AWS Certified Machine Learning - Specialty(MLS-C01)教科書

MLS-C01 は AWS 認定の Specialty レベル で、ML / 深層学習 / 統計の 深い専門知識 が問われる最高峰試験。MLA-C01(Associate)が SageMaker / 実装中心 だったのに対し、MLS-C01 は数学的背景 ・ アルゴリズム選択 ・ ハイパーパラメータの細かい設計判断 までを測ります。

• 主催: Amazon Web Services(AWS)
• 形式: CBT(Pearson VUE)or オンライン監督受験
• 問題数 / 時間: 65 問 / 180 分
• 回答方式: 単一選択 + 複数選択 + ケーススタディ
• 合格スコア: 750 / 1000
• 有効期限: 3 年
• 受験料: 300 USD(参考)
• 前提知識: ML 実務 1 〜 2 年 + 統計 ・ 線形代数 ・ 微積分の基礎

AWS ML 認定の階層

• Foundational: AI Practitioner(AIF-C01)
• Associate: ML Engineer Associate(MLA-C01)
• Specialty: ML Specialty(MLS-C01、本資格)

公式試験ガイドのドメイン

1. Domain 1: Data Engineering(20%): データ収集 ・ 変換 ・ 保管
2. Domain 2: Exploratory Data Analysis(24%): EDA ・ 特徴量エンジニアリング
3. Domain 3: Modeling(36%): アルゴリズム選択 ・ ハイパーパラメータ ・ 評価
4. Domain 4: Machine Learning Implementation and Operations(20%): デプロイ ・ MLOps ・ セキュリティ

200 〜 400 時間プラン

1. Month 1: ML 基礎 + 数学(線形代数 / 微積分 / 統計)
2. Month 2: アルゴリズム深掘り(GBDT / NN / 時系列 / クラスタリング / 強化学習)
3. Month 3: SageMaker フル機能 + Built-in アルゴリズム
4. Month 4: AWS データサービス + デプロイ + MLOps
5. Month 5: 模擬試験 + 過去問

• ベクトル / 行列の基本演算
• 内積 / 外積 / 転置 / 逆行列
• 固有値 / 固有ベクトル: PCA の基礎
• 特異値分解(SVD): 次元削減 / 推薦システム
• ノルム: L1(マンハッタン)/ L2(ユークリッド)
• コサイン類似度: テキスト ・ 画像の類似性
• ランク / 線形独立

• 確率分布: 正規 / 二項 / ポアソン / ベータ / ガンマ / 多項
• 期待値 / 分散 / 共分散 / 相関
• 条件付確率 / ベイズの定理
• 最尤推定 / MAP 推定
• 仮説検定 / p 値 / 信頼区間
• 多重検定補正: ボンフェローニ / FDR
• 中心極限定理 / 大数の法則
• ブートストラップ / Cross Validation

• 偏微分 / 連鎖律(Chain Rule)
• 勾配降下法 / 確率的勾配降下法(SGD)
• Momentum / Adam / RMSprop / AdamW
• Newton 法 / 準 Newton 法(BFGS / L-BFGS)
• ヘッセ行列 / Jacobian
• 正則化(L1 / L2)
• 凸最適化 / 非凸最適化
• 勾配消失 / 勾配爆発

• S3: データレイクの中核
• Kinesis Data Streams: リアルタイムストリーミング、保持 1 〜 365 日
• Kinesis Data Firehose: 自動配信(S3 / Redshift / Splunk / OpenSearch)
• Kinesis Data Analytics: ストリーム SQL / Apache Flink
• Amazon MSK: マネージド Kafka
• AWS Glue: ETL + Data Catalog
• AWS DMS: DB 移行 + CDC
• Step Functions: ワークフロー

• 形式: CSV / JSON / Parquet / ORC / Avro / TFRecord / RecordIO
• Parquet vs ORC: 列指向、Parquet がエコシステム広
• RecordIO: SageMaker Built-in アルゴリズムの推奨形式
• Compression: gzip / snappy / lz4 / zstd
• S3 Storage Classes: Standard / IA / Glacier 系の使い分け
• S3 Lifecycle: 自動移行
• Athena: S3 上の SQL
• Redshift: マネージド DWH
• Lake Formation: データレイク統合

• SageMaker Feature Store: Online + Offline 特徴量
• Online: 低遅延推論用
• Offline: 学習用、S3 + Glue Catalog
• Glue DataBrew: ノーコード ETL(250+ 変換)
• Glue Studio: GUI / コードベース ETL
• Glue Crawler: スキーマ自動検出
• Glue Job Bookmark: 増分処理

• 数値要約: mean / median / std / quartile / skewness / kurtosis
• 可視化: ヒストグラム / 箱ひげ / 散布図 / ヒートマップ / バイオリン
• 相関分析: Pearson / Spearman / Kendall
• 多重共線性: VIF
• 外れ値検出: IQR / Z-score / Isolation Forest / Local Outlier Factor
• SageMaker Data Wrangler: GUI EDA + 前処理
• SageMaker Clarify Pre-training Bias: バイアス事前検出

