دليل الامتحان - AWS Certified Machine Learning - Specialty (MLS-C01)

المقدمة

يُقصد بامتحان AWS Certified Machine Learning - Specialty (MLS-C01) لألشخاص الذين لديهم دور في تطوير الذكاء الاصطناعي والتعلم الآلي (AI/ML) أو علوم البيانات. يؤكد الامتحان على قدرة المرشح على تصميم وبناء وتطبيق وتحسين وتدريب وضبط وصيانة حلول التعلم الآلي لحل المشكلات التجارية باستخدام سحابة AWS.

كما يؤكد الامتحان على قدرة المرشح على إكمال المهام التالية:

• اختيار وتبرير الطريقة المناسبة للتعلم الآلي لمشكلة تجارية معينة.
• تحديد خدمات AWS المناسبة لتنفيذ حلول التعلم الآلي.
• تصميم وتنفيذ حلول التعلم الآلي القابلة للتطوير والموفرة للتكاليف والموثوقة والآمنة.

وصف المرشح المستهدف

يجب أن يكون المرشح المستهدف لديه خبرة 2 سنوات أو أكثر في تطوير ومعمارية وتشغيل أحمال عمل التعلم الآلي أو التعلم العميق في سحابة AWS.

المعرفة المقترحة بـ AWS

يجب أن يكون لدى المرشح المستهدف المعرفة التالية بـ AWS:

• القدرة على التعبير عن الحدس وراء الخوارزميات الأساسية للتعلم الآلي
• الخبرة في إجراء تحسين الهايبرباراميتر الأساسي
• الخبرة مع إطارات التعلم الآلي والتعلم العميق
• القدرة على اتباع أفضل الممارسات لتدريب النموذج
• القدرة على اتباع أفضل ممارسات النشر
• القدرة على اتباع أفضل الممارسات التشغيلية

المعارف خارج نطاق المرشح المستهدف

تحتوي القائمة التالية على المعارف التي لا يُتوقع أن يكون لدى المرشح المستهدف. هذه القائمة ليست شاملة. المعرفة في المجالات التالية خارج نطاق الامتحان:

• تطوير الخوارزميات المعقدة أو المكثفة
• تحسين الهايبرباراميتر المعقد
• البراهين الرياضية والحسابات المعقدة
• الشبكات المتقدمة وتصميم الشبكات
• مفاهيم قاعدة البيانات والأمن والعمليات الآليّة المتقدمة
• المهام المتعلقة بالعمليات الآليّة لـ Amazon EMR

راجع الملحق لقائمة بالتقنيات والمفاهيم التي قد تظهر في الامتحان، وقائمة بخدمات وميزات AWS المدرجة ضمن النطاق، وقائمة بخدمات وميزات AWS خارج النطاق.

محتوى الامتحان

أنواع الإجابات

هناك نوعان من الأسئلة في الامتحان:

• الاختيار من متعدد: له إجابة صحيحة واحدة وثلاث إجابات غير صحيحة (مشتتات)
• الاختيار المتعدد: له إجابتان أو أكثر صحيحتان من بين خمس خيارات أو أكثر

اختر إجابة واحدة أو أكثر تكمل العبارة أو تجيب على السؤال بشكل أفضل. المشتتات أو الإجابات غير الصحيحة هي خيارات الإجابة التي قد يختارها المرشح ذو المعرفة أو المهارة غير الكاملة. في العادة تكون المشتتات استجابات منطقية تتوافق مع مجال المحتوى.

الأسئلة التي لا يتم الإجابة عليها تُعتبر إجابات خاطئة؛ لا توجد عقوبة على التخمين. يتضمن الامتحان 50 سؤالًا تؤثر على درجتك.

المحتوى غير المقيم

يتضمن الامتحان 15 سؤالاً غير مقيمة لا تؤثر على درجتك. تجمع AWS معلومات عن أداء هذه الأسئلة غير المقيمة لتقييمها لاستخدامها كأسئلة مقيمة في المستقبل. هذه الأسئلة غير المقيمة لا يتم تحديدها في الامتحان.

نتائج الامتحان

امتحان AWS Certified Machine Learning - Specialty (MLS-C01) له تصنيف بالنجاح أو الفشل. يتم تقييم الامتحان مقابل الحد الأدنى من المعايير التي وضعتها جهات الاعتماد المهنية في AWS والتي تتبع أفضل الممارسات والإرشادات في مجال الاعتماد.

