Amazon SageMaker Studio for Data Scientists
ML-Workflows von Datenvorbereitung bis Deployment praxisnah mit AWS-Services umsetzen
Die wichtigsten Themen
End-to-End-ML-Workflows mit SageMaker
Datenvorbereitung mit Data Wrangler
Modelltraining, Tuning und Debugging
MLOps mit Pipelines und Model Registry
Bias-Analyse und Modellüberwachung
Überblick Diese Schulung richtet sich an erfahrene Data Scientists, die Amazon SageMaker Studio in Amazon SageMaker AI professionell für durchgängige Machine-Learning-Workflows einsetzen möchten. Im Mittelpunkt stehen...
Diese Schulung richtet sich an erfahrene Data Scientists, die Amazon SageMaker Studio in Amazon SageMaker AI professionell für durchgängige Machine-Learning-Workflows einsetzen möchten. Im Mittelpunkt stehen Datenvorbereitung, skalierbare Verarbeitung, Feature Engineering, Modelltraining, Tuning, Deployment, Monitoring und MLOps mit AWS-Services.
Du arbeitest praxisnah mit zentralen Komponenten wie SageMaker Data Wrangler, SageMaker Processing, Feature Store, Experiments, Clarify, Pipelines, Model Registry und Model Monitor. Außerdem wird gezeigt, wie Amazon Q Developer in SageMaker Studio, JupyterLab und dem Code Editor bei Codevorschlägen, Code-Reviews und effizienter Entwicklung unterstützt. Die Schulung verbindet technische Tiefe mit Hands-on Labs und einem Capstone-Projekt, damit ML-Workflows nicht nur verstanden, sondern direkt umgesetzt werden.
Für den Einstieg in AWS-Grundlagen eignet sich ergänzend das Training AWS AI Practitioner Essentials. Wer Entwicklungsworkflows auf AWS vertiefen möchte, findet mit Developing on AWS eine passende weiterführende Schulung.
Die Themen Überblick über Amazon SageMaker Studio in Amazon SageMaker AI · Einrichtung der Arbeitsumgebung für Data-Science-Workflows · Navigation in SageMaker Studio, JupyterLab und Code Editor...
Arbeitsumgebung und SageMaker Studio
- Überblick über Amazon SageMaker Studio in Amazon SageMaker AI
- Einrichtung der Arbeitsumgebung für Data-Science-Workflows
- Navigation in SageMaker Studio, JupyterLab und Code Editor
- Einsatz von Amazon Q Developer für Codevorschläge und Code-Reviews
- Demonstration der Benutzeroberfläche und zentraler Entwicklungswerkzeuge
Datenvorbereitung und skalierbare Verarbeitung
- Nutzung von SageMaker Data Wrangler für Datenanalyse und Datenvorbereitung
- Hands-on Lab: Analyse und Datenvorbereitung mit Data Wrangler
- Skalierbare Datenverarbeitung mit Amazon EMR
- Hands-on Lab: Analyse und Skalierung mit EMR
- Einsatz von AWS Glue Interactive Sessions
- Datenverarbeitung mit SageMaker Processing und benutzerdefinierten Skripten
- Hands-on Lab: Datenverarbeitung mit SageMaker Processing
Feature Engineering und Feature Store
- Nutzung des SageMaker Feature Store für wiederverwendbare ML-Features
- Feature Engineering mit dem SageMaker Python SDK
- Online- und Offline-Feature-Nutzung im ML-Workflow
- Hands-on Lab: Feature Engineering mit SageMaker Feature Store
Modellentwicklung, Training und Optimierung
- Training mit integrierten SageMaker-Algorithmen
- Training mit eigenen Skripten und benutzerdefinierten Containern
- Nutzung von SageMaker Experiments für Trainingsläufe und Vergleichbarkeit
- Hands-on Lab: Modelltraining und Tuning mit SageMaker Experiments
- Profiler- und Debugger-Funktionen zur Fehleranalyse und Ressourcenbewertung
- Hands-on Lab: Fehleranalyse und Alarme mit SageMaker Debugger
- Automatische Modelloptimierung mit Hyperparameter-Tuning
- Einführung in SageMaker Autopilot für Automated ML
- Demonstration: Automatisiertes ML mit SageMaker Autopilot
- Einführung in SageMaker JumpStart für vortrainierte Modelle und Lösungsbausteine
Erklärbarkeit, Fairness und Modellbewertung
- Bias-Erkennung mit SageMaker Clarify
- Erklärbarkeit von Modellvorhersagen im Data-Science-Kontext
- Bewertung von Modellqualität, Transparenz und Nachvollziehbarkeit
- Hands-on Lab: Bias-Analyse mit SageMaker Clarify
Deployment, MLOps und Monitoring
- Verwendung von SageMaker Model Registry für Modellversionen und Freigaben
- Aufbau von ML-Pipelines mit SageMaker Pipelines
- Hands-on Lab: Deployment mit SageMaker Pipelines und Model Registry
