Machine Learning Engineering on AWS Kurs

Bring Deine ML-Modelle sicher in die Produktion

Machine Learning Engineering on AWS Kurs
Machine Learning Engineering on AWS Kurs

Kursbeschreibung

  • Kurs-ID:NE-MLEAWS
  • Kursdauer:3 Tage
  • Uhrzeit:09:00 - 16:00 Uhr

In diesem Kurs lernst Du, Machine-Learning-Lösungen auf AWS praxisnah zu planen, zu entwickeln und zuverlässig zu betreiben. Du arbeitest Dich durch den gesamten ML-Lifecycle: von der Bewertung geschäftlicher Problemstellungen über Datenaufbereitung, Feature Engineering und Modelltraining mit Amazon SageMaker bis hin zu Deployment, Sicherheit, MLOps und Monitoring.

Die wichtigsten Themen im Überblick

  • ML-Modelle mit Amazon SageMaker produktionsreif machen
  • Trainingsdaten aufbereiten und Features gezielt entwickeln
  • Modelle trainieren, bewerten und mit Tuning optimieren
  • MLOps-Pipelines mit SageMaker automatisiert aufbauen
  • Sichere Deployments mit CI/CD und Zugriffskontrollen planen
  • Drift, Qualität und Fehler mit Model Monitor überwachen
  • Kosten, Inferenzstrategien und A/B-Tests sinnvoll steuern
  • AWS-Services praxisnah für den ML-Lebenszyklus nutzen

Zielgruppe

  • (Angehende) Machine Learning Engineers – auch mit wenig AWS-Erfahrung
  • DevOps Engineers
  • Entwickler:innen
  • SysOps Engineers

Voraussetzung für die Schulung

Für eine erfolgreiche Teilnahme solltest Du folgende Kenntnisse haben:

  • Grundlegendes Verständnis von Machine-Learning-Konzepten und -Methoden
  • Praxiserfahrung mit Python sowie Bibliotheken wie NumPy, Pandas und Scikit-learn
  • Basiswissen zu Cloud-Computing und erste Erfahrungen mit AWS
  • Erfahrung mit Git ist hilfreich, aber kein Muss

Kursinhalte

Modul 1: Einführung in Machine Learning auf AWS

  • Grundlagen des Machine Learning
  • Überblick über Amazon SageMaker
  • Responsible Machine Learning

Modul 2: ML-Herausforderungen verstehen

  • Bewertung geschäftlicher Problemstellungen
  • Trainingsansätze für ML-Modelle
  • Überblick über Trainingsalgorithmen

Modul 3: Datenverarbeitung für ML

  • Datenarten und Datenaufbereitung
  • Explorative Datenanalyse
  • AWS-Speicheroptionen und ihre Einsatzszenarien

Modul 4: Datentransformation & Feature Engineering

  • Umgang mit fehlerhaften, doppelten und fehlenden Daten
  • Feature Engineering und Feature Selection
  • Datentransformation mit AWS-Services
  • Datenaufbereitung mit SageMaker Data Wrangler und Amazon EMR
  • Verarbeitung mit SageMaker Processing und dem SageMaker Python SDK

Modul 5: Modellierungsansätze

  • Integrierte Algorithmen in Amazon SageMaker
  • Auswahl geeigneter Trainingsalgorithmen
  • Automatisiertes Training mit SageMaker Autopilot
  • Modellauswahl und Kostenbewertung

Modul 6: Modelltraining

  • Grundlagen des Trainingsprozesses
  • Training von ML-Modellen mit Amazon SageMaker

Modul 7: Bewertung & Optimierung

  • Bewertung der Modellleistung
  • Verkürzung von Trainingszeiten
  • Hyperparameter-Optimierung
  • Modell-Tuning mit Amazon SageMaker

Modul 8: Modellbereitstellung

  • Deployment-Strategien und Zielumgebungen
  • Auswahl passender Inferenzstrategien
  • Container- und Instanztypen für Inferenz
  • Traffic-Shifting und A/B-Tests

Modul 9: Sicherheit für ML-Ressourcen

  • Zugriffskontrolle und Berechtigungen
  • Netzwerkabsicherung
  • Sicherheitsaspekte in CI/CD-Pipelines

Modul 10: MLOps & automatisierte Deployments

  • Einführung in MLOps
  • Automatisiertes Testen
  • Continuous Delivery für ML
  • Arbeiten mit SageMaker Pipelines, Model Registry und SageMaker Studio

Modul 11: Monitoring & Qualitätssicherung

  • Erkennung von Modell- und Daten-Drift
  • Überwachung mit SageMaker Model Monitor
  • Sicherstellung von Daten- und Modellqualität
  • Automatisierte Fehlererkennung und -behebung

Wähle aus 4 Terminen:

Ergebnisse filtern
Machine Learning Engineering on AWS Kurs
09.12. - 11.12.2026 Live Online Plätze frei Wenige Plätze Nicht buchbar
1.995 € netto (2.374,05 € brutto)

Tage und Uhrzeit

09.12. - 11.12.2026
09:00 - 16:00 Uhr

Machine Learning Engineering on AWS Kurs
15.02. - 17.02.2027 Live Online Plätze frei Wenige Plätze Nicht buchbar
1.995 € netto (2.374,05 € brutto)

Tage und Uhrzeit

15.02. - 17.02.2027
09:00 - 16:00 Uhr

Machine Learning Engineering on AWS Kurs
19.04. - 21.04.2027 Live Online Plätze frei Wenige Plätze Nicht buchbar
1.995 € netto (2.374,05 € brutto)

Tage und Uhrzeit

19.04. - 21.04.2027
09:00 - 16:00 Uhr

Machine Learning Engineering on AWS Kurs
21.06. - 23.06.2027 Live Online Plätze frei Wenige Plätze Nicht buchbar
1.995 € netto (2.374,05 € brutto)