• スケーリング: StandardScaler / MinMaxScaler / RobustScaler
• カテゴリエンコーディング: One-hot / Ordinal / Target / Frequency / Hashing
• 変換: 対数 / Box-Cox / Yeo-Johnson
• ビニング: 等幅 / 等頻度 / 決定木ベース
• 特徴量交差: 多項式 / 任意関数
• 集約特徴量: Window over time
• テキスト: TF-IDF / Word2Vec / BERT 埋め込み
• 画像拡張: 反転 / 回転 / 色調整 / Mixup / CutMix
• 時系列: ラグ / 移動平均 / フーリエ展開

欠測対策

• MCAR / MAR / MNAR の判別
• 単一代入: 平均 / 中央値 / 最頻値
• KNN 代入 / 回帰代入
• 多重代入(Multiple Imputation): MICE
• Indicator 列 + 代入: 欠測情報を残す

不均衡対策

• Oversampling: SMOTE / ADASYN
• Undersampling: ランダム / Tomek Links / NearMiss
• Class Weight 調整
• Threshold Moving: 予測閾値の調整
• Cost-Sensitive Learning
• 評価指標: PR-AUC / F1 / Recall(Accuracy ではなく)

• Linear Learner: 線形 / ロジスティック回帰
• XGBoost: GBDT、テーブル予測の主力
• Factorization Machines: 推薦 / 高次元疎データ
• KNN: 近傍ベース
• Image Classification(ResNet)
• Object Detection(SSD)
• Semantic Segmentation
• BlazingText: Word2Vec / Text Classification
• Sequence-to-Sequence: 翻訳 / 要約
• DeepAR: 時系列予測(RNN)
• Tabular Auto-ML(AutoGluon)

• K-Means: クラスタリング
• PCA(Principal Component Analysis): 次元削減
• Random Cut Forest(RCF): 異常検知
• IP Insights: アクセスパターン異常検知
• LDA(Latent Dirichlet Allocation): トピックモデル
• NTM(Neural Topic Model): ニューラルトピックモデル
• Object2Vec: 埋め込み学習

• SageMaker RL: 強化学習(Q-learning / DQN / PPO)
• OpenAI Gym / Vowpal Wabbit / RLlib
• 用途: ロボット / 自動運転 / 推薦 / 在庫最適化 / ゲーム
• Built-in に加え BYOC: TensorFlow / PyTorch / MXNet / Hugging Face / scikit-learn / XGBoost フレームワーク
• JumpStart: 事前学習済モデル + ファインチューニング
• Bedrock 統合: 生成 AI

• Grid Search: 全組合せ網羅、次元の呪い
• Random Search: 同予算で Grid より発見率高
• Bayesian Optimization: SageMaker デフォルト
• Hyperband: 早期終了 + 並列、SageMaker サポート
• ASHA(非同期的成功半減)
• Warm Start: 過去 HPO の引継ぎ
• Early Stopping: 性能向上が見込めない試行を打ち切り
• Population-Based Training(PBT)

分類

• Accuracy / Precision / Recall / F1 / F-beta
• ROC-AUC vs PR-AUC: 不均衡対応
• Log Loss(Binary / Multi): 確率の質
• Macro / Micro / Weighted Average
• Confusion Matrix: 混同行列
• Cohen's Kappa: 一致度
• Matthews Correlation Coefficient(MCC)

回帰

• MSE / RMSE / MAE / R² / MAPE / MASE
• 残差プロット / Q-Q プロット
• Heteroscedasticity 検定
• 正規性検定(Shapiro-Wilk / KS)

ランキング / 推薦

• MAP@K / NDCG@K
• MRR(Mean Reciprocal Rank)
• Precision/Recall@K

• K-Fold(k=5/10): 標準
• Stratified K-Fold: 分類でクラス比率を保つ
• Time Series Split: 時系列で時間順を守る
• Group K-Fold: 同グループの混在を防ぐ
• Leave-One-Out CV: 計算コスト高
• Nested CV: HPO + 評価の両立
• Bias-Variance Tradeoff

• 畳み込み + プーリング + 全結合
• Padding / Stride / Dilation
• Batch Normalization / Layer Normalization / Group Normalization
• Dropout / Stochastic Depth
• Skip Connection(ResNet): 勾配消失対策
• Inception / DenseNet / EfficientNet
• Transfer Learning: ImageNet 事前学習
• Vision Transformer(ViT): Attention ベース
• Object Detection: YOLO / Faster R-CNN / DETR
• Segmentation: U-Net / DeepLab / Mask R-CNN

• RNN / LSTM / GRU: 順次処理
• 勾配消失 / 勾配爆発: ゲート機構の理由
• Seq2Seq: 翻訳 ・ 要約
• Attention 機構: Self-Attention / Multi-Head
• Transformer: 並列処理 + 長距離依存
• BERT / GPT / T5: 事前学習 + 微調整
• RAG: Retrieval Augmented Generation
• Tokenization: BPE / WordPiece / SentencePiece
• Embedding: Word2Vec / GloVe / fastText / 文埋め込み

