Level とは ?
難易度は Level 1(やさしめ)〜Level 5(難関) の5段階です。
AWS MLA-C02
50問は会員登録なしで解答できます。
受験日が明日でも、先生が今夜の分を組みます。公式の出題範囲のうち、出る所から先に解く順番を組みます。
AWS Certified Machine Learning Engineer – Associate(MLA-C02)
公式の配点比率に沿って収録しています
| 分野 | 公式の配点 | 収録の配分 | 問数 |
|---|---|---|---|
| ML と AI のためのデータの準備 | 28% | 28% | 200 |
| ML モデルと基盤モデル (FM) の開発 | 24% | 24% | 172 |
| ML と AI のワークフローのデプロイとオーケストレーション | 24% | 24% | 172 |
| ML と AI のソリューションの運用、モニタリング、保護 | 24% | 24% | 171 |
公開前に、公式の配点との差を検査しています。
この資格にも、全141資格を知る先生が付きます。持っている資格をもとに、受験日までの計画を組みます。この50問は、販売中の全715問から取り出した、有料分と同じ収録問題です。出題分野の配分も、公式が公表している本番の出題比率に合わせて選んでいます。
税込・買い切り・追加課金なし
購入には無料の会員登録が必要です(Google アカウントならワンクリックで登録でき、そのまま決済画面へ進みます)。
この価格に、下の全部が入っています
問題715問も、教科書も、模試も、これ一冊。
この教材だけで、合格ラインまで。
本番の形式:1 回 65 問・130 分・合格ライン 720点(100〜1,000点の換算スコア)
問題と解説
全715問
- 選択式 全715問 :本番形式の模試11回分・スマホで1問ずつ・進捗は自動保存
模試 11 回
1 回 65問・本番 130分
テキスト 3 点
学習用テキスト・頻出度別ノート・暗記用ノート
- テキスト3点(PDF) :参考書の買い足し不要。収録問題はテキストだけで解けるよう検品済み
第2回以降をまとめて解放
買うと、有料 10 回 650 問の模試(第2〜11回)・テキスト3点(PDF)が使えます。
ご購入で使える物
- 本番形式の模試 第2〜11回(全11回)
- テキスト3点(PDF・参考書の買い足し不要)
最終更新: 2026-10-03(模試の回ごとの組み合わせを見直しました)
税込・買い切り
部署・研修でまとめて使う場合は 法人まとめ買い(引き換えコード) をご覧ください。
- クレジットカードで決済します(Stripe の決済ページ)
- 決済が終わると、お使いのアカウントにすぐ解放されます
- 全 11 回・715 問の模試を、いつでも何度でも受けられます
- 購入者限定テキスト3点(PDF)を、このページからダウンロードできます

買うと、家庭教師がつきます。
先生が決めるのは、毎日解く問題と、間違えた問題を出し直す日です。受験前の学習の段取りを組む機能です。
続きを読む ↓閉じる ↑
買ったあと受験日を入れると、マイページに「今日の分 ○ 問・約 ○ 分」が表示されます。間違えた問題は 1・3・7 日後にもう一度出題されます。
忙しい日は「今日は休む」を押すと、残りの日で組み直します。
この資格と重なる資格
MLA-C01 の後継として、従来の機械学習に加えて基盤モデルと生成 AI の実装力を問う AWS 認定のアソシエイト資格です。
続きを読む ↓閉じる ↑
SageMaker AI と Amazon Bedrock を軸に、データの準備、モデルの学習と評価、基盤モデルの選定とカスタマイズ、RAG とエージェント、デプロイと監視までを扱います。
正式版と同じ 1 回 65 問・130 分の模試で、択一と複数選択が出ます。合格ラインは 1,000 点満点中 720 点です。
日本語の試験は 2027 年初頭の正式版からで、それまでは MLA-C01 が日本語の試験です。
主な学習トピック
- ML と AI のためのデータの準備(28%・取り込みと保存・変換と特徴量・データ品質とバイアス)
- ML モデルと基盤モデル (FM) の開発(24%・モデルと FM の選定・学習とカスタマイズ・評価)
- ML と AI のワークフローのデプロイとオーケストレーション(24%・デプロイ基盤・IaC・CI/CD)
- ML と AI のソリューションの運用、モニタリング、保護(24%・監視・コスト・セキュリティ)