Tage und Uhrzeit

21.06. - 23.06.2027
09:00 - 16:00 Uhr

Optionale CTA Headline

Empfohlene Kurse

  • Amazon AWS Rekognition Kurs: Bild- und Videoanalyse die funktioniert

    Nächste und weitere Termine:
    In Präsenz: auf Anfrage
    Live Online: 07.12.2026

    Weitere Kursinfos
  • Advanced Generative AI Development on AWS Kurs

    Nächste und weitere Termine:
    In Präsenz: auf Anfrage
    Live Online: 21.10.2026

    Weitere Kursinfos
  • Cloud-native KI auf AWS und Azure Kurs: Ready für Production

    Nächste und weitere Termine:
    In Präsenz: auf Anfrage
    Live Online: 07.12.2026

    Weitere Kursinfos
  • DP-3014 Kurs: Implementieren einer Machine Learning-Lösung mit Azure Databricks (DP-3014-A)

    Nächste und weitere Termine:
    In Präsenz: auf Anfrage
    Live Online: 17.12.2026

    Weitere Kursinfos
  • Beyond Machine Learning Kurs: Was kommt danach?

    Nächste und weitere Termine:
    In Präsenz: auf Anfrage
    Live Online: 11.12.2026

    Weitere Kursinfos

ekomi Bewertungen

Qualität ist bei Kebel kein Versprechen, sondern belegbar. Deshalb setzen wir auf das unabhängige Bewertungsportal eKomi. Nach jeder Schulung – online oder in Präsenz – erhalten unsere Teilnehmer:innen die Möglichkeit, uns anonym und freiwillig zu bewerten.

Mit über 1.000 Bewertungen in den letzten 12 Monaten zählen wir zu den bestbewerteten Anbietern für IT-Weiterbildungen.  Alle Bewertungen, ob positiv oder kritisch, fließen transparent in unsere offizielle Bewertungsstatistik ein und bilden die Grundlage unserer eKomi Trust-Zertifikate.

Für dich als Personalverantwortliche, IT-Fachkraft oder Entscheider:in bedeutet das: verifizierte Teilnehmerstimmen, geprüfte Qualität und maximale Transparenz bei der Auswahl Ihres Weiterbildungspartners.

Zum Bewertungsportal

Seminarberatung zum Machine Learning Engineering on AWS Kurs

Unser Kebel Team berät dich gerne kostenlos und unverbindlich für dein Machine Learning Engineering on AWS Kurs. Wir unterstützen dich gerne dabei, den passenden Kurs und das optimale Lernformat für deine Weiterbildung zu finden

834 Kurse

Entdecke jetzt unser vielseitiges Kursportfolio und finde die passende Schulung für dein Team.

FAQ

Du lernst den vollständigen ML-Lifecycle auf AWS kennen: Datenaufbereitung, Feature-Engineering, Modelltraining, Optimierung, Deployment, Sicherheit, MLOps und Monitoring. Im Fokus stehen Amazon SageMaker und relevante AWS-Services für produktionsnahe ML-Workflows.

Du solltest grundlegende Machine-Learning-Konzepte kennen und Praxiserfahrung mit Python sowie NumPy, Pandas und Scikit-learn mitbringen. Basiswissen zu Cloud-Computing und erste AWS-Erfahrung sind ebenfalls hilfreich.

Der Kurs dauert 3 Tage. In dieser Zeit behandelst Du zentrale Themen von der ML-Problemstellung über Training und Deployment bis zu MLOps und Monitoring.

Der Kurs behandelt unter anderem Amazon SageMaker, SageMaker Studio, SageMaker Data Wrangler, SageMaker Processing, SageMaker Autopilot, SageMaker Pipelines, Model Registry und SageMaker Model Monitor. Auch AWS-Speicheroptionen und Amazon EMR werden im Kontext der ML-Datenverarbeitung eingeordnet.

Die Inhalte orientieren sich an typischen Aufgaben im ML-Engineering: Daten vorbereiten, Modelle trainieren, Hyperparameter optimieren, Deployments planen und ML-Systeme überwachen. Dabei stehen konkrete AWS-Werkzeuge und produktionsnahe Abläufe im Mittelpunkt.

Du lernst Grundlagen von MLOps, automatisiertes Testen und Continuous Delivery für Machine-Learning-Modelle kennen. Zusätzlich behandelt der Kurs SageMaker Pipelines, Model Registry und SageMaker Studio für strukturierte ML-Workflows.

Der Kurs behandelt Zugriffskontrolle, Berechtigungen, Netzwerkabsicherung und Sicherheitsaspekte in CI/CD-Pipelines. Beim Monitoring geht es um Modell-Drift, Daten-Drift, SageMaker Model Monitor sowie Daten- und Modellqualität.

Ja, nach erfolgreicher Teilnahme am Machine Learning Engineering on AWS Kurs erhältst Du ein Teilnahmezertifikat. Dieses bestätigt Deine erweiterten Kenntnisse im professionellen Einsatz von Machine Learning Engineering on AWS Kurs .

Ja, wir garantieren die Durchführung aller von uns bestätigten Termine. Der Machine Learning Engineering on AWS Kurs findet auch bereits ab einem Teilnehmer statt, sodass Du Deine Weiterbildung sicher und zuverlässig planen kannst.

Ja, wir bieten den Machine Learning Engineering on AWS Kurs als Inhouse Training oder Firmenschulung an. Zusätzlich kann die Schulung auch als Online-Firmenschulung durchgeführt werden. Inhalte, Prozesse und Schwerpunkte passen wir individuell an die Anforderungen Deines Unternehmens an.