AWS MLA-C02 Örnek Sorular ve Sınav Rehberi (Beta)
AWS Certified Machine Learning Engineer Associate için 10 özgün MLA-C02 örnek sorusu; beta sınav bilgileri, dört alan ve MLA-C01'den farklar.
Bu yazıda
- MLA-C02 sınavına bir bakış
- Alan 1: Data Preparation for ML and AI
- Alan 2: ML Model and Foundation Model (FM) Development
- Alan 3: Deployment and Orchestration of ML and AI Workflows
- Alan 4: Operating, Monitoring, and Securing ML and AI Solutions
- MLA-C01'den MLA-C02'ye neler değişti?
- Kendini nasıl değerlendirirsin?
- Bu sorular nasıl yazıldı?
- Daha fazla MLA-C02 sorusu çöz
MLA-C02, AWS Certified Machine Learning Engineer - Associate sınavının güncellenmiş sürümü ve AWS şu anda bunu beta olarak yürütüyor. Aşağıda dört alana yayılan 10 özgün örnek soruyu cevapları ve açıklamalarıyla bulacaksın; ardından beta bilgileri ve MLA-C01'den farklar geliyor.
Kısaca
- MLA-C02, AWS üzerinde ML mühendisliğini ölçer: veri hatları, eğitim, dağıtım, izleme ve güvenlik; hem klasik ML hem foundation modeller için.
- Dört alanın üçü %24 ağırlıkta; veri hazırlama %28.
- Bir associate sınavı. AWS, SageMaker AI ve Bedrock ile en az 1 yıllık uygulama deneyimi öneriyor.
MLA-C02 sınavına bir bakış
Bilgiler AWS sertifika sayfasından ve MLA-C02 sınav rehberinden alındı, 2026-11-02 tarihinde kontrol edildi. Daha fazla ayrıntı ve çalışma planı için MLA-C02 sınav hazırlık sayfamıza bak. Hafta hafta bir program için MLA-C02 nasıl çalışılır yazısına bak.
| Bilgi | Resmi değer |
|---|---|
| Durum | Beta; genel kullanım tarihi açıklanacak |
| Beta formatı | 85 soru, 170 dakika, çoktan seçmeli ve çoklu seçimli |
| Beta ücreti | 75 USD |
| Dil | Beta süresince yalnızca İngilizce |
| Geçme puanı (sınav rehberi) | 100-1.000 ölçekli puan üzerinden 720 |
| Geçerlilik | 3 yıl |
| Alan | Ağırlık | Aşağıdaki sorular |
|---|---|---|
| 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 |
Alan 1: Data Preparation for ML and AI
Soru 1
Bir ekip, örneklerin %98'inin tek bir sınıfa ait olduğu bir veri kümesiyle model eğitiyor. Model %98 doğruluk alıyor ama nadir sınıfı hiç tespit edemiyor. Ekip önce ne yapmalı?
- A. %98 doğruluğu sonuç olarak raporlamalı
- B. Sınıf dengesizliğini örneğin yeniden örnekleme ile gidermeli ve precision ile recall üzerinden değerlendirmeli
- C. Nadir sınıfı veriden çıkarmalı
- D. Özellik sayısını bire düşürmeli
Cevap: B. Dengesiz veride doğruluk (accuracy) başarısızlığı gizler. Dengeyi yeniden kurmak (nadir sınıfı çoğaltmak ya da yaygın sınıfı azaltmak) ve precision, recall veya F1 ile değerlendirmek gerçek tabloyu gösterir.
- A yanlış, çünkü hep çoğunluk sınıfını tahmin eden bir model de %98 alır.
- C yanlış, çünkü önemli olan genellikle nadir sınıftır.
- D yanlış, çünkü daha az özellik dengesizliği çözmez.
Soru 2
Bir veri bilimci, geliştirdiği özellikleri hem eğitimde hem düşük gecikmeli çevrim içi tahminlerde, iki kez yeniden yazmadan kullanmak istiyor. Hangi yaklaşım uygun?
