AWS MLA-C01 完全攻略入門 — 4ドメインと8週間学習ロードマップ

MLA-C01（AWS Certified Machine Learning Engineer – Associate）は、機械学習モデルを「作る」だけでなく「本番環境で動かし続ける」能力を証明する AWS 認定だ。2026 年 3 月 31 日に長年の最高峰だった Machine Learning Specialty（MLS-C01）が受験提供を終了し、AWS の機械学習系認定の実装パートは、この MLA-C01 が本流として引き継いだ。本記事は MLA-C01 の試験仕様、4 ドメインの配点構造、AIF-C01・SAA-C03 との関係、そして 8 週間で合格圏に到達する学習ロードマップを 1 記事で体系化する。

AIF-C01 合格戦略 完全ガイド（2026-06-14 公開）の末尾で「次の段階」として挙げた Associate 級 ML 認定が、まさにこの試験だ。

なぜ今 MLA-C01 なのか — MLS-C01 廃止で変わった機械学習認定の地図

2026 年の AWS 機械学習認定を取り巻く状況は、1 年前とは様変わりした。最大の変化が、AWS Certified Machine Learning – Specialty（MLS-C01）の廃止だ。公式ページには「この認定は廃止予定であり、受験可能なのは 2026 年 3 月 31 日まで」と明記され、その期日はすでに過ぎた。つまり現在、AWS の機械学習「実装」を証明する認定として受験できるのは MLA-C01 であり、AWS 自身も公式 FAQ で MLA-C01 を「本番環境で ML ワークロードを実装・運用する技術力を証明する認定」として案内している。

この再編には明確な意図が読み取れる。MLS-C01 が問うたのは、アルゴリズムの数理やモデル設計まで踏み込んだ「データサイエンティスト寄り」の知識だった。一方 MLA-C01 が問うのは、データ準備からデプロイ、監視、セキュリティまでの「ML パイプラインを運用するエンジニアリング」だ。基盤モデルの登場でモデル自体を一から作る場面が減り、既存モデルを安全に・安く・確実に本番で動かす MLOps の比重が増した。認定体系の再編は、この実務の重心移動をそのまま反映している。

キャリア戦略の観点でも、MLA-C01 の位置づけは明快になった。生成 AI の概念地図を作る Foundational 級の AIF-C01、そして実装力を証明する Associate 級の MLA-C01。この二段構えが、2026 年の AWS AI 認定ラダーの標準ルートだ。

MLA-C01 試験仕様の正確な数字

公式の試験ガイドと認定ページから、正確な仕様を押さえる。

スコアリングは補償型で、ドメインごとの足切りはなく、全体で 720 に届けば合格となる。1 問あたりの持ち時間は 130 分 ÷ 65 問でちょうど 2 分。読解量の多いシナリオ問題が中心になるため、この 2 分という数字は後述の時間配分戦略の基準になる。

補償型という仕様は、学習計画にも直接効いてくる。苦手ドメインを完璧に潰す必要はなく、得意ドメインの上積みで全体 720 を確保する戦い方が許される。たとえば SAA-C03 取得者なら運用系の Domain 3・4 を得点の柱に据え、ML 固有の Domain 2 は頻出論点に絞る、という設計が成り立つ。また 65 問のうち 15 問は採点されない評価用の設問だが、どれが採点外かは受験者には分からない。「手応えのない問題が続いても合否への影響は見かけより小さい可能性がある」と知っておくだけで、本番のメンタル管理がかなり楽になる。

注意したいのは試験言語だ。AIF-C01 が対応していたポルトガル語は、MLA-C01 の言語一覧には含まれない（英語・日本語・韓国語・簡体字中国語の 4 言語）。日本語受験には影響しないが、多言語チームで受験を勧める場合は確認しておきたい差分だ。

