Accueil › Certifications › MLA-C01 › Questions gratuites

Questions gratuites MLA-C01 — AWS Certified Machine Learning Engineer — Associate

Téléchargez gratuitement 42 questions d'entraînement pour la certification MLA-C01 proposée par AWS. Toutes les questions sont accompagnées de corrections détaillées avec explications techniques.

Caractéristiques de l'examen blanc

Code de certificationMLA-C01
ÉditeurAWS
Nombre de questions42
TypeQCM avec 4 réponses possibles
Niveauassociate
CatégorieIT
Prix100% gratuit

Aperçu de 8 questions représentatives

Voici un échantillon aléatoire de 8 questions tirées de notre base d'entraînement MLA-C01. Pour accéder aux 42 questions complètes, lancez l'examen blanc gratuitement.

Question 1
Un administrateur doit choisir entre SageMaker Model Registry vs S3 pour versionner les modèles. Quel est le facteur décisif ?
  1. Model Registry offre metadata, lineage et approbations de déploiement; S3 est juste stockage
  2. S3 est gratuit tandis que Model Registry coûte extra
  3. Model Registry supporte uniquement TensorFlow; S3 tous les frameworks
  4. Le choix dépend uniquement du nombre total de modèles versionnés
Question 2
Une entreprise doit classifier 100M de transactions avec SageMaker Real-time Endpoint. Le modèle pèse 2GB. Quel type d'instance minimiserait le coût sans sacrifier la p99 latence < 50ms ?
  1. ml.c5.xlarge avec provisioned throughput et content-based caching CloudFront
  2. ml.p3.2xlarge avec GPU A100 pour la plus grande vitesse inférence
  3. ml.m5.large avec auto-scaling agressif déclenchée sur queue depth
  4. ml.inf1.xlarge avec batch predictions asynchrone de 1000 requêtes
Question 3
Un équipe ML doit gérer 100+ expériences SageMaker avec des paramètres hétérogènes. Quelle approche maximiserait la traçabilité et reproductibilité ?
  1. SageMaker Experiments avec configurations stockées dans Git, hyperparamètres version-contrôlés
  2. Créer des notebooks Jupyter distinct pour chaque configuration avec commentaires docs
  3. Stocker les configurations en JSON dans des répertoires S3 avec dates dans les noms
  4. Utiliser DynamoDB pour logger les runs avec clés composites user#timestamp
Question 4
Une organisation collecte logs opérationnels avec millions de lignes/jour. Quel service AWS permettrait détection d'anomalies temps réel ML ?
  1. Amazon CloudWatch Logs Insights + Custom Anomaly Detector Lambda avec SageMaker model
  2. AWS S3 Select avec requêtes SQL sur logs archivés quotidiennement
  3. Importer logs dans RDS PostgreSQL et exécuter manually des queries anomaly detection
  4. Utiliser AWS WAF rules fixes pour détecter anomalies sans ML
Question 5
Un pipeline d'entraînement SageMaker exécute 1000 trials d'hyperparamètres avec coût $5000. Quel service optimiserait drastiquement ce coût ?
  1. SageMaker Hyperparameter Tuning avec Bayesian Optimization réduit trials à ~200 pour même performance
  2. Utiliser m5.large pour tous les trials; ml.c5.2xlarge était trop puissant
  3. Paralléliser 1000 trials simultanément sur EC2 Spot pour réduire de 80% le coût
  4. Exécuter uniquement 50 trials avec les hyperparamètres par défaut de XGBoost
Question 6
Une équipe doit automatiser le re-entraînement d'un modèle quand la dérive de données est détectée. Quel orchestre serait le plus robuste ?
  1. SageMaker Pipelines avec étapes monitoring (CloudWatch, Model Monitor) et condition-based triggers
  2. Lambda cron job mensuel qui re-entraîne sans vérifier les performances antérieures
  3. Script bash manuel déclenché par email quand les données 'semblent mauvaises'
  4. EventBridge asynchrone avec SQS queue et Lambda consumer; sans logging
Question 7
Un modèle déployé en production prédit avec une probabilité moyenne de 0.501 pour la classe positive. Quel diagnostic est le plus probable ?
  1. Le modèle a convergé vers un classificateur quasi-aléatoire; vérifier la séparation des classes d'entraînement
  2. Les données d'entraînement manquent de normalization; régulariser immédiatement
  3. Le model size est trop petit; augmenter le nombre de paramètres
  4. Le learning rate était trop faible; recommencer l'entraînement avec lr=0.1
Question 8
Un administrateur détecte qu'un modèle SageMaker perd 5% d'accuracy par trimestre. Quel plan de mitigation serait le plus durable ?
  1. Mettre en place monitoring continu, collecter étiquetage nouveau données, re-entraîner tous les mois
  2. Rejeter les prédictions avec confiance < 0.9 pour forcer un taux d'erreur de 10%
  3. Réentraîner le modèle une seule fois avec l'ensemble complet historique
  4. Augmenter simplement le learning rate et continuer avec les mêmes données

Accédez aux 42 questions complètes gratuitement

Aucune carte bancaire requise. Examen chronométré, corrections détaillées, score final.

Lancer l'examen blanc MLA-C01 →

Pourquoi s'entraîner avec Certifexpress ?