- A. Özellikleri Amazon SageMaker Feature Store gibi merkezi bir feature store'da saklamak
- B. Özellik tanımlarını uygulama ekibine e-postayla göndermek
- C. Özellikleri her notebook'ta elle yeniden hesaplamak
- D. Özellikleri yalnızca yerel CSV dosyalarında tutmak
Cevap: A. Feature store, her özelliğin tek ve yönetilen bir tanımını tutar ve hem çevrim dışı eğitim hem çevrim içi çıkarım için sunar; böylece eğitim-sunum sapması (training-serving skew) önlenir.
- B, C ve D yanlış, çünkü mantığı çoğaltırlar ve eğitim ile sunum özellikleri bu yüzden birbirinden uzaklaşır.
Soru 3
Bir ekip RAG uygulaması geliştiriyor ve modelin ilgili pasajları getirebilmesi için şirket belgelerini hazırlaması gerekiyor. Aşağıdakilerden hangisi bu hazırlığın bir adımıdır?
- A. Belgeleri parçalara (chunk) bölmek ve embedding'lerini bir vektör deposunda saklamak
- B. Bir sayfadan uzun tüm belgeleri silmek
- C. Her belgeyi görsele çevirmek
- D. Her belge için sıfırdan yeni bir model eğitmek
Cevap: A. RAG hazırlığında belgeler parçalara bölünür, parçalar embedding'e dönüştürülür ve vektör deposunda saklanır; böylece sorgu anında benzer pasajlar getirilebilir. Bkz. RAG nedir.
- B, C ve D yanlış, çünkü içeriği yok ederler, metni kaybettirirler ya da gereksiz pahalıdırlar.
Alan 2: ML Model and Foundation Model (FM) Development
Soru 4
Bir ekibin etiketli veri kümesi küçük ve hızlıca bir görüntü sınıflandırıcıya ihtiyacı var. Sıfırdan eğitim kötü sonuç veriyor. En etkili yaklaşım hangisi?
- A. Önceden eğitilmiş bir modelden transfer öğrenme kullanıp etiketli veriyle ince ayar (fine-tune) yapmak
- B. Daha fazla veri toplamayıp daha uzun eğitmek
- C. Doğrusal regresyon modeli kullanmak
- D. Etiketleri rastgele atamak
Cevap: A. Transfer öğrenme, modelin büyük bir veri kümesinde öğrendiği özellikleri yeniden kullanır; bu yüzden küçük bir etiketli küme uyarlama için yeter.
- B yanlış, çünkü az veriyle daha uzun eğitmek aşırı öğrenmeye (overfitting) yol açma eğilimindedir.
- C yanlış, çünkü regresyon sayı tahmin eder, görüntü sınıfı değil.
- D yanlış, çünkü rastgele etiketler hiçbir şey öğretmez.
Soru 5
Bir şirket, özetleme görevi için iki foundation modeli karşılaştırmak istiyor. En uygun değerlendirme yaklaşımı hangisi?
- A. İki modeli de aynı temsili test istemleriyle çalıştırıp sonuçları tanımlı metrikler veya insan ya da model tabanlı yargılama ile karşılaştırmak
- B. Adı daha uzun olan modeli seçmek
- C. Yalnızca modellerden birinin eğitim istemleriyle değerlendirmek
- D. İkisi de foundation model olduğu için değerlendirmeyi atlamak
Cevap: A. Sabit, temsili bir küme üzerinde net ölçütlerle değerlendir. Otomatik metrikler, insan değerlendiriciler veya bir yargıç model kullanılabilir; ideali hepsinin birlikte kullanılmasıdır.
- B, C ve D yanlış, çünkü geçerli bir değerlendirme değiller ya da bir modele doğru yanlıdırlar.
Alan 3: Deployment and Orchestration of ML and AI Workflows
Soru 6
Bir model öngörülemeyen trafik alıyor, uzun boşta kalma süreleri var ve istekler kısa bir cold start'a (soğuk başlangıç) tolerans gösterebiliyor. Hangi dağıtım seçeneği maliyeti en aza indirir?
