GCP ML 證照怎麼考？PMLE 考 2 小時、50～60 題、200 美元、英日文；範圍分六大區，這篇給你準備地圖和 23 篇重點。
這是「GCP ML 工程師 SEO／GEO 系列文」的最後一篇，也是總整理。前面 23 篇把 Google Cloud Professional Machine Learning Engineer（PMLE，專業機器學習工程師） 證照會考的觀念，一篇一個主題、全部用白話講過一遍。這篇把它們接起來：考試長什麼樣、六大區各考什麼、哪一篇對應哪一區、零基礎怎麼排 8 週、舊題庫的名稱要換成什麼。
先說兩件事。第一，這不是考試心得：東東還沒考 PMLE，這篇是整理官方考試指南和官方考試頁的範圍與準備重點。第二，名稱：Vertex AI 在 2026 年 4 月起改名為 Gemini Enterprise Agent Platform（簡稱 Agent Platform），2026 年 6 月 1 日起的考試指南全面用新名稱，但大家搜尋還是打 Vertex AI，所以系列文標題都保留舊名，文中附新舊對照。
為什麼你需要知道
- 不知道範圍，讀的都不會考：PMLE 不考「演算法怎麼推導」，考的是「這個情境該選哪個 Google Cloud 服務、為什麼」。讀錯方向，花一樣的時間分數差很多
- 舊題庫會害你：網路上的題庫多半是 2023 年前整理的，裡面的 AutoML Tables、Cloud Source Repositories、Vertex Explainable AI 要嘛改名、要嘛停用。現在的考題用新名稱
- 轉職要的是證照加作品：這張證照是 Google Cloud 專業級裡最偏「做出來」的一張，考試指南第一段就寫 ML 工程師要「建置、評估、產品化、最佳化 AI 方案」。準備過程本身就是作品
- 一張地圖省三個月：系列 23 篇照考試邏輯排，這篇告訴你哪篇對應哪區、先讀哪篇
1. 先搞懂：PMLE 是什麼
白話是什麼
Google Cloud 發的機器學習工程師證照。考你會不會用 Google Cloud 的服務，把機器學習模型從「有資料」做到「上線、監控、自動重訓」，包括傳統模型和生成式 AI。
比喻
汽車駕照的筆試。不考你引擎怎麼設計，考你「這個路口該怎麼做」：題目給一個公司情境（資料在哪、要多快、預算多少、法規要求什麼），四個選項全是 Google Cloud 服務的組合，你選最合理的。
來龍去脈
這張證照 2020 年推出。2024 年改版加入生成式 AI。2026 年 6 月 1 日再改版，官方考試頁寫得很清楚：反映 Vertex AI 改名為 Gemini Enterprise Agent Platform、Google Cloud 資料與分析堆疊的更新，並且優先考 Google Cloud 原生方案。
為什麼要學
考試指南定義的 ML 工程師：處理大型複雜資料集、寫可重複使用的程式、懂模型架構、資料與 ML 管線、MLOps、指標解讀，還要熟提示工程、應用開發、基礎架構、資料工程與治理的基礎概念。這份清單就是 ML 工程師的職缺描述。站上的雲端職缺大解析講過這些角色差在哪。
考試基本資料
官方考試頁列的（2026 年 10 月查）：
| 項目 | 內容 |
|---|---|
| 時間 | 2 小時 |
| 題數與題型 | 50～60 題，單選與複選 |
| 費用 | 200 美元（依地區加稅） |
| 語言 | 英文、日文（沒有中文） |
| 方式 | 線上監考（遠端），或到考試中心 |
| 先決條件 | 無，不用先考 Associate Cloud Engineer |
| 建議經驗 | 3 年以上業界經驗，含 1 年以上用 Google Cloud 設計與管理方案 |
| 程式能力 | 不直接考寫程式，但要看得懂題目裡的 Python 和 SQL 片段 |
| 及格分數 | 官方不公布 |
| 續證 | 在續證期間內可更新，效期與流程以官方續證 FAQ為準（專業級證照目前是 2 年） |
算一次給你看：一題幾分鐘
120 分鐘 ÷ 60 題 = 每題 2 分鐘
留 15 分鐘回頭檢查標記的題目：
