Cert Notes/ 출퇴근 학습 노트
로드맵
KOEN
CLF-C02 · FoundationalCloud Practitioner - Foundational
DVA-C02 · AssociateDeveloper - Associate
SAA-C03 · AssociateSolutions Architect - Associate
SOA-C02 · AssociateCloudOps Engineer - Associate
SAP-C02 · ProfessionalSolutions Architect - Professional
DOP-C02 · ProfessionalDevOps Engineer - Professional
SCS-C03 · SpecialtySecurity - Specialty
MLA-C01 · AssociateMachine Learning Engineer - Associate
AIF-C01 · FoundationalAI Practitioner - Foundational
DEA-C01 · AssociateData Engineer - Associate
MLS-C01 · SpecialtyMachine Learning - Specialty
  • Week 1
    • 1.ML Lifecycle (Specialty Perspective)
    • 2.ML용 데이터 저장소: S3·EFS·FSx for Lustre·데이터 포맷
    • 3.데이터 수집: Kinesis·Glue·배치 vs 스트리밍
    • 4.Data Labeling: SageMaker Ground Truth·Active Learning·Label Quality
    • 5.Week 1 Integrated Review: ML Overview & Data Engineering 1
  • Week 2
    • 1.데이터 변환과 ETL: AWS Glue, Spark, 그리고 EMR
    • 2.학습 데이터 파이프라인 자동화: Step Functions와 SageMaker Pipelines
    • 3.Data Augmentation and Synthesis: Addressing Insufficient and Imbalanced Data
    • 4.Data Storage and Access Optimization: Pipe vs File Mode, FSx for Lustre, Distributed Training
    • 5.Week 2 Comprehensive Review: From Transformation to Distributed Training Data Supply
  • Week 3
    • 1.Data Cleaning: Missing Values, Outlier Detection, Duplicates and Errors
    • 2.특성 공학: 스케일링, 인코딩, 비닝
    • 3.Time Series, Text Features, and High-Cardinality Categorical Handling
    • 4.SageMaker 도구: Data Wrangler, Processing Job, Feature Store
    • 5.Week 3 Comprehensive Review: Cleaning and Feature Engineering
  • Week 4
    • 1.차원 축소: PCA, t-SNE, 차원의 저주
    • 2.Feature Selection: Filter, Wrapper, Embedded, Importance, Multicollinearity
    • 3.Data Visualization: Distribution, Correlation, QuickSight, Insights
    • 4.Handling Class Imbalance: Over/Undersampling, SMOTE, Class Weights, Evaluation
    • 5.Week 4 Comprehensive Review: Dimensionality, Feature Selection, Visualization, Imbalance
  • Week 5
    • 1.Statistical Foundations: Distribution, Central Tendency, Dispersion, Transformations, Sample and Population
    • 2.Correlation and Relationships: Correlation Coefficients, Causation vs. Correlation, Multivariate Relationships
    • 3.Data Leakage: Causes, Detection, Prevention; Time Series Leakage; Target Leakage
    • 4.Validation Design: train/validation/test Split, Cross-Validation, Time Series Split, Stratified Sampling
    • 5.Week 5 Comprehensive Review: Statistics and Validation Design
  • Week 6
    • 1.알고리즘 선택: 문제 유형별 매핑
    • 2.SageMaker Builtin 1: XGBoost, Linear Learner, K-Means, KNN
    • 3.SageMaker Builtin 2: Text, Image, Time Series, Recommendation
    • 4.Unsupervised/Anomaly Detection: RCF, PCA, IP Insights, Topic Models (LDA/NTM)
    • 5.Week 6 Comprehensive Review: Algorithm Selection and SageMaker Builtins
  • Week 7
    • 1.신경망 기초: 퍼셉트론에서 역전파까지
    • 2.CNN: Convolutional Neural Networks and Computer Vision
    • 3.RNNs and Sequences: From LSTM to Transformer
    • 4.학습 기법과 전이학습
    • 5.Week 7 Synthesis: Deep Learning Summary
  • Week 8
    • 1.SageMaker 학습 작업: Estimator, 입력 모드, 분산 학습, Spot
    • 2.하이퍼파라미터 튜닝(AMT): 베이지안·랜덤·Hyperband
    • 3.Overfitting/Underfitting: Diagnosis and Regularization/Data Augmentation
    • 4.학습 최적화: 배치 크기·학습률, 그래디언트 문제, Debugger/Profiler
    • 5.Week 8 Review: Training, Tuning, Generalization
  • Week 9
    • 1.분류 평가지표: 정확도·정밀도·재현율·F1과 혼동행렬
    • 2.ROC/AUC와 임계값 조정: 곡선으로 읽는 모델 성능
    • 3.회귀 평가지표: RMSE·MAE·MAPE·R²와 잔차 분석
    • 4.모델 디버깅과 편향: SageMaker Debugger와 Clarify
    • 5.Week 9 종합 복습: 평가와 디버깅
  • Week 10
    • 1.추론 옵션: 실시간 vs 서버리스 vs 비동기 vs 배치 변환
    • 2.Real-time Endpoint Operations: Configuration, Auto Scaling, Multi-Model
    • 3.Inference Optimization: Neo, Elastic Inference, Inferentia, Inference Pipelines
    • 4.Deployment Strategies: A/B Testing, Blue/Green, Canary, Shadow, Rollback
    • 5.Week 10 Review: ML Implementation & Operations 1 — Deployment & Inference
  • Week 11
    • 1.Model Monitoring: SageMaker Model Monitor and Drift Response
    • 2.MLOps: SageMaker Pipelines, Model Registry, CI/CD
    • 3.ML Security: IAM Execution Roles, VPC Isolation, KMS Encryption
    • 4.Operations & Cost: Cost Optimization, Logging/Audit, Disaster Recovery
    • 5.Week 11 Review: Monitoring, MLOps, Security, Operations
  • Week 12
    • 1.도메인 1·2 통합 복습: 데이터 엔지니어링 + 탐색적 데이터 분석
    • 2.도메인 3 통합 복습: 모델링(알고리즘·딥러닝·튜닝·평가)
    • 3.도메인 4 + 전체 종합: ML 구현·운영 복습 + 4도메인 교차
    • 4.Synthesis: 4 Domains + End-to-End Scenarios
    • 5.D-Day 마무리: 시험 구성·시간 배분·요구사항 번역표·함정 총정리
합격 후기
← 전체 자격증/MLS-C01

