli seçmək
- C. Yalnız bir modelin təlim prompt-ları üzərində qiymətləndirmək
- D. Hər ikisi foundation model olduğu üçün qiymətləndirməni atlamaq
Cavab: A. Sabit, təmsilçi dəstdə və aydın meyarlarla qiymətləndir. Avtomatik metriklər, insan rəyçilər və ya hakim model istifadə oluna bilər, ideal halda birlikdə.
- B, C və D səhvdir, çünki ya düzgün qiymətləndirmə deyil, ya da bir modelə qarşı meyllidir.
Domen 3: Deployment and Orchestration of ML and AI Workflows
Sual 6
Model proqnozlaşdırılmaz trafik alır, uzun boş dövrlər olur və sorğular qısa cold start-a dözə bilir. Hansı deployment seçimi xərci minimuma endirir?
- A. Serverless inference endpoint
- B. Çoxlu instance-lı böyük, daim açıq real-time endpoint
- C. Trafik olmadan 24/7 işləyən xüsusi GPU instance
- D. Hər sorğu üçün modeli yenidən təlim etmək
Cavab: A. Serverless inference boş qaldıqda sıfıra qədər miqyaslanır və yalnız istifadəyə görə ödəniş alır. Bu, cold start-ı qəbul edə bilən fasilələrlə gələn trafikə uyğundur.
- B və C səhvdir, çünki boş tutumun pulunu ödəyir.
- D səhvdir, çünki inference yenidən təlim tələb etmir.
Sual 7
Komanda təlim kodundakı hər dəyişikliyin avtomatik olaraq testləri, təlim pipeline-ını və model-registry addımını işə salmasını istəyir. Nə qurmalıdırlar?
- A. ML pipeline və model registry ilə inteqrasiya olunmuş CI/CD pipeline
- B. Həftəlik əl ilə yoxlama siyahısı
- C. Model versiyalarının ortaq cədvəli
- D. Hamının redaktə etdiyi tək notebook
Cavab: A. MLOps build, test, təlim, qeydiyyat və deploy addımlarını avtomatlaşdırır ki, buraxılışlar təkrarlana bilən və izlənə bilən olsun.
- B, C və D səhvdir, çünki əl ilə aparılır və səhvə meyllidir.
Domen 4: Operating, Monitoring, and Securing ML and AI Solutions
Sual 8
Deploy olunmuş modelin accuracy-si yavaş-yavaş düşür, çünki təlimdən sonra müştəri davranışı dəyişib. Buna nə deyilir və nə qurulmalıdır?
- A. Data drift; giriş və proqnoz paylanmalarını monitorinq etmək və yenidən təlimi işə salmaq
- B. Overfitting; daha çox layer əlavə etmək
- C. Underfitting; datanı azaltmaq
- D. Latency; daha çox saxlama əlavə etmək
Cavab: A. Production datasının təlim datasından uzaqlaşması drift adlanır. Monitorinq (məsələn SageMaker Model Monitor ilə) onu aşkarlayır ki, yenidən təlim edə biləsən.
- B və C səhvdir, çünki təlim zamanı uyğunluq problemlərini təsvir edir.
- D səhvdir, çünki latency sürətə aiddir, dəqiqliyə yox.
Sual 9
SageMaker AI-da təlim job-u S3 bucket-dan data oxumalıdır. Hansı yanaşma least-privilege təhlükəsizliyinə uyğundur?
- A. Job-a yalnız həmin bucket və prefiksə giriş verən IAM role əlavə etmək
- B. Uzunmüddətli access key-ləri təlim koduna yerləşdirmək
- C. Bucket-i public etmək
- D. Job-a administrator girişi vermək
Cavab: A. Dar çərçivəli icazələri olan execution role müvəqqəti credential verir və hər hansı səhvin ziyanını məhdudlaşdırır.
- B səhvdir, çünki koda yazılmış key-lər asanlıqla sızır.
- C və D səhvdir, çünki lazım olandan qat-qat çox giriş verir.
Sual 10
Şirkət VPC-si ilə model endpoint-ləri arasındakı trafikin açıq internetdən kənarda qalmasını istəyir. Hansı seçim kömək edir?
- A. Xidmət üçün VPC interface endpoint-lərindən (AWS PrivateLink) istifadə etmək
- B. Endpoint URL-ni açıq veb saytda yerləşdirmək
- C. Şifrələməni söndürmək
- D. Bütün security group portlarını açmaq
Cavab: A. Interface VPC endpoint-ləri trafiki AWS şəbəkəsində saxlayır, security group-lar və şifrələmə ilə birlikdə.