AWS MLA-C02 の模試を解く
全 715 問を、本番形式の模試 11 回に分けました。50問は会員登録なしで解答できます。模試の第1回(65問)は、無料の会員登録で利用できます。
登録なしで解く
会員登録(無料)で解く
購入者限定テキスト(3点)
購入者限定テキスト(3点)
問題集のご購入で、AWS MLA-C02の学習テキスト3点(PDF)をダウンロードできます。
続きを読む ↓閉じる ↑
この3点は参考書の買い足しが要らないように作っています。収録しているすべての問題を、テキストの記述だけで解けるところまで、問題との突き合わせ検品を重ねて仕上げました。
学習用テキストと頻出度別ノート、暗記用ノートの3冊と問題演習で、合格ラインまでここで完結します。
形式はPDFです。スマホに保存しておけばログインなしでいつでも見返せますし、紙で勉強したい方は印刷して紙のテキストとしても使えます。
3冊の使い方
- 学習用を読む
- 頻出度別で解き方を掴む
- 問題演習で腕試し
- 頻出度別に戻って再確認(試験直前もここ)
暗記用ノートは、空き時間の反復と用語の確認に使います。
スマホ・タブレットはA5版、PCはA4版が読みやすい設計です。
学習用テキストには図解を20枚収録しています(構成図・流れ図・対応表など、本文の理解を助ける技術図解です)。
- 学習用テキストサイト・PDFこれだけで問題が解けるようになる本編テキスト。サイトでは章ごとに読め、読んだ章に印が付きます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
- 頻出度別ノートサイト・PDFテキストを読んだら次はこれ。頻出順に絞った問題と解説で「解ける」に橋渡しします。試験直前の最終チェックにも。サイトでは答えを押して開きながら解答できます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
- 暗記用ノートサイト・PDF覚えるべき要点だけを一問一答に凝縮。空き時間の反復と用語の再確認用です。サイトでは問いの下の答えを押して開きながら覚えます。PDF(スマホ・タブレット版/PC版)でも保存できます。購入で解放
テキストはご購入者本人の学習用です。PDFの各ページにはご購入者を識別できる透かしが入ります。再配布・転載・AI学習利用はできません。
改訂の履歴
- 2026年10月3日:模試の回ごとの組み合わせを見直しました
- 2026年10月3日:問題を追加しました
ご購入済みの方は、最新版をお使いいただけます。
見本 10 問(無料 50 問から)
問 1. ある会社は、Amazon Bedrock の FM を使う社内アプリケーションを運用している。利用が集中する時間帯に、応答が返らないという報告が増えた。運用チームは、呼び出しのうちスロットリングされたものの数を CloudWatch のメトリクスで時間ごとに確かめ、クォータの引き上げを申請するか判断したい。見るべきメトリクスはどれか。
- Invocation4XXErrors
- InvocationClientErrors
- InvocationLatency
- InvocationThrottles(正解)
解説
Amazon Bedrock の運用の指標は CloudWatch のメトリクスに出ます。Invocations、InvocationLatency、InputTokenCount と OutputTokenCount、InvocationThrottles、InvocationClientErrors と InvocationServerErrors が主なものです。Invocation4XXErrors は SageMaker AI のエンドポイントのエラーのメトリクスです。InvocationClientErrors はクライアントのエラーの数です。InvocationLatency は呼び出しのレイテンシーです。(根拠: 学習用テキスト 4.1.1 本番環境のモデルの性能をモニタリングする [4.1])
問 2. ある会社は、Model Monitor のアラームで SageMaker Pipelines の再学習が自動で始まる仕組みを作った。取り込み元のシステムの不具合で、欠損や異常値の多いデータが届くことがある。そうした時に、悪いデータで学んだモデルが作られて本番に近づくのを防ぐ必要がある。これらの要件を満たす最も適切な設計はどれか。
- 最初にデータ品質のチェックを置き、違反したら学習せずに通知する(正解)
- データの品質が悪い時も学習は続け、次の再学習で自然に直るのを待つようにする