(120 − 15) ÷ 60 = 每題 1 分 45 秒數字怎麼看：PMLE 的題目是一段情境加四個選項，讀題就要 40 秒。所以「看到關鍵字就想到答案」不是偷懶，是時間上的必要：前面每一篇文章最後的「看到這些字，就想到這個」表，就是為這 1 分 45 秒準備的。
2. 六大考試區塊：各考什麼、占多少、對應哪幾篇
考試指南分六區。比重是官方給的「約」數，題數是用 60 題換算（教學估算，四捨五入後加總會超過 60）：
| 區 | 名稱 | 比重 | 約幾題 | 考什麼（白話） | 對應本系列 |
|---|---|---|---|---|---|
| 1 | 低程式碼 AI 方案 | 13% | 8 | 不寫程式或少寫程式：BigQuery ML、AutoML、現成 API、Model Garden、Gemini 調校 | 第 14、15、23 篇 |
| 2 | 跨團隊協作管理資料與模型 | 16% | 10 | 前處理工具選擇、Feature Store、隱私、筆記本環境、實驗追蹤、評估、血緣 | 第 10、11、12、22、23 篇；評估指標在第 5、6 篇 |
| 3 | 把原型放大成 ML 模型 | 21% | 13 | 選模型類型與產品、可解釋性、訓練資料組織、SDK、除錯、超參數、調校基礎模型、GPU／TPU、分散式訓練 | 第 1～4、7～9、13、14、16、21 篇 |
| 4 | 服務與擴展模型 | 20% | 12 | 批次與線上推論、容器、Model Registry、A/B 與金絲雀、Feature Store 線上服務、端點、硬體、擴展 | 第 17、22、23 篇 |
| 5 | 自動化與協調 ML 管線 | 18% | 11 | 管線、資料與模型驗證、訓練與服務一致的前處理、重訓政策、CI/CD/CT | 第 10、18、19 篇 |
| 6 | 監控 AI 方案 | 13% | 8 | 安全風險（Model Armor、資料外洩、惡意提示）、偏見、可解釋性、Model Monitoring、漂移與偏差、生成式 AI 評估 | 第 12、20、21 篇 |
數字怎麼看：第 3 區加第 4 區就占 41%，也就是「訓練」和「上線」。很多零基礎讀者最怕的理論（混淆矩陣、過度擬合、資料洩漏）其實散在 2.3「評估」和 3.2「訓練」裡，不是獨立一區，但不懂它們，情境題的「為什麼」就選不出來。
每一區的子項目，白話版
第 1 區（1.1、1.2）：BigQuery ML 或 Agent Platform AutoML 建分類、迴歸、預測、分群；用 BigQuery ML 做特徵工程和預測；用 BigQuery 調校 Gemini；從 Model Garden 選模型；用 Document AI、Vision、Translate 建方案；Gemini、Imagen、Veo 的應用；成本、延遲、可用性最佳化。
第 2 區（2.1～2.3）：表格、文字、影像怎麼組織；依規模與複雜度選 BigQuery SQL、Dataflow、Spark、Python；Feature Store；PII 處理；Workbench 與 Colab Enterprise 的協作與安全；用 PyTorch、sklearn、JAX 做原型；選實驗環境（Experiments、Pipelines、Kubeflow）；評估預測式與生成式方案（含 LLM 當評審）；追蹤成品、版本、血緣。
第 3 區（3.1～3.3）：選模型類型（ARIMA、DNN、LLM）與產品（AutoML、BigQuery ML、Pipelines）；部署策略；可解釋性需求；訓練資料放 Cloud Storage 或 BigQuery；用不同 SDK 訓練（自訂訓練、Kubeflow on GKE、AutoML、Tabular Workflows）；排除訓練失敗；超參數調校；調校基礎模型與何時該調；CPU／GPU／TPU；資料平行與模型平行。