Machine Learning - Specialty

12주 · 총 60일 · Specialty

Week 1부터 시작

MLS-C01 합격 후기 보기 →

시험 정보

전문 · 해당 도메인 실무 경험 권장
문항 수
65문항
시험 시간
180분
합격 기준
750 / 1000
응시료
$300
유효기간
3년

도메인 비중

데이터 엔지니어링20%
탐색적 데이터 분석24%
모델링36%
머신러닝 구현 및 운영20%
형식객관식·복수응답
선수지식없음(권장: ML/딥러닝 개발·운영 2년 이상 경험)
언어영어, 한국어, 일본어, 중국어 간체

혜택 & 꿀팁

  • 합격하면 다음 시험 50% 할인 바우처가 생깁니다. AWS Certification 계정의 "Benefits"에서 확인하고 재인증·다른 자격증 응시에 쓸 수 있어요(만료일이 있으니 그 전에 사용).
  • 인증은 3년간 유효하며 만료 전 재인증이 필요합니다. 재인증 때도 이 50% 바우처를 쓸 수 있어요.
  • 무료 재응시는 없습니다(매 응시 전액 결제). 첫 시도에 붙는 게 가장 저렴하니, 모의고사로 합격선을 넘긴 뒤 응시하세요.
  • 합격하면 Credly 디지털 배지가 발급돼 링크드인·이메일 서명에 붙일 수 있습니다.

자주 묻는 질문

MLS-C01 시험은 몇 문항이고 시험 시간은 얼마나 되나요?+

MLS-C01은 총 65문항이며, 시험 시간은 180분입니다. 문항은 객관식과 복수응답형으로 출제됩니다.

합격 점수는 몇 점인가요?+

1000점 만점에 750점 이상이면 합격입니다. 점수는 문항 난이도를 보정한 스케일 점수라 단순 정답률과는 다릅니다.

응시료는 얼마이고 어떻게 접수하나요?+

응시료는 미화 $300이며, Pearson VUE를 통해 시험 센터 또는 온라인 감독(프록터드) 시험으로 응시할 수 있습니다. 무료 재응시는 없어 매 응시마다 전액을 결제합니다.

자격증은 얼마나 유효한가요? 재인증은 어떻게 하나요?+

합격 후 3년간 유효하며, 만료 전 재인증이 필요합니다. 합격 시 다음 시험 50% 할인 바우처가 제공되어 재인증이나 다른 AWS 자격증 응시에 사용할 수 있습니다.

한국어로 응시할 수 있나요?+

네, 한국어를 포함해 총 4개 언어로 제공됩니다. 시험 등록 시 언어를 선택할 수 있습니다.

공식 시험 안내 시험 등록

트랙 구성

  • 심화 노트 60일 — 12주 커리큘럼, 1주차까지 무료
  • 모의고사 65문항 — 공식 시험 가이드 도메인 기반 오리지널 문항(Pro 전용)
  • 일일 연습문제 — 학습일마다 이해도 점검 퀴즈
  • 오답 복습 — 틀린 문항을 SM-2 간격 반복으로 재출제

1주차

  • Day 1ML Lifecycle (Specialty Perspective)
  • Day 2ML용 데이터 저장소: S3·EFS·FSx for Lustre·데이터 포맷
  • Day 3데이터 수집: Kinesis·Glue·배치 vs 스트리밍
  • Day 4Data Labeling: SageMaker Ground Truth·Active Learning·Label Quality
  • Day 5Week 1 Integrated Review: ML Overview & Data Engineering 1