推奨経験の「1 年」も軽視できない。試験ガイドの想定受験者像は、Amazon SageMaker と関連 AWS サービスを 1 年程度使った経験に加えて、バックエンド開発者・DevOps エンジニア・データエンジニア・データサイエンティストといった関連職種の経験 1 年を持つ人物だ。逆に言えば、エンドツーエンドの ML ソリューション全体を設計する力や、複数の ML ドメイン（自然言語処理とコンピュータビジョンの両方など）を深く扱う力は明示的に出題範囲外とされている。「広く深く」ではなく「パイプラインを確実に」が試験の射程だ。

出題形式は 4 種類 — ordering と matching に慣れておく

MLA-C01 の試験ガイドが明記する出題形式は、次の 4 つだ。

• 多肢選択（multiple choice）: 正解 1 つ + 誤答 3 つ
• 複数選択（multiple response）: 5 つ以上の選択肢から 2 つ以上の正解をすべて選ぶ
• 順序付け（ordering）: 3〜5 個の選択肢を正しい手順の順に並べる
• 組み合わせ（matching）: 3〜7 個の項目と説明を正しく対応付ける

順序付けと組み合わせは部分点がなく、完全一致で初めて得点になる。ML パイプラインの工程順（データ取り込み → 変換 → 学習 → デプロイ → 監視）や、SageMaker の機能名と用途の対応付けは、この形式でそのまま出題できる題材だ。概念を単語カードのように個別暗記するのではなく、「フロー」と「ペア」で覚える学習設計が新形式への最短の備えになる。

なお、AIF-C01 完全攻略入門（2026-06-08 公開）で解説したケーススタディ形式（1 シナリオに複数設問）は、現行の MLA-C01 試験ガイドの形式一覧には含まれていない。形式面の負担は AIF-C01 と大きくは変わらないが、1 問 1 シナリオの読解が 65 回続くと考えておくほうが実態に近い。

時間配分の設計も形式から逆算できる。順序付けは見た目以上に時間を消費する形式で、根拠に確信が持てないまま並べ替えを繰り返すと 1 問で 4〜5 分溶けることがある。基本方針は「多肢選択を 1.5 分ペースで流して貯金を作り、順序付けと組み合わせに 3 分の枠を渡す」こと。迷った問題には見直しフラグを立てて先に進み、全問走破後に戻る。未回答にもペナルティはなく誤答と同じ扱いなので、時間切れ間際でも空欄だけは残さない。この規律は 130 分の長丁場で確実に効いてくる。

4 ドメイン配点マップ — 28 / 26 / 22 / 24 が示す試験の性格

MLA-C01 は 4 つのコンテンツドメインで構成される。

この配点には 2 つの読み方がある。第一に、最大配点はモデル開発ではなく データ準備（28%） だという点。実務の ML プロジェクトで工数の大半を占めるのがデータの取り込み・クリーニング・特徴量化であることを、配点がそのまま物語っている。Parquet と CSV の使い分け、Glue と Data Wrangler の役割分担といった「地味だが毎日使う」知識が、最も大きな得点源になる。

第二に、Domain 3 と Domain 4 を合わせた「運用系」が 46% を占める点。デプロイ戦略（ブルー/グリーン、カナリア、リニア）、オートスケーリング、ドリフト監視、コスト最適化。これらは従来の ML 学習教材では脇役だった領域だが、MLA-C01 では半分近い配点を持つ。モデル精度の話だけを勉強して挑むと、この 46% で失速する。試験名が「Machine Learning Engineer」であって「Machine Learning Scientist」ではない理由が、配点構造に凝縮されている。

12 タスクステートメントの中身 — ドメイン別に読み解く

試験ガイドは 4 ドメインの下に 12 のタスクステートメントを定義している。全体像を一覧で掴む。

Domain 1: データ準備（28%）

• Task 1.1 データの取り込みと保存 — Parquet / JSON / CSV / ORC / Avro / RecordIO などのフォーマット選択、S3・EFS・FSx の使い分け、Kinesis などのストリーミング取り込み
• Task 1.2 データ変換と特徴量エンジニアリング — 外れ値処理・欠損補完・重複排除、スケーリングやビニング、one-hot などのエンコーディング、Glue / DataBrew / EMR 上の Spark / Data Wrangler の使い分け、Ground Truth によるラベリング
• Task 1.3 データ整合性の確保とモデリング準備 — クラス不均衡（CI）や DPL といった学習前バイアス指標、暗号化・匿名化・マスキング、PII / PHI への配慮、SageMaker Clarify によるバイアス検出

