一、这门认证到底在考什么：先弄懂游戏规则

先说个反直觉的结论：AWS Machine Learning Specialty（考试代码 MLS-C01）并不是在考"机器学习算法推导"，也不是在考"AWS 全家桶功能介绍"。它考的是你在 AWS 云平台上落地一个机器学习项目的完整能力——从数据怎么搬上云、怎么清洗存储，到用哪个服务训练模型、怎么调参、怎么部署上线，再到上线之后怎么监控、怎么保证安全合规。

我第一次备考时犯过一个典型错误：花了大量时间复习线性回归的损失函数推导、SVM 的核函数原理、随机森林的信息增益计算，结果打开模拟题一看，全是场景题——"某电商公司每天产生 5TB 点击日志，需要实时对用户做商品推荐，延迟要求小于 200ms，以下哪个方案最合适？" 这种题根本不需要你手推公式，需要的是你脑子里有一张清晰的 AWS ML 服务地图：什么场景用 SageMaker 内置算法，什么场景用 Amazon Lex 做对话机器人，什么场景用 Amazon Rekognition 做图像识别，什么场景该上 Amazon Forecast 而不是自己训练模型。

所以，备考的第一件事不是买课、不是刷题，而是修正对这门考试的认知。它不叫"机器学习工程师认证"，它叫"机器学习专业认证"，前缀是 AWS。这意味着占比最大的考察点是 AWS 生态内的机器学习解决方案架构，而不是通用的 ML 理论知识。官方考试指南里也写得清楚，四个知识领域的占比是：数据工程 20%、探索性数据分析 24%、建模 36%、ML 实施与运维 20%。注意，建模部分最大，但这里的"建模"更多是"在 AWS 上如何建模"，而不是"如何从零推导一个模型"。

把这一点想明白，你的备考效率至少翻一倍。我见过太多人在通用 ML 理论上死磕，结果在 AWS 服务细节上丢分丢到怀疑人生。

1.1 它和 AWS 其他认证的定位差异

AWS 的认证体系里，最常被人拿来和 MLS-C01 比较的是 Solutions Architect Associate（SAA）和 Data Analytics Specialty（DAS）。三者的关系很适合用一个类比来理解：

• SAA 是"全科医生"，所有 AWS 基础服务都得懂，但不深入任何单一领域；
• DAS 是"检验科医生"，专门负责数据管道、数据仓库、数据湖、实时流处理这些数据处理链路；
• MLS-C01 是"专科医生"，聚焦在机器学习项目的完整生命周期，从数据到训练到部署到监控。

我的建议是，如果你完全没有 AWS 基础，先考 SAA 再考 MLS-C01 是一个比较顺的路径。不是说你不能直接考 MLS-C01，而是 MLS-C01 的考题默认你已经知道 IAM 权限、VPC 网络、S3 存储、Lambda 计算这些基础概念，考试里不会专门给你解释。我有朋友跳过 SAA 直接考 MLS-C01，结果在 IAM 策略和 VPC 端点这类送分题上栽了跟头，很可惜。

另外，MLS-C01 和 DAS 有部分重叠，比如 Kinesis、Glue、Athena 这些服务在两个考试里都会出现，但侧重点不同。DAS 考你数据管道怎么搭，MLS-C01 考你数据管道的输出怎么喂给模型训练。如果你考完 MLS-C01 再考 DAS，会轻松不少。

1.2 考试大纲里没写清楚的事

官方考试指南虽然列出了四大知识领域，但有一些"隐形考点"它不会明确告诉你，而这些恰恰是考试的重点：

第一，SageMaker 是绝对的核心。整个考试里，涉及 SageMaker 的题目至少占 40%-50%。这不是官方公布的数字，但几乎所有考过的人都有体感。SageMaker 的内置算法（比如 XGBoost、Linear Learner、K-Means、PCA、DeepAR、BlazingText、Image Classification 等）的适用场景、输入输出格式、训练模式（Pipe vs File）、实例选型，这些都要滚瓜烂熟。

第二，安全相关的题目看似不多，但几乎必考。比如 SageMaker Notebook 怎么通过网络隔离访问 VPC 里的数据源，怎么用 AWS KMS 加密 S3 里的训练数据，怎么用 IAM Role 而不是 Access Key 来授权 SageMaker 访问数据。这些点单独看都不难，但考试经常把它们包装在复杂场景里，一不留神就选错。

