Databricks認定 機械学習アソシエイト 模擬問題集96問｜全問解説・公式ドキュメント出典つき（2026年版）

Databricksの職種別認定「Databricks Certified Machine Learning Associate」の受験対策として、Databricks公式ドキュメント・Apache Spark公式ドキュメント・MLflow／scikit-learn公式サイトの公開情報にもとづき独自作成した模擬問題96問です。全問に「正解の理由」と「不正解の選択肢ごとの理由」、論点をまとめた総合解説と参考URLを付けています。

想定している読者は次のような方です。

• Databricks上で機械学習のワークフローを触り始めて、MLflow・Model Serving・AutoML・Feature Store の役割分担を整理したい方

• データエンジニア／アナリストからML側へ職域を広げるために、最初の認定を取ろうとしている方

• 受験料が200米ドルなので、申し込む前に手応えを測っておきたい方

Databricks公式の認定ページによれば、この試験は採点対象48問・90分・受験料200米ドル、前提資格はなし（関連トレーニングを強く推奨）で、オンラインまたはテストセンターで受験します。認定の有効期間は2年。提供言語は英語・日本語・ポルトガル語(BR)・韓国語で、日本語で受験できます。公式の出題比重は Databricks Machine Learning 38%／Model Development 31%／ML Workflows 19%／Model Deployment 12%。試験ガイドPDFのファイル名は `Databricks-Certified-Machine-Learning-Associate-Exam-Guide-August-2026.pdf` で（執筆時の2025年3月版から更新。出題比重は変わらず・2026年10月24日確認）、2026年8月版が現行です。公式FAQは「Moving forward there will only ever be one version of each exam.」（各試験の版は常に1つ）、「The exam guide is the source of truth for what is currently on a currently live exam.」（試験ガイドが出題内容の唯一の正）と明記しています（いずれも2026年9月20日確認・出典は記事末尾）。受験前には必ず公式ページで最新の条件をご確認ください。

困りごと——「機械学習の知識」ではなく「Databricks上での役割分担」が問われる

この試験でつまずく人の多くは、機械学習そのものは分かっています。詰まるのは、「Databricksのどの機能が、その工程を担当するのか」です。

MLflow Experiments、MLflow Model Registry、Unity Catalog、Model Serving、Feature Store、AutoML——名前を聞けば全部分かるのに、設問が「2つのモデルバージョンのメトリクスを比較したい」「REST APIとして公開したい」「後からソースコードをレビューできる必要がある」と具体的な要件を出してきた瞬間に、どれか1つに絞れなくなる。

実際、本セットの収録内訳でも ML Workflows 28問・Model Deployment 26問・Model Development 26問と、工程ごとの問いが全体の8割超を占めます。純粋なアルゴリズムの知識で解ける問題は、実は多くありません。

もう一つの特徴が、「もっともらしいが担当が違う」選択肢の作られ方です。Model Registry と Model Serving、AutoML と Model Quality Monitoring、`mlflow.pyfunc.load_model()` と `mlflow.pyfunc.spark_udf()`——どれも実在する機能名・API名で、要件に合うものだけが1つ。雰囲気では選べません。

そして、日本語で、解説の根拠URLまで付いた演習教材は数が限られています。本セットは、その一点（機能の担当工程を、公式ドキュメントの該当ページまで辿って確定させる）に絞って作っています。

結論の要約

• 本セットは96問。内訳は単一選択77問・複数選択19問です

• 1問ごとに「正解の理由」「不正解の選択肢それぞれの理由」「総合解説」「参考URL」が付きます

• 収録は4分野（ML Workflows 28／Model Deployment 26／Model Development 26／Databricks Machine Learning 16）

• 参考URLのユニークな参照先は55件。内訳は docs.databricks.com 42件・spark.apache.org 10件・scikit-learn.org 2件・mlflow.org 1件です

• 有料部分では、PDF本体に加えて学習の3周プラン・分野別の読み方・判断が割れやすい5つの対比を収録しています

• 本記事の無料部分だけで、収録PDFと同じ密度のサンプル3問を全文読めます

商品仕様

• 問題数　— 内容: 96問（公式の試験問題の複製ではなく、公開情報にもとづく独自作成の演習セットです）

• 収録内訳　— 内容: ML Workflows 28問／Model Deployment 26問／Model Development 26問／Databricks Machine Learning 16問