يتم الإبلاغ عن نتائجك للامتحان كدرجة مقياسية من 100 إلى 1000. الحد الأدنى للنجاح هو 750. تُظهر درجتك كيف أديت في الامتحان ككل وما إذا كنت قد نجحت. تساعد نماذج الدرجات المقياسية على تكافؤ الدرجات عبر العديد من نماذج الامتحان التي قد تكون لديها مستويات صعوبة مختلفة قليلاً.

قد يحتوي تقرير درجاتك على جدول للتصنيفات الخاصة بأدائك على كل قسم. يستخدم الامتحان نموذج التقييم التعويضي، مما يعني أنه لا يلزمك تحقيق درجة اجتياز في كل قسم. ما عليك سوى اجتياز الامتحان ككل.

لكل قسم من أقسام الامتحان ترجيح محدد، لذلك يكون لبعض الأقسام المزيد من الأسئلة مقارنة بأقسام أخرى. يحتوي جدول التصنيفات على معلومات عامة توضح نقاط القوة والضعف لديك. توخ الحذر عند تفسير التغذية الراجعة على مستوى القسم.

الهيكل المحتوى

يتضمن هذا الدليل أوزان المحتوى ومجالات المحتوى وبيانات المهمة للامتحان. لا يوفر هذا الدليل قائمة شاملة بالمحتوى الذي سيتم اختباره في الامتحان. ومع ذلك، يتوفر سياق إضافي لكل بيان مهمة لمساعدتك على التحضير للامتحان.

لدى الامتحان المجالات المحتوى والأوزان التالية:

• المجال 1: هندسة البيانات (20% من المحتوى المقيَّم)
• المجال 2: استكشاف وتحليل البيانات (24% من المحتوى المقيَّم)
• المجال 3: النمذجة (36% من المحتوى المقيَّم)
• المجال 4: تنفيذ وتشغيل التعلم الآلي (20% من المحتوى المقيَّم)

المجال 1: هندسة البيانات

بيان المهمة 1.1: إنشاء مستودعات بيانات للتعلم الآلي.

• تحديد مصادر البيانات (على سبيل المثال، المحتوى والموقع، المصادر الأساسية مثل بيانات المستخدم).
• تحديد وسائط التخزين (على سبيل المثال، قواعد البيانات، Amazon S3، Amazon Elastic File System [Amazon EFS]، Amazon Elastic Block Store [Amazon EBS]).

بيان المهمة 1.2: تحديد وتنفيذ حل لإدخال البيانات.

• تحديد أنماط وأنواع الوظائف (على سبيل المثال، التحميل الدفعي، البث).
• تنسيق أنابيب إدخال البيانات (أحمال عمل التعلم الآلي القائمة على الدفعات وأحمال عمل التعلم الآلي القائمة على البث).
  • Amazon Kinesis
  • Amazon Data Firehose
  • Amazon EMR
  • AWS Glue
  • Amazon Managed Service for Apache Flink
• جدولة الوظائف.

بيان المهمة 1.3: تحديد وتنفيذ حل لتحويل البيانات.

• تحويل البيانات أثناء التنقل (ETL، AWS Glue، Amazon EMR، AWS Batch).
• التعامل مع بيانات التعلم الآلي باستخدام MapReduce (على سبيل المثال، Apache Hadoop، Apache Spark، Apache Hive).

المجال 2: استكشاف وتحليل البيانات

بيان المهمة 2.1: تطهير وإعداد البيانات للنمذجة.

• تحديد والتعامل مع البيانات المفقودة والبيانات التالفة وكلمات التوقف.
• تنسيق وتنظيم وتعزيز وتقليل نطاق البيانات.
• تحديد ما إذا كان هناك بيانات ملصقة كافية.
  • تحديد استراتيجيات التخفيف.
  • استخدام أدوات تسمية البيانات (على سبيل المثال، Amazon Mechanical Turk).

بيان المهمة 2.2: إجراء هندسة الميزات.

• تحديد واستخراج الميزات من مجموعات البيانات، بما في ذلك من مصادر البيانات مثل النص والكلام والصور والبيانات العامة.
• تحليل وتقييم مفاهيم هندسة الميزات (على سبيل المثال، التجزئة، والتحليل اللغوي، والقيم المتطرفة، والميزات التركيبية، والترميز أحادي المقترن، وتقليل أبعاد البيانات).

بيان المهمة 2.3: تحليل وتصور البيانات للتعلم الآلي.