2주차

  • Day 1데이터 변환과 ETL: AWS Glue, Spark, 그리고 EMR
  • Day 2학습 데이터 파이프라인 자동화: Step Functions와 SageMaker Pipelines
  • Day 3Data Augmentation and Synthesis: Addressing Insufficient and Imbalanced Data
  • Day 4Data Storage and Access Optimization: Pipe vs File Mode, FSx for Lustre, Distributed Training
  • Day 5Week 2 Comprehensive Review: From Transformation to Distributed Training Data Supply

3주차

  • Day 1Data Cleaning: Missing Values, Outlier Detection, Duplicates and Errors
  • Day 2특성 공학: 스케일링, 인코딩, 비닝
  • Day 3Time Series, Text Features, and High-Cardinality Categorical Handling
  • Day 4SageMaker 도구: Data Wrangler, Processing Job, Feature Store
  • Day 5Week 3 Comprehensive Review: Cleaning and Feature Engineering

4주차

  • Day 1차원 축소: PCA, t-SNE, 차원의 저주
  • Day 2Feature Selection: Filter, Wrapper, Embedded, Importance, Multicollinearity
  • Day 3Data Visualization: Distribution, Correlation, QuickSight, Insights
  • Day 4Handling Class Imbalance: Over/Undersampling, SMOTE, Class Weights, Evaluation
  • Day 5Week 4 Comprehensive Review: Dimensionality, Feature Selection, Visualization, Imbalance

5주차

  • Day 1Statistical Foundations: Distribution, Central Tendency, Dispersion, Transformations, Sample and Population
  • Day 2Correlation and Relationships: Correlation Coefficients, Causation vs. Correlation, Multivariate Relationships
  • Day 3Data Leakage: Causes, Detection, Prevention; Time Series Leakage; Target Leakage
  • Day 4Validation Design: train/validation/test Split, Cross-Validation, Time Series Split, Stratified Sampling
  • Day 5Week 5 Comprehensive Review: Statistics and Validation Design

6주차

  • Day 1알고리즘 선택: 문제 유형별 매핑
  • Day 2SageMaker Builtin 1: XGBoost, Linear Learner, K-Means, KNN
  • Day 3SageMaker Builtin 2: Text, Image, Time Series, Recommendation
  • Day 4Unsupervised/Anomaly Detection: RCF, PCA, IP Insights, Topic Models (LDA/NTM)
  • Day 5Week 6 Comprehensive Review: Algorithm Selection and SageMaker Builtins

7주차

  • Day 1신경망 기초: 퍼셉트론에서 역전파까지
  • Day 2CNN: Convolutional Neural Networks and Computer Vision
  • Day 3RNNs and Sequences: From LSTM to Transformer
  • Day 4학습 기법과 전이학습
  • Day 5Week 7 Synthesis: Deep Learning Summary

8주차

  • Day 1SageMaker 학습 작업: Estimator, 입력 모드, 분산 학습, Spot
  • Day 2하이퍼파라미터 튜닝(AMT): 베이지안·랜덤·Hyperband
  • Day 3Overfitting/Underfitting: Diagnosis and Regularization/Data Augmentation
  • Day 4학습 최적화: 배치 크기·학습률, 그래디언트 문제, Debugger/Profiler
  • Day 5Week 8 Review: Training, Tuning, Generalization

9주차

  • Day 1분류 평가지표: 정확도·정밀도·재현율·F1과 혼동행렬
  • Day 2ROC/AUC와 임계값 조정: 곡선으로 읽는 모델 성능
  • Day 3회귀 평가지표: RMSE·MAE·MAPE·R²와 잔차 분석
  • Day 4모델 디버깅과 편향: SageMaker Debugger와 Clarify
  • Day 5Week 9 종합 복습: 평가와 디버깅

10주차

  • Day 1추론 옵션: 실시간 vs 서버리스 vs 비동기 vs 배치 변환
  • Day 2Real-time Endpoint Operations: Configuration, Auto Scaling, Multi-Model
  • Day 3Inference Optimization: Neo, Elastic Inference, Inferentia, Inference Pipelines
  • Day 4Deployment Strategies: A/B Testing, Blue/Green, Canary, Shadow, Rollback
  • Day 5Week 10 Review: ML Implementation & Operations 1 — Deployment & Inference

11주차

  • Day 1Model Monitoring: SageMaker Model Monitor and Drift Response
  • Day 2MLOps: SageMaker Pipelines, Model Registry, CI/CD
  • Day 3ML Security: IAM Execution Roles, VPC Isolation, KMS Encryption
  • Day 4Operations & Cost: Cost Optimization, Logging/Audit, Disaster Recovery
  • Day 5Week 11 Review: Monitoring, MLOps, Security, Operations

12주차

  • Day 1도메인 1·2 통합 복습: 데이터 엔지니어링 + 탐색적 데이터 분석
  • Day 2도메인 3 통합 복습: 모델링(알고리즘·딥러닝·튜닝·평가)
  • Day 3도메인 4 + 전체 종합: ML 구현·운영 복습 + 4도메인 교차
  • Day 4Synthesis: 4 Domains + End-to-End Scenarios
  • Day 5D-Day 마무리: 시험 구성·시간 배분·요구사항 번역표·함정 총정리