- データの品質は確かめずに学習し、学習の後の精度の結果だけを担当者に通知する
- アラームのしきい値を高くして、再学習がほとんど起きないようにしておく
解説
再学習を自動にする時は、止め方も決めます。パイプラインの最初にデータの品質のチェックを置き、違反したら再学習を始めずに通知します。回数や費用にも上限を決めます。「データの品質が悪い時も学習は続け、次の再学習で自然に直るのを待つようにする」は誤りです。悪いデータで学習を続けると、悪いモデルが繰り返しできます。「データの品質は確かめずに学習し、学習の後の精度の結果だけを担当者に通知する」は誤りです。データの品質を確かめないと、悪いデータで学んだモデルができるおそれがあります。「アラームのしきい値を高くして、再学習がほとんど起きないようにしておく」は誤りです。しきい値を高くすると、本当に必要な再学習まで止まります。(根拠: 学習用テキスト 3.3.5 モデルを再学習する仕組みを作る [3.3])
問 3. ある不動産会社は、物件の価格を予測するモデルを作っている。データ全体の平均と標準偏差で数値の列を標準化してから、学習、検証、テストに分けた。テストの評価は良かったが、本番に出すと予測の誤差がテストより明らかに大きかった。評価が本番の実力を正しく表すように、手順を直す必要がある。最も適切な手順はどれか。
- 検証データとテストデータにも、それぞれの平均と標準偏差で別々に標準化する
- 標準化をやめて、代わりに全体の最大値と最小値で最小最大スケーリングをかける
- テストデータを含めた全体の統計で標準化し、テストの件数をさらに増やす
- 学習データだけで平均と標準偏差を計算し、その変換を検証、テスト、本番に当てる(正解)
解説
変換の手順は学習データだけで作ります。平均や標準偏差を検証データやテストデータを含めて計算すると、評価が実力より良く出ます。学習データで作った変換を、そのまま検証、テスト、本番の推論に当てます。「検証データとテストデータにも、それぞれの平均と標準偏差で別々に標準化する」は誤りです。データごとに別の統計で変換すると、学習時と同じ変換になりません。「標準化をやめて、代わりに全体の最大値と最小値で最小最大スケーリングをかける」は誤りです。全体の統計を使う点は同じで、評価が実力より良く出る問題は残ります。(根拠: 学習用テキスト 1.2.4 特徴量エンジニアリングを実行する [1.2])
問 4. ある EC 企業は、SageMaker AI の組み込みの Linear Learner で、購入の確率を予測するモデルを毎日学習している。学習を速くしようと、学習ジョブのインスタンスを GPU のものに替えた。ところが学習時間はほとんど変わらず、時間あたりの料金だけが上がった。学習時間を保ったまま費用を下げたい。最も適切な見直しはどれか。
- エポック数を増やして、GPU の使用率を上げる
- 線形のモデルは CPU で十分なので、CPU のインスタンスに戻す(正解)
- より新しい世代の GPU のインスタンスに切り替える
- GPU の台数を増やして、分散学習で時間を半分にする
解説
インスタンスの性能を上げると学習は速くなりますが、GPU で速くなるかはアルゴリズムと計算の重さで決まります。Linear Learner は CPU と GPU の両方で学習できますが、表形式のデータの線形のモデルは計算が軽く、CPU で十分なことが多いです。GPU に替えても学習時間が変わらなかったので、CPU のインスタンスに戻せば、学習時間を保ったまま費用を下げられます。「エポック数を増やして、GPU の使用率を上げる」は誤りです。エポックを増やすと学習時間と費用が増えるだけです。「より新しい世代の GPU のインスタンスに切り替える」は誤りです。GPU で速くならない学習では、新しい世代の GPU に替えても費用が上がるだけです。「GPU の台数を増やして、分散学習で時間を半分にする」は誤りです。AWS は、Linear Learner で複数の GPU が 1 つの GPU より速いという大きな根拠は見られなかったとしており、台数を増やしても費用が増えるだけです。(根拠: 学習用テキスト 2.1.6 ML モデルの性能、学習時間、コストのトレードオフを評価する [2.1])
問 5. ある会社は、工場のセンサーのデータを Kinesis Data Streams に書き込んでいる。ストリーム全体の書き込み量は、シャードの合計の上限に十分な余裕がある。それにもかかわらず、特定のシャードだけで ProvisionedThroughputExceededException が出て、一部のデータの書き込みが遅れている。原因に対する最も適切な打ち手はどれか。