第三，深度学习框架的版本兼容性会出题。AWS 的 Deep Learning AMI（DLAMI）和 SageMaker 内置框架版本，比如 TensorFlow 1.x 和 2.x 的差异、PyTorch 的 TorchScript 导出、ONNX 模型转换这些，都是考点。你不需要会手写模型代码，但要知道在 AWS 上部署一个训练好的 PyTorch 模型有哪些方式。

把这些"明暗线"摸清楚，才是备考的真正起点。

二、数据工程（20%）：最容易拿分也最容易丢分的地方

数据工程这部分，官方名称叫"Data Engineering"，核心考点是：怎么把原始数据变成模型能吃的训练数据。说它容易拿分，是因为考点非常固定，就那么几个服务；说它容易丢分，是因为细节多、容易记混，尤其是 Streaming 和 Batch 的选型，以及格式转换的流程。

2.1 数据摄取和存储：Batch 与 Streaming 的选型原则

考试里最常见的场景题就是：给你一个业务场景，问用哪个服务把数据搬到 AWS 上。这里的通用解答思路是：

先判断数据是批量到达的还是持续产生的流式数据。

如果是批量数据（比如每天凌晨从本地数据库导出 CSV 传到 S3），那答案几乎永远是 S3 + 各种配套服务。S3 是整个 ML 生态的数据底座，几乎所有训练任务都直接从 S3 读数据。要注意 S3 的存储层级（Standard、Infrequent Access、Glacier）什么时候用哪个，但这个在 MLS-C01 里考得不深，知道 Glacier 适合冷数据归档就够了。

如果是流式数据（比如网站点击流、IoT 设备传感器数据、交易流水），那就要在 Kinesis 家族里选：

• Kinesis Data Streams（KDS）：实时数据流，数据被分片（Shard）存储，保留默认 24 小时（最长 365 天）。适合需要消费后做实时分析的场景。
• Kinesis Data Firehose：数据直通服务，把流式数据自动加载到 S3、Redshift、OpenSearch 等目标，不需要自己写消费者。适合数据最终要落地到存储做批量分析的场景。
• Kinesis Data Analytics：在流上直接做 SQL 分析，适合实时监控、实时告警场景。

我记得有一道题，说某公司有一批传感器数据要实时监控温度异常，异常时需要立即触发告警。正确答案是用 Kinesis Data Analytics 做实时 SQL 分析 + Lambda 触发告警，而不是把数据先落 S3 再分析——后者延迟太大。这种题考的就是你有没有理解这几个服务的实时性差异。

还有一个高频考点是 Amazon MSK（Managed Streaming for Apache Kafka）。如果场景里明确提到 Kafka 协议兼容、已有 Kafka 生态，那就选 MSK；如果场景里只是"实时数据接入"，没提 Kafka 特性，优先选 Kinesis。这个区分在考试里出现过很多次，务必记住。

2.2 数据转换：Glue、EMR 和 Athena 怎么选

数据到了 S3 之后，通常需要清洗、去重、格式转换（比如 CSV 转 Parquet、JSON 转 ORC），然后才能给训练用。这里有几个服务容易搞混：

AWS Glue 是 Serverless 的 ETL 服务，也是考试最常考的数据转换工具。核心概念是 Glue Data Catalog（统一元数据目录）、Crawler（自动扫描 S3 并推断 Schema）、Glue Jobs（运行 ETL 脚本，支持 PySpark 和 Scala）。考试常考的细节：Glue 适合在 S3 数据湖上做 Schema 发现和转换，输出的 Parquet 格式能极大提升后续 Athena 查询效率。

Amazon EMR 是托管 Hadoop 集群，适合跑大规模 Spark、Hive、HBase 任务。如果场景里有"处理超大数据集（TB 级甚至 PB 级）""需要自定义 Spark 代码做复杂转换"，优先选 EMR。Glue 本质上也是基于 Spark 的，但它是 Serverless 的，不适合需要精细控制集群参数的场景。这道选择题出的频率不低，掌握"Glue=简单托管、EMR=复杂自定义"这个核心区别即可。

Amazon Athena 是直接对 S3