第 4 區（4.1、4.2）：批次與線上推論部署到 Agent Platform、Model Garden、Cloud Run、GKE；PyTorch、XGBoost 用預建或自訂容器；Model Registry 版本；A/B 測試與金絲雀；推論前後處理；Feature Store 服務特徵；公開與私有端點；CPU／GPU／TPU／邊緣；依吞吐量擴展；訓練與服務的調校。
第 5 區（5.1、5.2）：驗證資料與模型；用 Pipelines、Managed Service for Apache Airflow、Ray 協調，從範本或自訂；訓練與服務一致的前處理；重訓政策；用 Cloud Build 做 CI/CD/CT。
第 6 區（6.1、6.2）：防資料與模型外洩、惡意提示（正規表達式、安全過濾器、Model Armor）；監控偏見；Agent Platform 上的可解釋性；Model Monitoring 持續評估；訓練與服務偏差、資料漂移、概念漂移、特徵歸因漂移；監控與評估生成式 AI。
3. 23 篇重點整理：每篇一句話＋一個考點
照系列順序，也是建議的閱讀順序。第 1～10 篇已發布可以直接點，其他篇發布後會補上連結。
第一段：基礎觀念（第 1～4 篇）
| 篇 | 一句話 | 考點 |
|---|---|---|
| 1. 機器學習有哪幾種？監督式、非監督式、強化學習 | 有答案的叫監督式、沒答案找規律的叫非監督式、試錯拿獎勵的叫強化學習 | 「有標籤」→ 監督式；「分群」「推薦」→ 非監督式 |
| 2. 分類和迴歸差在哪？附 MAE、RMSE 計算 | 預測類別是分類、預測數字是迴歸；迴歸用 MAE、RMSE 評分，RMSE 對大錯更敏感 | 「流失／不流失」→ 分類；「金額」→ 迴歸 |
| 3. 特徵、標籤、超參數是什麼？ | 特徵是輸入、標籤是答案、參數是模型學的、超參數是人設的 | 「學習率」「樹深度」→ 超參數調校 |
| 4. 訓練集、驗證集、測試集怎麼切？ | 訓練用來學、驗證用來調、測試只看一次；時間序列要照時間切 | 「時間序列」「隨機切」→ 錯，會洩漏 |
第二段：模型評估（第 5～6 篇）
| 篇 | 一句話 | 考點 |
|---|---|---|
| 5. 混淆矩陣是什麼？準確率、精確率、召回率、F1 | 四格是抓對、冤枉、漏掉、放對；不平衡時準確率會騙人 | 「不能漏掉病人」→ 召回率；「不能冤枉」→ 精確率 |
| 6. ROC 曲線和 AUC 怎麼看？AUC-PR 差在哪 | 門檻一調，精確率和召回率就對換；AUC 是不看門檻的總分 | 「資料不平衡」→ 看 AUC-PR 不看 AUC-ROC |
第三段：訓練時會遇到的問題（第 7～9 篇）
| 篇 | 一句話 | 考點 |
|---|---|---|
| 7. 過度擬合是什麼？正則化、Dropout、提前停止 | 訓練分數高、驗證分數低就是背答案；三招讓它別背 | 「訓練 loss 降、驗證 loss 升」→ 過度擬合 |
| 8. 資料洩漏是什麼？3 種常見情況 | 答案偷偷混進特徵，訓練超準、上線全錯 | 「準到不合理」「某特徵貢獻超大」→ 洩漏 |
| 9. 類別不平衡怎麼辦？過取樣、欠取樣與 Upweighting | 少數類太少，模型全猜多數；補少數、減多數或加權 | 「欠取樣」一定配「Upweighting」 |
第四段：資料處理（第 10～13 篇）
| 篇 | 一句話 | 考點 |
|---|---|---|
| 10. 資料前處理怎麼做？標準化、遺失值、高基數類別 | 數字要放同一個尺度、空值要有策略、類別太多用雜湊桶 | 「訓練和服務用同一套轉換」→ 5.1 |
| 11. 特徵工程是什麼？特徵交叉、詞嵌入、資料增強 | 把原始資料變成模型看得懂的特徵；交叉抓交互作用、嵌入把文字變向量、增強讓影像變多 | 「經緯度 × 類別」→ 特徵交叉 |
| 12. 機器學習的資料隱私怎麼保護？DLP、聯邦學習、VPC Service Controls | 去識別化、資料不離開裝置、服務邊界防外洩 | 「PII」→ DLP；「資料不能出專案」→ VPC SC |
| 13. 訓練資料讀太慢？TFRecords、tf.data 與 prefetch | GPU 在等硬碟就是輸入瓶頸；打包、平行讀、預取 | 「TPU 閒置」→ prefetch、interleave |