- データの保持期間を 24 時間から 365 日に延ばす
- コンシューマーを拡張ファンアウトの登録コンシューマーにする
- Amazon Data Firehose に書き込み先を切り替える
- パーティションキーを散らし、書き込みを複数のシャードに分ける(正解)
解説
ProvisionedThroughputExceededException は、シャードあたりの書き込み上限(毎秒 1 MB または 1,000 レコード)を超えた時に出ます。パーティションキーが偏ったホットシャードが原因なら、キーを散らします。Firehose への切り替えは書き込み側の解決になりません。保持期間は書き込みのスループットとは関係しません。拡張ファンアウトは読み出し側の帯域を増やす手で、書き込みのエラーは解消しません。(根拠: 学習用テキスト 1.1.3 容量とスケーラビリティの問題を切り分ける [1.1])
問 6. ある ML エンジニアは、SageMaker AI の PyTorch のフレームワークのコンテナで学習させている。学習スクリプトで、標準のコンテナには入っていない Python のライブラリを 1 つ使いたい。コンテナのイメージを自分で作って管理する手間はかけたくない。最も手間の少ない方法はどれか。
- スクリプトと一緒に requirements.txt を置く(正解)
- 組み込みアルゴリズムに切り替えて学習させる
- 学習ジョブの開始後に SSH で入って追加する
- 独自のコンテナを一から作って ECR に登録する
解説
一般的な ML ライブラリは、SageMaker AI の深層学習コンテナやフレームワークのコンテナで使えます。自分でライブラリを追加したい時は、スクリプトと一緒に requirements.txt を置けば、学習の開始時にインストールされます。「組み込みアルゴリズムに切り替えて学習させる」は誤りです。組み込みアルゴリズムでは自分のライブラリを使うコードは動かせません。「学習ジョブの開始後に SSH で入って追加する」は誤りです。学習のインスタンスはジョブが終わると消えるので、手作業で入れた変更は残らず、学習のたびに同じ手間が要ります。「独自のコンテナを一から作って ECR に登録する」は誤りです。イメージを作りたくない要件に反し、手間も大きくなります。(根拠: 学習用テキスト 2.2.1 SageMaker AI の組み込みアルゴリズムと一般的な ML ライブラリを使う [2.2])
問 7. ある会社は、SageMaker Model Registry でモデルの版を管理し、本番へのデプロイは AWS CodePipeline で行っている。今は承認の後に、担当者が手でデプロイを始めていて、反映が遅れることがある。承認されたら、待ち時間なく本番へのデプロイが自動で動くようにしたい。最も適切な仕組みはどれか。
- 承認の後に、担当者が CodePipeline の画面から手でパイプラインを起動する
- EventBridge のスケジュールで、毎晩承認済みのモデルを探してデプロイする
- 承認の状態の変化で出る EventBridge のイベントで CodePipeline を起動する(正解)
- Model Registry のモデルパッケージの説明の欄に、デプロイの手順を書いておく
解説
承認の状態が Approved に変わると、Amazon EventBridge にイベントが出ます。このイベントで CodePipeline を起動すれば、「承認したら自動で本番に出る」仕組みができます。「承認の後に、担当者が CodePipeline の画面から手でパイプラインを起動する」は誤りです。手で起動すると、承認したら自動で出る要件を満たしません。「EventBridge のスケジュールで、毎晩承認済みのモデルを探してデプロイする」は誤りです。毎晩の定期の確認では、承認のすぐ後に動く仕組みになりません。「Model Registry のモデルパッケージの説明の欄に、デプロイの手順を書いておく」は誤りです。説明の欄に書いても、デプロイは動きません。(根拠: 学習用テキスト 3.3.6 再現性と監査のためにモデルの版を管理する [3.3])
問 8. ある会社は、SageMaker AI のエンドポイントの GPU とディスクの使用率を見て、インスタンスの大きさが適切かを判断したい。運用の担当者が CloudWatch で探したが、ModelLatency などのメトリクスと同じ場所に使用率が見当たらなかった。正しい説明はどれか。