- B, C və D səhvdir, çünki təhlükə səthini artırır.
MLA-C01-dən MLA-C02-yə nə dəyişdi
AWS MLA-C01 və MLA-C02 müqayisəsini dərc edib. Qısası, yenilənmiş imtahan klassik ML ilə yanaşı foundation modellərini və generative AI-ı, o cümlədən agentic workflow-ları əlavə edir. İngilis dilində MLA-C01 2026-cı il sentyabrın 28-dən sonra əlçatan olmadı (AWS-ə görə). Artıq qazandığın sertifikatlar tam müddətinə qədər etibarlı qalır.
Özünü necə qiymətləndirməli
- 9-10 düzgün: tam uzunluqlu, vaxt məhdudiyyətli məşqə keç və imtahan bələdçisindəki domenləri nəzərdən keçir.
- 6-8 düzgün: buraxdığın domenlər üzrə task statement-ləri yenidən oxu.
- 5 və ya az: bu imtahan SageMaker AI və Bedrock ilə praktiki təcrübəni fərz edir. Yolun əvvəlindəsənsə, əvvəlcə AWS AI Practitioner (AIF-C01) imtahanını ver. Bax: hansı AI sertifikatından başlamaq lazımdır.
Bu suallar necə yazılıb
TokIQ Editorial bu sualları MLA-C02 imtahan bələdçisindəki domenlər və tapşırıq sahələri əsasında yazıb. Bunlar real imtahan sualları deyil. İmtahan faktları 2026-11-02 tarixində yoxlanılıb, beta təfərrüatları dəyişə bilər. TokIQ müstəqil məşq tətbiqidir, Amazon Web Services ilə əlaqəli deyil və onun tərəfindən təsdiqlənməyib.
Daha çox MLA-C02 sualı ilə məşq et
TokIQ-da (Google Play-də, tezliklə iPhone-da) MLA-C02 hazırlıq rejimi (beta) var: qısa gündəlik sessiya, aralıklı təkrar, hər domen üzrə hazırlıq balı, mock imtahanlar və öz dilində izahlar.
Tez-tez verilən suallar
MLA-C02 nədir?
MLA-C02 AWS Certified Machine Learning Engineer - Associate imtahanının yenilənmiş versiyasıdır. Klassik ML və foundation modelləri əhatə edir: data hazırlığı, model hazırlanması, deployment və orkestrasiya, ML və AI həllərinin idarə olunması və təhlükəsizliyi (AWS imtahan bələdçisi, 2026-11-02 tarixində yoxlanılıb).
MLA-C02 hələ də beta imtahandır?
2026-11-02 tarixinə AWS sertifikat səhifəsində MLA-C02 beta üçün qeydiyyatın açıq olduğu yazılıb: 85 sual, 170 dəqiqə, beta qiyməti 75 USD, yalnız ingilis dilində. Ümumi əlçatanlıq tarixi elan edilməyib.
MLA-C02 üçün keçid balı nə qədərdir?
İmtahan bələdçisində 100-1.000 şkalası üzrə minimum keçid balı 720 göstərilir. Bələdçidə qeyd olunur ki, keçdi/kəsildi statusu beta versiyaya aid deyil. Qiymətləndirmə kompensasiyalıdır, yəni hər domendən ayrıca yox, imtahanı bütövlükdə keçirsən.
MLA-C02 AI Practitioner imtahanından çətindir?
Fərqli səviyyəni hədəfləyir. AIF-C01 foundational imtahandır və düzgün AI xidmətini seçməyə yönəlib. MLA-C02 isə Amazon SageMaker AI, Amazon Bedrock və digər AWS ML xidmətləri ilə ən azı 1 il təcrübəsi olanlar üçün associate imtahandır, ona görə praktiki mühəndislik ssenarilərini gözlə.
Bunlar MLA-C02 imtahanının real sualları dir?
Xeyr. 10 sualın hamısını TokIQ Editorial açıq imtahan bələdçisinə əsasən yazıb. AWS imtahan məzmununu məxfi saxlayır, ona görə real sual kimi satılan dəstlər qısa yol yox, risk deməkdir.
- #MLA-C02
- #AWS Machine Learning Engineer Associate
- #sınaq sualları
- #sertifikat imtahanına hazırlıq