第五段：在 GCP 上做 ML（第 14～17 篇）
| 篇 | 一句話 | 考點 |
|---|---|---|
| 14. Vertex AI AutoML、BigQuery ML、自訂訓練怎麼選？ | 資料在 BigQuery 用 SQL、影像用 AutoML、自己的框架走自訂訓練、文字影片改 Gemini | 「最少程式」→ AutoML／BigQuery ML |
| 15. BigQuery ML 入門：只會 SQL 也能訓練模型 | CREATE MODEL、ML.EVALUATE、ML.PREDICT 三句 SQL 走完 | 「資料已在 BigQuery」「分析師」→ BigQuery ML |
| 16. Vertex AI 自訂訓練：容器、分散式訓練、GPU 與 TPU | 把程式包成容器丟給 Agent Platform 跑；資料平行、模型平行；Reduction Server | 「多 GPU 同步」→ 分散式策略 |
| 17. 模型部署怎麼選？線上預測 vs 批次預測、流量分割 | 低延遲用線上端點、大量非即時用批次；新版先給 10% 流量 | 「低延遲」→ 線上；「每晚跑一次」→ 批次 |
第六段：MLOps（第 18～21 篇）
| 篇 | 一句話 | 考點 |
|---|---|---|
| 18. MLOps 是什麼？Vertex AI Pipelines、Kubeflow、TFX | 把訓練流程拆成元件接成管線，可重跑、可快取、可追蹤 | 「重複步驟不要重算」→ 管線快取 |
| 19. 機器學習的 CI/CD：程式改了、資料來了，模型自動重訓 | 程式改動用 Cloud Build 觸發、新資料用 Cloud Run functions 觸發、定時用 Scheduler | 「Cloud Source Repositories」已不開放新客戶 → GitHub |
| 20. 模型上線後會變笨？Drift 與 Training-Serving Skew 監控 | 世界變了叫漂移、訓練和上線不一樣叫偏差；Model Monitoring 抓 | 「上線後準確率下降」→ 漂移監控 |
| 21. 可解釋 AI 是什麼？Shapley、Integrated Gradients、XRAI | 算每個特徵對預測貢獻多少；樹用 Sampled Shapley、神經網路用 IG、影像用 XRAI | Vertex Explainable AI 2027 年 3 月停用 → SHAP、LIME |
第七段：追蹤與基礎服務（第 22～23 篇）
| 篇 | 一句話 | 考點 |
|---|---|---|
| 22. 實驗怎麼追蹤？Vertex AI Experiments、Metadata、TensorBoard | Experiments 記設定與分數、ML Metadata 記血緣、TensorBoard 畫曲線；Model Registry 管版本 | 「哪份資料訓練了哪個模型」→ ML Metadata |
| 23. ML 用哪個資料服務？BigQuery、Cloud Storage、Feature Store、Bigtable | 分析訓練用 BigQuery、檔案放 Cloud Storage、線上查特徵用 Bigtable；Dataflow 串流、Spark 搬遷；API 先用 | 「線上預測查特徵」→ 不查 BigQuery |
4. 零基礎的 8 週準備地圖
以下是建議的排程（教學假設，依每週 8～10 小時估），不是保證：
| 週 | 讀什麼 | 動手做什麼 | 對應考試區 |
|---|---|---|---|
| 1～2 | 第 1～6 篇：類型、分類迴歸、名詞、切資料、混淆矩陣、ROC | 用第 5、6 篇的互動頁自己調門檻；開 Google Cloud 免費額度 | 2.3、3.1 |
| 3～4 | 第 7～13 篇：過度擬合、洩漏、不平衡、前處理、特徵工程、隱私、資料讀取 | BigQuery 公開資料集練 SQL 做特徵 | 2.1、3.2 |