- 使用率のメトリクスは CloudWatch には出ず、AWS X-Ray のトレースの中だけで見られる
- 使用率は /aws/sagemaker/Endpoints、呼び出しのメトリクスは AWS/SageMaker の名前空間に出る(正解)
- 使用率は AWS/SageMaker、呼び出しのメトリクスは /aws/sagemaker/Endpoints の名前空間に出る
- 使用率のメトリクスは CloudWatch には出ず、AWS CloudTrail の記録の中だけで見られる
解説
SageMaker AI のエンドポイントでは、インスタンスの CPU、メモリ、GPU、ディスクの使用率が /aws/sagemaker/Endpoints の名前空間に出ます。呼び出しのメトリクス(ModelLatency など)は AWS/SageMaker の名前空間です。「使用率のメトリクスは CloudWatch には出ず、AWS X-Ray のトレースの中だけで見られる」は誤りです。使用率は CloudWatch のメトリクスに出ます。「使用率は AWS/SageMaker、呼び出しのメトリクスは /aws/sagemaker/Endpoints の名前空間に出る」は誤りです。名前空間の割り当てが逆です。「使用率のメトリクスは CloudWatch には出ず、AWS CloudTrail の記録の中だけで見られる」は誤りです。CloudTrail は API の呼び出しの記録で、使用率のメトリクスではありません。(根拠: 学習用テキスト 4.2.2 トラブルシューティングと分析のツールを使う [4.2])
問 9. ある製造業の企業は、工場のセンサーデータを Kinesis Data Streams で受けている。直近 5 分の窓で温度の平均値と最大値を計算した特徴量をリアルタイムに作り、故障の予測の推論に使いたい。ストリームの上で計算を続ける仕組みが必要で、サーバーの管理はしたくない。この計算を担うサービスとして最も適切なものはどれか。
- Amazon S3 Intelligent-Tiering
- Amazon Managed Service for Apache Flink(正解)
- Amazon Data Firehose
- Amazon Kinesis Video Streams
解説
Kinesis と Kafka はデータを保持して配る役、Flink はストリームの上で計算する役です。時間の窓で集計した特徴量をリアルタイムに作るなら、Amazon Managed Service for Apache Flink を選びます。Intelligent-Tiering は S3 のストレージクラスで、ストリームの計算はしません。Firehose はバッファしてから宛先に届ける役で、集計はしません。Kinesis Video Streams は映像のストリームを取り込む役です。(根拠: 学習用テキスト 1.1.4 ストリーミングデータを取り込む [1.1])
問 10. ある会社は、画像分類のモデルを SageMaker AI のリアルタイムエンドポイントで動かしている。1 件の処理時間はほぼ一定で、呼び出しの数に比例して負荷が増える。利用の増減に合わせて台数を自動で変えたい。多くの場面の第一の候補となる自動スケーリングの設定として最も適切なものはどれか。
- SageMakerVariantInvocationsPerInstance のターゲット追跡(正解)
- CPUUtilization を目標にしたスケジュールに基づくスケーリング
- ModelLatency を目標にしたスケジュールに基づくスケーリング
- HasBacklogWithoutCapacity のステップスケーリング
解説
呼び出しの数が負荷に比例するなら、SageMakerVariantInvocationsPerInstance のターゲット追跡が既定の選び方です。スケジュールは決めた時刻に台数を変える方式で、呼び出しの数の変化には追従しません。ModelLatency はレイテンシーの目標を守りたい時に、ステップスケーリングで使うメトリクスです。HasBacklogWithoutCapacity は非同期推論を 0 台から起こす時のメトリクスです。(根拠: 学習用テキスト 3.2.6 自動スケーリングに使うメトリクスを選ぶ [3.2])
よくある質問
- 利用期限はありますか?