Domain 2: モデル開発（26%）

• Task 2.1 モデリングアプローチの選択 — アルゴリズムの適性判断、Translate / Transcribe / Rekognition / Bedrock など既製 AI サービスで済む場面の見極め、SageMaker JumpStart の活用、解釈可能性とコストの考慮
• Task 2.2 モデルの学習と改良 — エポック・バッチサイズ、早期終了と分散学習、L1 / L2 正則化やドロップアウト、SageMaker AMT（自動モデルチューニング）によるハイパーパラメータ探索、Model Registry でのバージョン管理
• Task 2.3 モデル性能の分析 — 混同行列、F1、適合率と再現率、RMSE、ROC 曲線と AUC、ベースライン作成、シャドーバリアントと本番バリアントの比較、Model Debugger による収束デバッグ

Domain 3: デプロイとオーケストレーション（22%）

• Task 3.1 デプロイ基盤の選択 — リアルタイム / サーバーレス / 非同期 / バッチ推論の 4 方式の使い分け、CPU / GPU のプロビジョニング、SageMaker Neo によるエッジ最適化、SageMaker Pipelines と Apache Airflow の選択
• Task 3.2 インフラの構築とスクリプト化 — CloudFormation と AWS CDK、ECR / ECS / EKS と BYOC（独自コンテナ持ち込み）、VPC 内エンドポイント、モデルレイテンシや呼び出し数に基づくオートスケーリング
• Task 3.3 CI/CD パイプライン — CodePipeline / CodeBuild / CodeDeploy、Gitflow、ブルー/グリーン・カナリア・リニアのデプロイ戦略、EventBridge による学習ジョブの自動起動、再学習機構の組み込み

Domain 4: 監視・保守・セキュリティ（24%）

• Task 4.1 推論の監視 — モデルドリフトの概念、SageMaker Model Monitor による品質監視、Clarify によるデータ分布変化の検出、A/B テスト
• Task 4.2 インフラとコストの監視・最適化 — CloudWatch / X-Ray / CloudTrail、Inference Recommender と Compute Optimizer によるライトサイジング、タグ戦略、Spot / On-Demand / Reserved と SageMaker Savings Plans の購入オプション
• Task 4.3 リソースのセキュリティ — IAM ロールと最小権限、SageMaker Role Manager、VPC・サブネット・セキュリティグループによる分離、CI/CD のセキュリティベストプラクティス

タスク一覧を眺めると、出題範囲の輪郭がはっきりする。問われるのは個別アルゴリズムの数理ではなく、「この要件ならどのサービス・どの設定を選ぶか」という判断の連続だ。

ドメインごとの性格の違いも押さえておきたい。Domain 1 は選択肢がサービス名で並ぶ「使い分け」問題が中心で、暗記の効率がそのまま得点に直結する。対照的に Domain 2 は、過学習の兆候から正則化を選ばせるような「症状 → 処方」型の出題が軸になり、概念の理解度が試される。Domain 3 はインフラ寄りで、要件文の中のレイテンシ・コスト・スパイク耐性といったキーワードからエンドポイント方式を逆引きする訓練が有効だ。そして Domain 4 は、監視ツールの役割分担と IAM の最小権限という、地味だが落とせない定番論点で構成される。同じ試験の中に 4 つの異なる「解き味」が同居していると考えると、模擬試験の復習でも誤答の原因分類がしやすくなる。

AIF-C01・SAA-C03 との関係 — 流用できる知識と新規学習

すでに AWS 認定を持つ読者にとっての関心は、学習の流用範囲だろう。

AIF-C01 からの接続は素直だ。ML ライフサイクル、SageMaker Clarify や Model Monitor の役割、バイアスと公平性の概念は AIF-C01 で学んだ地図がそのまま使える。MLA-C01 はその地図の各地点を「実際に構築・設定できるか」まで掘り下げる試験であり、概念→実装という難易度の段差が本質だ。