| 5～6 | 第 14～17 篇：AutoML、BigQuery ML、自訂訓練、部署 | 用 BigQuery ML 訓練一個模型、部署一個端點、跑一次批次預測 | 1.1、3.2、4.1、4.2 |
| 7 | 第 18～23 篇：管線、CI/CD、監控、可解釋、實驗、資料服務 | 跑一條 Pipelines 範本、開 Model Monitoring、記一次 Experiments | 5.1、5.2、6.1、6.2、2.2 |
| 8 | 這篇的六區對照表＋每篇的「看到這些字」總複習 | 官方考試頁的範例題、官方學習路徑的實作實驗室 | 全部 |
算一次給你看：時間夠不夠
8 週 × 9 小時 = 72 小時
23 篇文章 × 1.5 小時（讀＋做筆記）= 34.5 小時
動手實驗 6 次 × 3 小時 = 18 小時
官方學習路徑與範例題 = 12 小時
總複習 = 7.5 小時
合計 72 小時 ✓數字怎麼看：動手那 18 小時不能省。考題是情境題，自己部署過一次端點，「線上 vs 批次」「流量分割」就不用背。有 Google Cloud 經驗的人可以把前 4 週壓成 2 週，從第 14 篇開始。
5. 舊題庫看到這些，現在叫什麼
這是整個系列查官方文件查出來的名稱變動，集中在這一張表。官方改名對照表和淘汰清單是來源。
| 舊題庫、舊筆記寫的 | 現在（2026 年 10 月） | 哪篇講 |
|---|---|---|
| Vertex AI | Gemini Enterprise Agent Platform（Agent Platform） | 全系列 |
| AutoML Tables、AutoML Vision、AutoML Natural Language | AutoML on Agent Platform；AutoML Text 2025 年 6 月、AutoML Video 2025 年 7 月停用，改 Gemini 調校 | 第 14 篇 |
| AI Platform Training／Prediction | 2025 年 4 月關閉；現在是 Managed Training、Agent Platform Inference | 第 16、17 篇 |
| Vertex AI Workbench managed／user-managed notebooks | 2025 年 4 月停止支援；現在只有 Workbench instances，另有 Colab Enterprise | 第 22 篇 |
| Vertex AI Feature Store（featurestore、entity type） | Legacy 與 Optimized online serving 2027 年 2 月停用；現在是 Feature Store V2（BigQuery 離線、Bigtable 線上） | 第 23 篇 |
| Vertex Explainable AI（Sampled Shapley、IG、XRAI） | 2027 年 3 月停用；方法概念還考，工具改 SHAP、LIME、BigQuery ML 內建 | 第 21 篇 |
| Vertex AI Model Monitoring | Model Monitoring on Agent Platform，分 v1（GA）與 v2（預覽） | 第 20 篇 |
| Cloud Source Repositories | 不開放新客戶；CI/CD 改 GitHub＋Cloud Build | 第 19 篇 |
| Cloud Functions | Cloud Run functions | 第 19、23 篇 |
| Cloud Composer | Managed Service for Apache Airflow | 第 18、23 篇 |
| Dataproc、Dataproc Serverless | Managed Service for Apache Spark（叢集版與 Serverless 版） | 第 23 篇 |