- ありません。買い切りです。内容を改定した場合も、追加の料金なしでそのまま使えます。
- スマホでも解答できますか?
- 解答できます。ブラウザでそのまま使えるので、アプリのインストールは不要です。通勤中の演習にも向いています。
- アカウントは必要ですか?
- いいえ、50問は会員登録なしで解答できます。模試の第1回(65問)は、無料の会員登録で利用できます。会員登録(無料・Google なら 1 押し)は、このほか購入の時に要ります。購入後はどの端末からでもログインして続きを再開できます。
- 返品・返金はできますか?
- デジタルデータのため、ご購入後の返品・返金はお受けしておりません。決済の重複などの不具合があった場合は、お問い合わせページからご連絡ください。買う前に、同じ問題集の収録問題を登録なしで50問解いて確かめられます。
- サービスが終了した場合はどうなりますか?
- サービスを終了する場合は、終了日の3ヶ月以上前にサイトとメールでお知らせし、購入済みの問題・解説をダウンロードできる形で提供します。
詳しくは特定商取引法に基づく表記をご覧ください。
分野別の実力と、出る順
出題比率が高い分野から並べています。
並べ方と出典 ?
AWS Certified Machine Learning Engineer - Associate (MLA-C02) Exam Guideに沿って、収録問題を分野ごとに分けています。公式が示す出題比率が高い分野から並べているので、上から順に潰していけば、限られた時間を比率の高い分野に集中できます。
出典: AWS Certified Machine Learning Engineer - Associate (MLA-C02) Exam Guide(MLA-C02 Exam Guide(2026-09-01 公開・ベータ)・2026年9月確認)。 収録715問すべてに分野を付けています。
- ML と AI のためのデータの準備—公式の配分 28%解答 0 問
- ML モデルと基盤モデル (FM) の開発—公式の配分 24%解答 0 問
- ML と AI のワークフローのデプロイとオーケストレーション—公式の配分 24%解答 0 問
- ML と AI のソリューションの運用、モニタリング、保護—公式の配分 24%解答 0 問
いまの実力の見込み
読み込み中です。
公式の合格ライン: 720点(100〜1,000点の換算スコア)。
復習の定着
読み込み中です。
全部やらなくても、範囲は1周できます
無料で解ける第1回(65問)の中を、公式の出題比率が高い分野から並べ替えて解答できます。全範囲を対象にした「最短1周セット」は、ご購入後にこの欄に表示されます。
AWS MLA-C02 の合格報告
ご購入いただいた方から届いた合格のご報告です。お名前は出していません。
合格報告 14 件・平均の学習期間 3.7 週間
「見覚えがある」は、同じ出題範囲を先に解いたからです。本番の問題は 1 問も載せていません。
2026年10月受験・学習期間 8週間(約2か月)
通勤電車の20分で8週間。シナリオ問題の読み方が身につきました。次は AWS DVA を受けます。
2026年9月受験・学習期間 2週間
未経験から案件の要件で2週間で受けました。合格はしましたが、解く量の配分に偏りを感じました。
運営より2026年9月
解く量の配分はご指摘をもとに見直しています。ご不便をおかけしました。
2026年10月受験・学習期間 1週間
派遣で40代からの挑戦です。同僚に負けたくなくて、週末に頻出度別ノートを直前に見直して1週間でした。
合格報告をお送りいただいた方には、お礼として次回使える500円クーポンをお渡ししています。