• 配分の考え方　— 内容: 上記は出典堂が学習効果を優先して構成した配分です。公式の出題比重（Databricks Machine Learning 38%／Model Development 31%／ML Workflows 19%／Model Deployment 12%）とは配分が異なります。本セットは工程（ワークフロー・開発・デプロイ）の判断を厚く取る構成で、本番の出題比率を再現・保証するものではありません

• 出題形式　— 内容: 単一選択77問・複数選択19問。公式が示す本番の出題形式は多肢選択式で、複数選択問題は論点を同時に確認するために本セットが独自に収録しているものです

• 解説　— 内容: 全問に「正解の理由」と「各不正解の理由（選択肢ごと）」を個別記載、加えて論点をまとめた総合解説を収録

• 出典　— 内容: 全問の総合解説末尾に、Databricks公式ドキュメント・Apache Spark公式ドキュメント・MLflow／scikit-learn公式サイトの該当ページURLを記載。ユニークな参照先は55件

• 収録形式　— 内容: PDF・A4・全78ページ（問題編＋解答解説編の2部構成）

• 言語　— 内容: 日本語（問題・選択肢・解説すべて日本語）

• 利用形態　— 内容: ダウンロード後の印刷可（購入者本人の学習用途）

• 価格　— 内容: ¥1,280（note決済）

収録内容の全リスト（有料部分の目次）

• 1　— 内容: 収録PDFのダウンロード（A4／問題編＋解答解説編）

• 2　— 内容: 使い方——3周で仕上げる進め方（1周目=時間を計って通し／2周目=参考URLごと／3周目=分野別）

• 3　— 内容: 分野別の読み方（4分野それぞれの押さえる軸）

• 4　— 内容: 判断が割れやすい5つの対比（機能の担当工程、推論の実行方法、AutoMLの透明性など）

• 5　— 内容: 改訂方針と出典一覧

サンプル問題（収録PDFから3問をそのまま転記）

以下の3問は、有料部分のPDFに収録されているものを一字一句そのまま掲載しています。解説の密度は全96問で同じです。

サンプル1（ML Workflows・単一選択）

問題　製薬会社の機械学習チームが、Unity Catalog に登録済みの2つのモデルバージョンについて、学習時のハイパーパラメータと精度指標を並べて突き合わせたいと考えています。この用途に適したツールはどれですか？

1. Unity Catalog

2. MLflow Experiments

3. Model Serving

4. Delta Lake

正解　2

• 選択肢1: メタデータの一元管理、ガバナンス、バージョン管理を担う仕組みです。ただし実験ごとの指標やパラメータを細かく突き合わせる分析には MLflow Experiments を使います。

• 選択肢2: 正解。Tracking UI 上で複数の実行（Runs）を選ぶと、パラメータやメトリクスを横並びの表やグラフとして突き合わせられます。

• 選択肢3: こちらはモデルを REST API のエンドポイントとして公開し、リアルタイム推論を提供する機能です。開発段階の性能を比べる場面で使うものではありません。

• 選択肢4: ACID トランザクションを備えたストレージレイヤーで、受け持つのはデータの保存と管理です。メトリクスやパラメータを比べる機能は備えていません。

総合解説　Unity Catalog に登録したモデルバージョンであっても、その生成元となった実験の実行（Runs）をたどれば、精度などのメトリクスやハイパーパラメータの違いを視覚的に対比できます。この実行の記録を担うのが MLflow Tracking（MLflow Experiments）で、パラメータ、コードのバージョン、メトリクス、アーティファクトを実験プロセスの中心で束ねています。 参考: https://docs.databricks.com/aws/en/mlflow/tracking

サンプル2（Databricks Machine Learning・単一選択）

問題　分類モデルのベースラインを短期間で用意したいのですが、コンプライアンス上、出来上がったモデルがどう組み立てられたのかをソースコードで後から確認し、必要なら手直しできることが求められています。Databricks AutoML のどの特徴が、この条件を満たしますか。