| Container Registry | Artifact Registry | 第 16 篇 |
| Dataprep | 主控台叫 Alteryx Designer Cloud（第三方）；Google 主推 BigQuery 資料準備 | 第 23 篇 |
| Recommendations AI、Vertex AI Search for Commerce | AI Commerce Search | 第 23 篇 |
| Data Catalog、Dataplex Catalog | Knowledge Catalog | 第 22 篇 |
| Vertex AI TensorBoard 每人每月 300 美元 | 每 GiB 每月 10 美元（2023 年 8 月起） | 第 22 篇 |
| Gen AI evaluation service | Gemini Enterprise Agent Platform Evals | 第 22 篇 |
考試會用哪個名字：2026 年 6 月 1 日起的指南全面用新名稱。但有些功能的淘汰公告在指南之後（Explainable AI 是 2026 年 3 月），題目裡還可能看到舊功能名。做法：名稱記兩個、概念記一個。
考試會怎麼考：全系列關鍵字總表
每篇文末都有一張「看到這些字，就想到這個」。這裡挑出跨篇最常出現的 20 組，考前最後一晚看這張就好：
| 題目出現的關鍵字 | 想到 | 篇 |
|---|---|---|
| 「有標籤」「預測類別」「預測數值」 | 監督式；分類；迴歸 | 1、2 |
| 「不能漏掉」「不能冤枉」 | 召回率；精確率 | 5 |
| 「資料不平衡」「全猜多數也 99%」 | AUC-PR、F1；過取樣／欠取樣＋Upweighting | 6、9 |
| 「訓練好驗證差」 | 過度擬合：正則化、Dropout、提前停止 | 7 |
| 「準到不合理」「時間序列隨機切」 | 資料洩漏 | 4、8 |
| 「PII」「去識別化」「資料不能出專案」 | DLP（Sensitive Data Protection）；VPC Service Controls | 12 |
| 「GPU 閒置」「輸入瓶頸」 | tf.data、prefetch、TFRecords | 13 |
| 「資料在 BigQuery」「分析師」「只會 SQL」 | BigQuery ML | 14、15 |
| 「最少程式」「影像分類」 | AutoML on Agent Platform | 14 |
| 「自己的框架」「PyTorch」「多 GPU」 | 自訂訓練、預建或自訂容器、分散式策略 | 16 |
| 「低延遲」「即時」 | 線上推論端點 | 17 |
| 「大量」「每晚」「不急」 | 批次推論 | 17 |
| 「新版先給一部分流量」 | 流量分割、A/B、金絲雀 | 17 |
| 「可重跑」「不要重算」「元件」 | Pipelines、快取 | 18 |
| 「程式改了就重訓」「新資料到就重訓」 | Cloud Build；Cloud Run functions 觸發 | 19 |
| 「上線後變差」「訓練和上線分布不同」 | 漂移；訓練與服務偏差；Model Monitoring | 20 |
| 「為什麼這樣預測」「法規要能解釋」 | 特徵歸因；可解釋模型 | 21 |
| 「哪份資料訓練了哪個模型」「比較實驗」 | ML Metadata；Experiments | 22 |
| 「線上查特徵」「毫秒」 | Bigtable、Feature Store 線上服務，不是 BigQuery | 23 |
| 「串流」「Pub/Sub」vs「已有 Spark 程式」 | Dataflow vs Managed Service for Apache Spark | 23 |
答題的三個習慣
- 先找限制條件：題目一定藏一個限制，「低延遲」「最少工程量」「最低成本」「法規要求」「不能出專案」。限制決定答案，其他描述是背景
- 刪掉舊名字和過度工程：選項出現已停用的服務、或「自己訓練」而題目有現成 API，先刪