SAA-C03 からの流用も大きい。AWS Solutions Architect Associate SAA-C03 完全攻略入門（2026-05-30 公開）で扱った VPC・IAM・S3・オートスケーリング・コスト最適化の判断軸は、Domain 3 と Domain 4 でほぼそのまま再登場する。SAA-C03 取得者であれば、運用系 46% のかなりの部分を既習知識でカバーでき、新規学習を Domain 1・2 の ML 固有領域に集中できる。

一方、どちらの認定とも重ならないのが SageMaker の機能群そのものだ。Data Wrangler、Feature Store、AMT、Pipelines、Model Registry、Inference Recommender。この「SageMaker 語彙」の習得こそが、MLA-C01 固有の学習コストの正体になる。

どの認定も持っていない読者が MLA-C01 から入るのは勧めない。試験ガイドの想定受験者像が 1 年の実務経験を前提にしている以上、IAM や VPC の基礎が曖昧なまま挑むと、ML 以前のインフラ用語で読解が止まる。最短でも AIF-C01 で AI/ML の概念地図を先に作るか、クラウド基盤から固めたいなら SAA-C03 を先行させるか。手持ちの経験と相談して入口を選ぶのが、結果的に総学習時間を短くする。

主戦場は SageMaker AI — 頻出サービスの地図

試験ガイドに登場するサービスを役割別に整理すると、学習の優先順位が見えてくる。

このうち SageMaker 系だけで 12 機能を超える。MLA-C01 の学習は実質的に「SageMaker AI という巨大プラットフォームの分業体制を頭に入れる」作業だと言っていい。逆に、Bedrock を中心とした生成 AI 系サービスの比重は AIF-C01 より下がる。JumpStart や Bedrock の基盤モデルをファインチューニングする文脈で登場はするものの、主役はあくまで「自分のデータで学習・推論するパイプライン」だ。

学習時にもう 1 つ意識したいのが、汎用 AWS サービスとの境界線だ。Glue と Data Wrangler はどちらもデータ変換に使えるが、ETL の自動化なら Glue、対話的な探索と前処理なら Data Wrangler という適材適所が問われる。CloudFormation と CDK、ECS と EKS、CodeDeploy のデプロイ戦略。SAA-C03 的な判断問題に ML の文脈が乗る構造を想定しておくと、過去問の手応えが安定する。

8 週間学習ロードマップ — 配点比例で時間を配る

CLF-C02 や AIF-C01 を取得済みで、平日 1〜1.5 時間を確保できる前提の 8 週間プランを提示する。配点に比例させて時間を割るのが基本方針だ。

最大のつまずきポイントは第 7 週のハンズオンだ。MLA-C01 は机上学習だけでも合格点には届き得るが、エンドポイントの 4 方式やオートスケーリング設定は、一度コンソールと SDK で触っておくと記憶の定着がまるで違う。ただし SageMaker の学習・推論インスタンスは課金が発生しやすい。使い終わったエンドポイントの削除を習慣化し、Budgets でアラートを張ってから演習を始めるのが、Domain 4 の学習内容をそのまま実践する近道でもある。

なお、実務で SageMaker を 1 年以上使っている読者なら、第 1〜6 週を 3〜4 週間に圧縮し、模擬試験から逆算する短期決戦も成立する。逆に ML 実務が未経験なら、8 週間の前に AIF-C01 の取得を挟むことを勧める。概念の地図なしに SageMaker の機能名を浴びると、暗記が空転しやすい。

学習リソースの選び方 — 公式無料から始める三段構え

リソースは「公式で骨格 → 講座で肉付け → 模擬試験で仕上げ」の三段構えが効率的だ。

第一段は無料の公式教材。AWS Skill Builder の MLA-C01 Exam Prep プランには標準（無料）の学習プランが用意され、公式の出題傾向に沿った演習問題も一部無料で解ける。まず試験ガイドと Skill Builder で全 12 タスクの骨格を作る。

