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 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 2
Un administrateur doit gérer les accès à 50 pipelines SageMaker pour une équipe de 30 data scientists. Quel approche IAM minimiserait la complexité ?
  1. Créer un rôle IAM unique 'DataScientist' avec permissions SageMaker:DescribePipeline et SageMaker:ExecutePipeline
  2. Attribuer des permissions IAM individuelles par pipeline pour chaque data scientist
  3. Donner l'accès full AdministratorAccess à tous les data scientists pour flexibilité
  4. Stocker les credentials AWS dans le code des pipelines et partager les fichiers source
Question 3
Lors de l'entraînement d'un modèle XGBoost sur SageMaker, les données présentent un déséquilibre de classe 1:99. Quel ajustement hyper-paramètre réduirait le bias vers la classe majoritaire ?
  1. Augmenter scale_pos_weight proportionnellement au ratio de déséquilibre (≈99)
  2. Diminuer max_depth à 1 pour forcer un arbre de décision simple
  3. Augmenter learning_rate à 1.0 pour accélérer la convergence
  4. Réduire le nombre d'itérations de boosting à 10 maximum
Question 4
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 5
Pour un modèle de détection de fraude, lequel de ces seuils de confiance (threshold) maximiserait la valeur métier ?
  1. Threshold où le coût faux-positif × taux FP = coût faux-négatif × taux FN
  2. Toujours 0.5 car c'est le seuil par défaut probabiliste
  3. Le threshold le plus bas possible pour détecter toutes les fraudes (rappel max)
  4. Le threshold le plus haut pour minimiser les alertes à l'équipe fraude
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
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 8
Un administrateur SageMaker observe que son modèle de classification souffre d'overfitting important. Lequel de ces mécanismes est le MOINS efficace pour l'atténuer ?
  1. Appliquer l'augmentation de données (data augmentation) sur l'ensemble d'entraînement
  2. Augmenter la taille du dataset d'entraînement avec des exemples réels diversifiés
  3. Réduire la complexité du modèle en supprimant des couches cachées
  4. Augmenter l'hyperparamètre learning rate à 0.5 pour converger plus rapidement

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 ?