1. 各モデルの学習に使われたソースコードを収めた、編集できる Python ノートブックが出力される。

2. あらゆるフレームワークのハイパーパラメータ空間を、全ノードを使って際限なく探索し続ける。

3. 与えたデータセットの統計情報だけをレポートにまとめ、モデリングは利用者に委ねる。

4. レジストリ上のモデルについて、予測結果を見張るためのダッシュボードが自動で用意される。

正解　1

• 選択肢1: 正解。学習の手順がノートブックの形で手元に残るため、中身が見え、後からのレビューもロジックの手直しも行えます。

• 選択肢2: 設定されたタイムアウトの範囲内でよいモデルを見つける設計になっており、探索が果てしなく続くわけではありません。

• 選択肢3: データ探索（EDA）のノートブックも出てきますが、そこで終わりではありません。複数モデルの学習と評価まで自動で進みます。

• 選択肢4: 出力を見張ってドリフトを捉える仕事は、Databricks Model Quality Monitoring といった別の機能が担当します。学習を自動化する仕組みが直接受け持つ範囲ではありません。

総合解説　Databricks AutoML の際立った長所は、いわゆるグラスボックス（透明性）の考え方にあります。最良のモデルを黒箱として差し出すのではなく、試行ごとのデータ前処理、特徴量エンジニアリング、モデル学習のソースコードを収めた編集可能な Python ノートブックまで自動で生成します。利用者はその中身を読み、書き換え、もう一度走らせることができます。 参考: https://docs.databricks.com/aws/ja/machine-learning/automl

サンプル3（Model Development・単一選択）

問題　製造ラインのセンサーが記録した加工時間のデータを点検したところ、ごく一部に桁違いに大きな値が混ざっており、それが平均を押し上げ、ばらつきも大きくしていることがわかりました。こうした極端な値をデータから取り除く目的で、広く使われている方法はどれですか？

1. 全特徴量をMinMaxスケーリングで0〜1の範囲へ収める

2. 文字列のカテゴリ値をワンホットエンコーディングでダミー変数に展開する

3. 第1四分位数・第3四分位数から1.5×IQRを超えて離れた値を除外する

4. 数値カラムにZスコア正規化を適用して標準化する

正解　3

• 選択肢1: 値の範囲を押し込めるだけで、外れ値の除去にはなりません。むしろ極端な値があると、正常なデータが狭い範囲に圧縮されてしまい悪影響を受けます。

• 選択肢2: そもそも対象が違います。これは文字列などのカテゴリデータを数値ベクトルへ変換するための手法で、数値データの外れ値処理とは関係がありません。

• 選択肢3: 正解。四分位範囲（IQR）を基準に極端な値を見つけて落とすやり方で、分布のばらつきに応じて判定できるため、標準的かつ効果の高い手法として定着しています。

• 選択肢4: これはスケールをそろえる処理です。平均0・標準偏差1へ置き換えるだけなので、極端な値そのものはデータに残り続けます。

総合解説　外れ値そのものを「消す」ことが要件だ、という点がポイントになります。統計の世界で定番とされるのは四分位範囲（IQR）を基準にした判定で、下側は第1四分位数から1.5 × IQR を引いた線、上側は第3四分位数に1.5 × IQR を足した線を引き、その外へ落ちたデータポイントを捨てます。境界の計算に必要な四分位数は、DataFrame の summary() から読み取れます。標準化や MinMax による変換はあくまで値の尺度をそろえる処理にすぎず、極端な点をデータから追い出す働きは持ちません。 参考: https://spark.apache.org/docs/latest/api/python/reference/pyspark.sql/api/pyspark.sql.DataFrame.summary.html

品質方針

• 全96問は、Databricks公式ドキュメント・Apache Spark公式ドキュメント・MLflow／scikit-learn公式サイトの公開情報にもとづく独自作成です。実試験問題の複製ではありません

• 全問の総合解説末尾に参考URLを記載しています（ユニーク55件・確認日 2026-09-20）

• 制作工程でAIを活用し、全問を人手と公開情報で検証しています

• 分野別の配分は学習効果を優先した構成であり、公式の出題比重とは異なります（商品仕様に明記）

• 公式仕様に変更が確認された場合は、本記事と収録PDFを更新します（下記「改訂方針」）