• GAN(Generative Adversarial Network): 生成器 + 識別器
• VAE(Variational Autoencoder): 潜在空間
• 拡散モデル(Diffusion Model): ノイズ除去、画像生成の主役
• Flow-based: 可逆変換
• Autoregressive: GPT / PixelCNN
• LLM Fine-tuning: SFT / RLHF / DPO / LoRA / QLoRA
• Bedrock: Claude / Titan / Llama / Mistral / Stability AI

• Real-time Inference: 低遅延 ・ 常時稼働
• Serverless Inference: 自動スケール ・ 従量課金
• Asynchronous Inference: 大ペイロード ・ 長時間
• Batch Transform: 大量データ ・ 一括
• Edge(Greengrass / SageMaker Edge): IoT 推論
• Multi-Model Endpoint: 多数モデル同居
• Multi-Container Endpoint: 異種モデル同時
• Inference Pipeline: 前処理 + モデル + 後処理
• Production Variants: A/B テスト
• Shadow Variants: 本番影響なしテスト

• Quantization: float32 → int8 / int4
• Pruning: 不要重みの削除
• Distillation: 大 → 小モデル
• Neo: モデルの自動コンパイル(ハード最適化)
• Inferentia / Trainium: AWS 自家製 AI チップ
• TensorRT / ONNX Runtime / Triton: 推論サーバ
• Model Compilation: Graph Optimization / Operator Fusion
• Inference Recommender: インスタンスタイプ推奨

• Auto Scaling Policies: Target Tracking / Step / Scheduled
• Min / Max Replicas: スケール範囲
• Cold Start 対策: Provisioned Concurrency
• Load Testing: Inference Recommender / 自前ベンチマーク
• Multi-AZ: 可用性
• Cross-Region: 災害対策
• Throttling 対策: Retry with backoff

• ProcessingStep / TrainingStep / TuningStep / ConditionStep
• Lambda / Callback / EMR / Notebook Steps
• Caching: 同じステップ ・ 同じ入力で結果再利用
• Pipeline Parameters: 動的入力
• Conditional Branching
• Lineage Tracking: データ → モデルの来歴
• SageMaker Projects: テンプレート化 MLOps
• SageMaker Studio + Git: ブランチベース開発
• MLflow on SageMaker: 実験管理

• Data Quality: 統計値変化(欠測 / 範囲 / 分布)
• Model Quality: 予測 vs 正解の乖離
• Bias Drift: 特定グループへのバイアス変化
• Feature Attribution Drift: SHAP ベース重要度変化
• Baseline 設定: 学習データの統計
• Schedule 監視: 定期実行
• CloudWatch + EventBridge: アラート + 自動対応
• Human-in-the-loop(A2I): 低信頼予測の人間レビュー

• SageMaker Clarify: バイアス + 説明可能性
• Differential Privacy: 差分プライバシー
• Federated Learning: 連合学習
• Homomorphic Encryption: 準同型暗号
• VPC + PrivateLink: ネットワーク分離
• Network Isolation = True: コンテナをインターネットから切離し
• KMS / Secrets Manager: 暗号鍵 / 機密情報
• IAM: 最小権限 ・ Execution Role
• Macie: S3 内の個人情報自動検出
• Bedrock Guardrails: 生成 AI 安全制御

1. 第 2 章: 線形代数 ・ 統計 ・ 微積分の基礎
2. 第 3 章: Kinesis / Glue / Feature Store / Parquet vs RecordIO
3. 第 4 章: EDA / 特徴量エンジニアリング / 不均衡対策(SMOTE 等)
4. 第 5 章: Built-in 30+ アルゴリズム + 選び分け
5. 第 6 章: HPO(Bayesian / Hyperband)/ 評価指標(分類 / 回帰 / ランキング)
6. 第 7 章: CNN / RNN / Transformer / 生成モデル
7. 第 8 章: 推論 5 種 / Quantization / Distillation / Inferentia
8. 第 9 章: Pipelines / Model Monitor / Clarify / VPC + Network Isolation

試験当日のコツ

• 65 問 / 180 分 = 1 問 約 3 分(MLA より長い)
• ケーススタディ: 複雑な要件 + 制約 + 最適選択
• 最も○○な答え を選ぶ問題が中心
• 消去法: 明らかに不適切な選択肢から除外
• Practice Exam(AWS 公式)+ 模擬試験 サイト で出題傾向把握

MLS-C01 合格 → AWS で ML / AI スペシャリストの最高峰。次は AWS Solutions Architect Professional(SAP-C02) で全体アーキテクトに進む、または 三大クラウド ML を揃える 道があります。本サイトの[Azure AI-102](/certs/azure-ai-102) ・ [GCP Professional ML Engineer](/certs/gcp-ml-engineer)も。