- A. Serverless inference endpoint
- B. Çok sayıda örnekten oluşan büyük, sürekli açık gerçek zamanlı endpoint
- C. Trafik olmadığı halde 7/24 çalışan özel bir GPU örneği
- D. Modeli her istek için yeniden eğitmek
Cevap: A. Serverless inference boştayken sıfıra iner ve kullanıma göre ücretlendirilir; cold start'ı kabul edebilen kesintili trafiğe uygundur.
- B ve C yanlış, çünkü boştaki kapasiteye de ödeme yapılır.
- D yanlış, çünkü çıkarım için yeniden eğitim gerekmez.
Soru 7
Bir ekip, eğitim kodundaki her değişikliğin otomatik olarak testleri, bir eğitim hattını ve bir model kayıt (model registry) adımını tetiklemesini istiyor. Ne kurmalı?
- A. Bir ML hattı ve model registry ile entegre CI/CD hattı
- B. Haftalık elle doldurulan bir kontrol listesi
- C. Model sürümlerinin tutulduğu ortak bir tablo
- D. Herkesin düzenlediği tek bir notebook
Cevap: A. MLOps; derleme, test, eğitim, kayıt ve dağıtım adımlarını otomatikleştirir, böylece sürümler tekrarlanabilir ve denetlenebilir olur.
- B, C ve D yanlış, çünkü elle yapılırlar ve hataya açıktırlar.
Alan 4: Operating, Monitoring, and Securing ML and AI Solutions
Soru 8
Dağıtılmış bir modelin doğruluğu, müşteri davranışı eğitimden bu yana değiştiği için yavaş yavaş düşüyor. Buna ne denir ve ne kurulmalı?
- A. Veri kayması (data drift); girdi ve tahmin dağılımlarını izlemeli ve yeniden eğitimi tetiklemeli
- B. Aşırı öğrenme; daha fazla katman eklemeli
- C. Yetersiz öğrenme; veriyi azaltmalı
- D. Gecikme; daha fazla depolama eklemeli
Cevap: A. Üretim verisinin eğitim verisinden uzaklaşmasına drift denir. İzleme (örneğin SageMaker Model Monitor ile) bunu yakalar ve yeniden eğitim yapabilirsin.
- B ve C yanlış, çünkü eğitim sırasındaki uyum sorunlarını anlatırlar.
- D yanlış, çünkü gecikme hızla ilgilidir, doğrulukla değil.
Soru 9
SageMaker AI'daki bir eğitim işinin bir S3 bucket'ından veri okuması gerekiyor. Hangi yaklaşım en az ayrıcalık (least-privilege) ilkesine uyar?
- A. İşe, yalnızca o bucket ve prefix'e erişim veren bir IAM rolü bağlamak
- B. Uzun ömürlü erişim anahtarlarını eğitim koduna gömmek
- C. Bucket'ı herkese açık yapmak
- D. İşe yönetici erişimi vermek
Cevap: A. Dar kapsamlı izinlere sahip bir yürütme rolü geçici kimlik bilgileri sağlar ve olası bir hatanın zararını sınırlar.
- B yanlış, çünkü koda gömülü anahtarlar kolayca sızar.
- C ve D yanlış, çünkü gerekenden çok daha fazla erişim verirler.
Soru 10
Bir şirket, VPC'si ile model endpoint'leri arasındaki trafiğin genel internete çıkmamasını istiyor. Hangi seçenek yardımcı olur?
- A. Servis için VPC interface endpoint'leri (AWS PrivateLink) kullanmak
- B. Endpoint'in URL'sini herkese açık bir web sitesine koymak
- C. Şifrelemeyi kapatmak
- D. Tüm security group portlarını açmak
Cevap: A. Interface VPC endpoint'leri, security group'lar ve şifrelemeyle birlikte trafiği AWS ağında tutar.