• إنشاء رسومات (على سبيل المثال، مخططات تشتت، ومتسلسلات زمنية، وهستوغرامات، ومخططات صناديق).
• تفسير الإحصائيات الوصفية (على سبيل المثال، الارتباط، والإحصائيات الموجزة، وقيمة p).
• إجراء تحليل التجميع (على سبيل المثال، التسلسلي، والتشخيصي، ومخطط الكوع، وحجم المجموعة).

المجال 3: النمذجة

بيان المهمة 3.1: صياغة المشكلات التجارية كمشكلات للتعلم الآلي.

• تحديد متى يجب استخدام التعلم الآلي ومتى لا يجب.
• معرفة الفرق بين التعلم الخاضع لإشراف والتعلم غير الخاضع لإشراف.
• اختيار من بين التصنيف والانحدار والتنبؤ والتجميع والتوصية ونماذج المؤسسة.

بيان المهمة 3.2: اختيار النموذج (النماذج) المناسب(ة) لمشكلة تعلم آلي معينة.

• XGBoost والانحدار اللوجستي وk-means والانحدار الخطي وأشجار القرار والغابات العشوائية والشبكات العصبية المتكررة والشبكات العصبية التلافيفية والنماذج المجمعة ونقل التعلم والنماذج اللغوية الضخمة (LLMs)
• التعبير عن الحدس وراء النماذج.

بيان المهمة 3.3: تدريب نماذج التعلم الآلي.

• تقسيم البيانات بين التدريب والتحقق (على سبيل المثال، التحقق المتقاطع).
• فهم تقنيات التحسين لتدريب التعلم الآلي (على سبيل المثال، تنازل التدرج، وظائف الخسارة، والتقارب).
• اختيار موارد الحوسبة المناسبة (مثل وحدة المعالجة المركزية أو رسومات البطاقات، والموزعة أو غير الموزعة).
  • اختيار منصات الحوسبة المناسبة (Spark أو غير Spark).
• تحديث وإعادة تدريب النماذج.
  • الدفعة أو الحقيقي/المباشر

بيان المهمة 3.4: إجراء تحسين المعلمة الزائدة.

• إجراء التنظيم.
  • الإسقاط
  • L1/L2
• إجراء التحقق المتقاطع.
• تهيئة النماذج.
• فهم معمارية الشبكة العصبية (الطبقات والعقد) ومعدل التعلم ووظائف التنشيط.
• فهم نماذج الأشجار (عدد الأشجار، وعدد المستويات).
• فهم النماذج الخطية (معدل التعلم).

بيان المهمة 3.5: تقييم نماذج التعلم الآلي.

• تجنب الإفراط أو النقص في المطابقة.
  • اكتشاف والتعامل مع التحيز والتباين.
• تقييم المقاييس (على سبيل المثال، المساحة تحت المنحنى [AUC]-خصائص التشغيل المميز [ROC]، والدقة، والدقة، والاسترجاع، وجذر متوسط مربع الخطأ [RMSE]، والنتيجة F1).
• تفسير مصفوفات الارتباك.
• إجراء تقييم النموذج خارج الإنترنت وعلى الإنترنت (اختبار A/B).
• مقارنة النماذج باستخدام المقاييس (على سبيل المثال، وقت تدريب النموذج، وجودة النموذج، وتكاليف الهندسة).
• إجراء التحقق المتقاطع.

المجال 4: تنفيذ وتشغيل التعلم الآلي

بيان المهمة 4.1: بناء حلول التعلم الآلي للأداء والتوافر والقابلية للتطوير والمرونة وتحمّل الأعطال.

• تسجيل وتراقب بيئات AWS.
  • AWS CloudTrail و Amazon CloudWatch
  • بناء حلول لمراقبة الأخطاء.
• النشر في مناطق أمازون المتعددة ونطاقات التوافر المتعددة.
• إنشاء صور AMI وصور ذهبية.
• إنشاء حاويات Docker.
• نشر مجموعات Auto Scaling.
• تحديد حجم الموارد بشكل صحيح (على سبيل المثال، المثيلات، و Provisioned IOPS، والأحجام).
• إجراء توازن الحمل.
• اتباع أفضل ممارسات AWS.

بيان المهمة 4.2: التوصية بتنفيذ خدمات وميزات التعلم الآلي المناسبة لمشكلة معينة.