- 複選題數清楚：題目說「選兩個」就是兩個，多選少選都不給分
常見問答
GCP ML 證照（PMLE）是什麼？
Google Cloud 的 Professional Machine Learning Engineer 專業級證照，考你會不會用 Google Cloud 的服務把機器學習方案從資料做到上線、監控、重訓，涵蓋傳統模型和生成式 AI。考試 2 小時、50 到 60 題單選與複選、200 美元、英文或日文、線上監考或考試中心，沒有先決條件。
PMLE 考試範圍有哪些？比重多少？
2026 年 6 月 1 日起的指南分六區：低程式碼 AI 方案約 13%、跨團隊協作管理資料與模型約 16%、把原型放大成 ML 模型約 21%、服務與擴展模型約 20%、自動化與協調 ML 管線約 18%、監控 AI 方案約 13%。第 3 加第 4 區占 41%，是訓練和上線。
PMLE 有中文版嗎？要會寫程式嗎？
只有英文和日文。官方說不直接考寫程式，但題目會有 Python 和 SQL 片段，要看得懂。系列文裡第 15、16、22 篇的程式片段就是為了這個。
零基礎考 PMLE 要準備多久？
這篇給的是 8 週、每週 8 到 10 小時的建議排程（教學假設）：前 4 週讀基礎、評估、資料處理，後 4 週讀 GCP 服務、MLOps 並動手做，最後一週用官方範例題和學習路徑總複習。官方建議的經驗是 3 年以上業界加 1 年以上 Google Cloud，有經驗可以壓到一半。
PMLE 和 Data Engineer 證照差在哪？
Data Engineer 考的是資料怎麼進來、存、處理、分析（BigQuery、Dataflow、Spark、Pub/Sub 是主角）；PMLE 考的是資料之後怎麼訓練模型、部署、監控、自動重訓。兩張有重疊（第 23 篇的資料服務），先考哪張看你的工作：偏資料管線先 Data Engineer，偏模型先 PMLE。站上有 Data Engineer 怎麼考的文章。
舊題庫還能用嗎？
能用來練情境判斷，但名稱要自己換：Vertex AI 改 Gemini Enterprise Agent Platform、AutoML Tables 改 AutoML on Agent Platform、Cloud Functions 改 Cloud Run functions、Dataproc 改 Managed Service for Apache Spark；Vertex Explainable AI 和 Feature Store Legacy 已公告停用。第 5 節有整張對照表。考試自 2026 年 6 月 1 日起用新名稱。
考試會用 Vertex AI 還是 Gemini Enterprise Agent Platform？
2026 年 6 月 1 日起的考試指南全面用 Gemini Enterprise Agent Platform（簡稱 Agent Platform），底下的功能也跟著改（Agent Platform AutoML、Agent Platform Inference、Experiments on Agent Platform）。官方考試頁明寫這次改版是為了反映這個改名。準備時兩個名字都要認得。
PMLE 證照效期多久？
專業級證照目前是 2 年，可在續證期間內更新，流程與期間以官方續證 FAQ 為準。
要先考 Associate Cloud Engineer 嗎？
不用，PMLE 沒有先決條件。但完全沒碰過 Google Cloud 的人，建議先把第 23 篇的資料服務和站上的 GCP 學習路徑看一遍，因為考題預設你知道 BigQuery、Cloud Storage、Pub/Sub 是什麼。
考試最重的是哪一區？要先讀哪裡？
第 3 區「把原型放大成 ML 模型」21% 最重，加第 4 區「服務與擴展」20%，合計 41%。但這兩區的情境題要靠第 1 到 9 篇的基礎觀念才選得出「為什麼」，所以閱讀順序還是從第 1 篇開始，有基礎的人從第 14 篇開始。
重點整理