第二段は体系講座。Udemy の「AWS Certified Machine Learning Engineer Associate: Hands On!」（Stéphane Maarek と Frank Kane の共著講座）は、SageMaker のハンズオンを含む構成で、CLF / SAA シリーズで Maarek 講座を使った読者には進め方の感覚がそのまま通用する。動画で手を動かす過程を観られる点が、Domain 3 の IaC・CI/CD 領域では特に効く。

第三段は模擬試験。Tutorials Dojo の MLA-C01 Practice Exams は、解説の厚さと「なぜ他の選択肢が誤りか」の明文化に定評があり、本番より一段細かい知識まで踏み込んでくれる。Coursera にも AWS 公式パートナー教材ベースの Exam Prep 専門講座群があり、英語に抵抗がなければ選択肢に入る。いずれの教材も価格はセールやサブスクリプションで変動するため、購入時点の条件を確認してほしい。

教材選びで 1 つだけ警告しておく。実試験問題の転載をうたう、いわゆる dumps サイトには絶対に手を出さないこと。NDA 違反で認定剥奪のリスクがあるうえ、内容の正確性も保証されない。公式 + 正規教材だけで合格圏には十分届く。

つまずきやすいポイント 3 つ — 先回りして潰す

最後に、MLA-C01 の学習で典型的につまずく 3 点を挙げておく。

第一に、SageMaker 語彙の物量に飲まれること。機能名を個別に暗記しようとすると、Data Wrangler と DataBrew、Model Monitor と Model Debugger のような近接ペアで混乱が始まる。対策は「パイプラインのどの工程で使うか」という位置情報とセットで覚えることだ。工程の地図上に機能名を配置すれば、順序付け形式への備えも同時に済む。

第二に、運用系 46% の軽視。ML の学習というとアルゴリズムと評価指標に時間を使いがちだが、配点の半分近くはデプロイと監視・セキュリティにある。模擬試験でドメイン別の正答率を出し、Domain 3・4 が 7 割を切っているうちは本番を予約しない。この基準だけで不合格のリスクは大きく下がる。

第三に、完全一致形式での取りこぼし。順序付けと組み合わせには部分点がないため、「9 割分かっている」状態が 0 点になり得る。ML ライフサイクルの工程順、CI/CD の段階、ブルー/グリーンとカナリアの違いといった「順序・対応の定番」は、曖昧さを残さず仕上げておく必要がある。

まとめ — 「ML を本番で動かせる人」の証明へ

MLA-C01 は、MLS-C01 廃止後の AWS 機械学習認定の実装系本流であり、データ準備 28%・モデル開発 26%・デプロイ 22%・監視/セキュリティ 24% という配点が示す通り、「モデルを作る人」ではなく「ML パイプラインを運用するエンジニア」を認定する試験だ。65 問 130 分・合格点 720・受験料 $150（日本では 20,000 円・税別）。順序付けと組み合わせを含む 4 形式の出題に対しては、フローとペアで覚える学習設計が効く。

AIF-C01 で概念の地図を持ち、SAA-C03 で運用系の判断軸を持つ読者なら、新規学習は SageMaker の機能群に集中できる。まずは公式試験ガイドと Skill Builder の無料プランで骨格を作り、8 週間プランの第 1 週、Domain 1 のデータフォーマット選択から始めてほしい。配点最大のドメインから着手することが、合格までの最短経路だ。

参照

• AWS Certified Machine Learning Engineer – Associate 公式ページ
• MLA-C01 試験ガイド（公式）
• AWS Certified Machine Learning – Specialty 廃止案内（公式）
• AWS 認定の新しい問題形式（AWS 公式ブログ）
• AWS Skill Builder MLA-C01 Exam Prep
• Tutorials Dojo MLA-C01 Study Path

ブラウザだけでできる本格的なAI画像生成【ConoHa AI Canvas】

swiftwand

X

AIを使って、毎日の生活をもっと快適にするアイデアや将来像を発信しています。 初心者にもわかりやすく、すぐに取り入れられる実践的な情報をお届けします。 Sharing ideas and visions for a better daily life with AI. Practical tips that anyone can start using right away.