• التعلم الآلي في AWS (خدمات التطبيق)، على سبيل المثال:
  • Amazon Polly
  • Amazon Lex
  • Amazon Transcribe
  • Amazon Q
• فهم حصص AWS.
• تحديد متى يجب بناء نماذج مخصصة ومتى يجب استخدام خوارزميات Amazon SageMaker المضمنة.
• فهم بنية AWS (على سبيل المثال، أنواع المثيلات) واعتبارات التكلفة.
  • استخدام مثيلات متقطعة لتدريب نماذج التعلم العميق باستخدام AWS Batch.

بيان المهمة 4.3: تطبيق ممارسات أمان AWS الأساسية على حلول التعلم الآلي.

• AWS Identity and Access Management (IAM)
• سياسات حوض S3
• مجموعات الأمان
• شبكات VPC
• التشفير والتجهيل

بيان المهمة 4.4: نشر وتشغيل حلول التعلم الآلي.

• التعرض على نقاط النهاية والتفاعل معها.
• فهم نماذج التعلم الآلي.
• إجراء اختبارات A/B.
• إعادة تدريب الأنابيب.
• استكشاف أخطاء نماذج التعلم الآلي وإصلاحها.
  • اكتشاف وتخفيف انخفاض الأداء.
  • مراقبة أداء النموذج.

الملحق

التقنيات والمفاهيم التي قد تظهر في الامتحان

تحتوي القائمة التالية على التقنيات والمفاهيم التي قد تظهر في الامتحان. هذه القائمة ليست شاملة وعرضة للتغيير. لا يُقصد من ترتيب وموضع العناصر في هذه القائمة أي إشارة إلى وزنها أو أهميتها النسبية في الامتحان:

• الإدخال والجمع
• المعالجة والـETL
• تحليل وتصوير البيانات
• تدريب النموذج
• نشر واستنتاج النموذج
• تشغيل التعلم الآلي
• خدمات تطبيق التعلم الآلي في AWS
• اللغة ذات الصلة بالتعلم الآلي (على سبيل المثال، Python، Java، Scala، R، SQL)
• الأجهزة الرقمية المحمولة وبيئات التطوير المتكاملة (IDEs)

خدمات وميزات AWS المدرجة ضمن النطاق

تحتوي القائمة التالية على خدمات وميزات AWS المدرجة ضمن النطاق. هذه القائمة ليست شاملة وعرضة للتغيير. تظهر عروض AWS في فئات تتوافق مع الوظائف الرئيسية للعروض:

التحليلات:

• Amazon Athena
• Amazon Data Firehose
• Amazon EMR
• AWS Glue
• Amazon Kinesis
• Amazon Kinesis Data Streams
• AWS Lake Formation
• Amazon Managed Service for Apache Flink
• Amazon OpenSearch Service
• Amazon QuickSight

الحوسبة:

• AWS Batch
• Amazon EC2
• AWS Lambda

الحاويات:

• Amazon Elastic Container Registry (Amazon ECR)
• Amazon Elastic Container Service (Amazon ECS)
• Amazon Elastic Kubernetes Service (Amazon EKS)
• AWS Fargate

قاعدة البيانات:

• Amazon Redshift

إنترنت الأشياء:

• AWS IoT Greengrass

التعلم الآلي:

• Amazon Bedrock
• Amazon Comprehend
• صور AWS Deep Learning (DLAMI)
• Amazon Forecast
• Amazon Fraud Detector
• Amazon Lex
• Amazon Kendra
• Amazon Mechanical Turk
• Amazon Polly
• Amazon Q
• Amazon Rekognition
• Amazon SageMaker
• Amazon Textract
• Amazon Transcribe
• Amazon Translate

الإدارة والحوكمة:

• AWS CloudTrail
• Amazon CloudWatch

الشبكات وتسليم المحتوى:

• Amazon VPC

الأمن والهوية والامتثال:

• AWS Identity and Access Management (IAM)

التخزين:

• Amazon Elastic Block Store (Amazon EBS)
• Amazon Elastic File System (Amazon EFS)
• Amazon FSx
• Amazon S3

خدمات وميزات AWS خارج النطاق

تحتوي القائمة التالية على خدمات وميزات AWS خارج نطاق الامتحان. هذه القائمة ليست شاملة وعرضة للتغيير. يتم استبعاد عروض AWS التي لا علاقة لها على الإطلاق بأدوار الوظائف المستهدفة للامتحان من هذه القائمة:

التحليلات:

• AWS Data Pipeline

التعلم الآلي:

• AWS DeepRacer
• Amazon Machine Learning (Amazon ML)