- PMLE：2 小時、50～60 題單複選、200 美元、英日文、無先決條件；不直接考程式但要看懂 Python 與 SQL；每題約 1 分 45 秒
- 六區比重：13／16／21／20／18／13，第 3＋4 區（訓練、上線）占 41%
- 23 篇對應：基礎（1～4）、評估（5～6）、訓練問題（7～9）、資料（10～13）、GCP 做 ML（14～17）、MLOps（18～21）、追蹤與服務（22～23）
- 8 週 72 小時：讀 34.5、動手 18、官方資源 12、複習 7.5；動手不能省
- 名稱記兩個、概念記一個：Vertex AI → Gemini Enterprise Agent Platform；Explainable AI、Feature Store Legacy 停用；Cloud Functions、Composer、Dataproc 都改名
- 答題三習慣：先找限制條件、刪舊名字和過度工程、複選題數清楚
延伸閱讀
本系列全部 23 篇
- 第 1 篇：機器學習有哪幾種？監督式、非監督式、強化學習一次看懂
- 第 2 篇：分類和迴歸差在哪？一個例子搞懂，附 MAE、RMSE 計算
- 第 3 篇：特徵、標籤、超參數是什麼？機器學習 5 個必懂名詞
- 第 4 篇：訓練集、驗證集、測試集怎麼切？時間序列為什麼不能亂切
- 第 5 篇：混淆矩陣是什麼？用快篩搞懂準確率、精確率、召回率、F1
- 第 6 篇：ROC 曲線和 AUC 怎麼看？門檻怎麼調、AUC-PR 差在哪
- 第 7 篇：過度擬合是什麼？正則化、Dropout、提前停止 3 招解決
- 第 8 篇：資料洩漏是什麼？模型考試作弊的 3 種常見情況
- 第 9 篇：類別不平衡怎麼辦？過取樣、欠取樣與 Upweighting
- 第 10 篇：資料前處理怎麼做？標準化、遺失值、高基數類別
- 第 11 篇：特徵工程是什麼？特徵交叉、詞嵌入、資料增強一次看懂
- 第 12 篇：機器學習的資料隱私怎麼保護？DLP、聯邦學習、VPC Service Controls
- 第 13 篇：訓練資料讀太慢？TFRecords、tf.data 與 prefetch 加速
- 第 14 篇：Vertex AI AutoML、BigQuery ML、自訂訓練怎麼選？
- 第 15 篇：BigQuery ML 入門：只會 SQL 也能訓練模型
- 第 16 篇：Vertex AI 自訂訓練：容器、分散式訓練、GPU 與 TPU
- 第 17 篇：模型部署怎麼選？線上預測 vs 批次預測、流量分割
- 第 18 篇：MLOps 是什麼？Vertex AI Pipelines、Kubeflow、TFX 介紹
- 第 19 篇：機器學習的 CI/CD：程式改了、資料來了，模型自動重訓
- 第 20 篇：模型上線後會變笨？Drift 與 Training-Serving Skew 監控
- 第 21 篇：可解釋 AI 是什麼？Shapley、Integrated Gradients、XRAI
- 第 22 篇：實驗怎麼追蹤？Vertex AI Experiments、Metadata、TensorBoard
- 上一篇：第 23 篇：ML 用哪個資料服務？BigQuery、Cloud Storage、Feature Store、Bigtable 怎麼選
站上相關文章
- GCP 證照 Data Engineer 怎麼考？費用、題數、考試範圍
- GCP 學習路徑 Learning Roadmap 和八大關卡
- 雲端職缺大解析：雲端工程師、架構師、SRE、DevOps、資料工程師差在哪
- 雲端架構師薪水完整指南
- 轉職 IT 新手必學知識完整指南
- 不會寫程式，可以轉職雲端架構師嗎？
- Vertex AI 核心功能 Agent Builder、Model Builder 和 Model Garden 介紹
23 篇讀完、8 週做完，你手上會有一張證照的準備和一個真的跑過的 ML 專案。如果你想有系統地從雲端基礎一路學到在 GCP 上動手做機器學習，可以看看東東的 GCP 課程，或加 LINE 聊聊你現在的狀況，一起找出最適合你的學習順序。