- B, C ve D yanlış, çünkü maruziyeti artırırlar.
MLA-C01'den MLA-C02'ye neler değişti?
AWS, MLA-C01 ve MLA-C02 karşılaştırmasını yayımlıyor. Kısacası güncellenen sınav, klasik ML'in yanına foundation modelleri ve üretken yapay zekayı, agent tabanlı iş akışları dahil, ekliyor. İngilizce MLA-C01, AWS'ye göre 28 Eylül 2026'dan sonra alınamıyor. Daha önce kazandığın sertifikalar tam süreleri boyunca geçerli kalır.
Kendini nasıl değerlendirirsin?
- 9-10 doğru: tam uzunlukta, süreli denemelere geç ve sınav rehberindeki alanları gözden geçir.
- 6-8 doğru: kaçırdığın alanların görev tanımlarını yeniden oku.
- 5 veya daha az: bu sınav SageMaker AI ve Bedrock ile uygulama deneyimi varsayar. Yolun başındaysan önce AWS AI Practitioner (AIF-C01) sınavına gir. Bkz. önce hangi yapay zeka sertifikası alınmalı.
Bu sorular nasıl yazıldı?
TokIQ Editorial bu soruları MLA-C02 sınav rehberindeki alanlardan ve görev tanımlarından yola çıkarak yazdı. Gerçek sınav soruları değildir. Sınav bilgileri 2026-11-02 tarihinde kontrol edildi; beta ayrıntıları değişebilir. TokIQ bağımsız bir hazırlık uygulamasıdır; Amazon Web Services ile bağlantısı veya onayı yoktur.
Daha fazla MLA-C02 sorusu çöz
TokIQ (Google Play'de, iPhone için yakında) kısa günlük oturum, aralıklı tekrar, alan başına hazırlık skoru, deneme sınavları ve kendi dilinde açıklamalar sunan bir MLA-C02 hazırlık modu (beta) içeriyor.
Sık sorulan sorular
MLA-C02 nedir?
MLA-C02, AWS Certified Machine Learning Engineer - Associate sınavının güncellenmiş sürümüdür. Klasik makine öğrenmesini ve foundation modelleri kapsar: veri hazırlama, model geliştirme, dağıtım ve orkestrasyon, ML ve yapay zeka çözümlerinin işletilmesi ve güvenliği (AWS sınav rehberi, 2026-11-02'de kontrol edildi).
MLA-C02 hâlâ beta sınav mı?
2026-11-02 itibarıyla AWS sertifika sayfası MLA-C02 beta kaydının açık olduğunu söylüyor: 85 soru, 170 dakika, 75 USD beta ücreti, yalnızca İngilizce. Genel kullanıma açılış tarihi açıklanmadı.
MLA-C02 geçme notu nedir?
Sınav rehberi 100-1.000 arası ölçekli puan ve en az 720 geçme puanı belirtiyor. Rehbere göre geçti/kaldı ayrımı beta sürümde uygulanmıyor; puanlama telafi edicidir, yani sınavı bütün olarak geçersin, her alanı ayrı ayrı değil.
MLA-C02, AI Practitioner sınavından zor mu?
Farklı bir seviyeyi hedefliyor. AIF-C01 temel seviyedir ve doğru yapay zeka servisini seçmekle ilgilidir. MLA-C02, Amazon SageMaker AI, Amazon Bedrock ve diğer AWS ML servislerini en az 1 yıl kullanmış kişilere yönelik bir associate sınavıdır; uygulamaya dönük mühendislik senaryoları bekle.
Bunlar gerçek MLA-C02 sınav soruları mı?
Hayır. 10 sorunun hepsini TokIQ Editorial, herkese açık sınav rehberinden yola çıkarak yazdı. AWS sınav içeriğini gizli tutar; gerçek soru diye satılan setler kestirme yol değil, risktir.
- #MLA-C02
- #AWS Machine Learning Engineer Associate
- #örnek sorular
- #sertifika hazırlığı