- Modellinferenz, Batch-Vorhersagen und Skalierungsoptionen
- Hands-on Lab: Inferenz mit SageMaker Studio
- Einsatz von Amazon SageMaker Model Monitor
- Diskussion: Fallstudie und Demonstration zum Modellmonitoring
- Kostenmanagement und Systemaktualisierungen im SageMaker-Umfeld
Capstone-Projekt
- Datenvorbereitung, Feature-Erstellung, Training und Tuning
- Bias-Analyse und Batch-Vorhersagen
- Optional: Automatisierung der Entwicklung mit SageMaker Pipelines
- Abschlussbesprechung und Transfer in eigene ML-Projekte
Zielgruppe
- Data Scientists mit Praxiserfahrung in Machine Learning und Python
- Machine-Learning-Engineers, die Modelle in AWS entwickeln, trainieren und bereitstellen
- Analytics- und Data-Engineering-Fachkräfte mit Verantwortung für ML-Datenpipelines
- Projektteams, die SageMaker Studio für produktionsnahe ML-Workflows einsetzen
Das lernst du
- Sicherer Umgang mit Amazon SageMaker Studio für End-to-End-ML-Workflows
- Eigenständige Datenvorbereitung und skalierbare Verarbeitung mit Data Wrangler, EMR, Glue und SageMaker Processing
- Praxisgerechte Modellentwicklung mit Feature Store, Experiments, Tuning und Debugging
- Bewertung von Modellen hinsichtlich Bias, Erklärbarkeit, Qualität und Betriebsfähigkeit
- Umsetzung von Deployment-, Monitoring- und MLOps-Szenarien mit Pipelines, Model Registry und Model Monitor
So arbeiten wir
- Fachliche Trainer-Inputs mit direktem Bezug zu Data-Science- und ML-Projekten auf AWS
- Live-Demonstrationen in Amazon SageMaker Studio und angrenzenden AWS-Services
- Hands-on Labs zu Datenverarbeitung, Feature Engineering, Training, Tuning, Deployment und Monitoring
- Praxisübungen mit SageMaker-Komponenten, Python SDK und AWS-Workflows
- Capstone-Projekt zur Verbindung der einzelnen Arbeitsschritte in einem durchgängigen ML-Workflow
- Diskussion von Architekturentscheidungen, Kostenaspekten und Übertragbarkeit auf eigene Projekte
Empfohlene Vorkenntnisse
Empfohlen werden:
- Erfahrung mit Machine-Learning-Frameworks und Data-Science-Workflows
- Sichere Grundlagen in Python-Programmierung
- Mindestens ein Jahr praktische Berufserfahrung als Data Scientist oder Machine-Learning-Engineer
- Grundlagen zu AWS-Services, IAM, S3 und Cloud-Konzepten, etwa aus AWS Cloud Practitioner Essentials
- Empfohlen: Teilnahme am Seminar AWS Technical Essentials
Dein Fahrplan
- Einführung in Amazon SageMaker Studio und zentrale Arbeitsbereiche
- Einrichtung und Navigation in der SageMaker-Studio-Umgebung
- Datenvorbereitung mit SageMaker Data Wrangler
- Hands-on Lab zu Analyse und Datenaufbereitung
- Skalierbare Verarbeitung mit Amazon EMR und AWS Glue Interactive Sessions
- Datenverarbeitung mit SageMaker Processing und eigenen Skripten
Organisatorisches
Lernformate
Unsere Seminare bieten dir maximale Flexibilität: Du kannst zwischen Live-Online und Vor Ort in unseren modernen Schulungszentren im D-A-CH Raum wählen. Beide Formate garantieren dir die gleiche hohe Qualität und interaktive Lernerfahrung.
Schulungsarten
Wir bieten dir verschiedene Schulungsarten: Offene Seminare, Firmenseminare für Teams und Inhouse-Schulungen direkt bei dir vor Ort. So findest du genau das Format, das zu deinen Bedürfnissen passt.
Uhrzeiten
09:00-17:00 Uhr
Aktuelle Software
In unseren offenen Kursen arbeiten wir mit der aktuellsten Software-Version. So lernst du direkt mit den Tools und Features, die du auch in deinem Arbeitsalltag verwendest - praxisnah und zukunftsorientiert. Bei Inhouse- und Firmenschulungen bestimmt ihr die Version.
Deine Vorteile
Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Inklusivleistungen
Deine Teilnahme beinhaltet: Schulungsmaterial, Zertifikat, Verpflegung (bei Präsenzveranstaltungen) und persönliche Betreuung durch unsere Trainer und unser Orga-Team. Alles aus einer Hand - keine versteckten Kosten.
Lernen von Experten
Unsere Trainer sind zertifizierte und erfahrene Profis mit jahrelanger Berufserfahrung. Sie vermitteln dir in den Kursen nicht nur theoretisches Wissen, sondern teilen ihre Erfahrungen aus realen Projekten und helfen dir, das Gelernte direkt in deiner täglichen Arbeit anzuwenden. Das ist kein Werbeversprechen, sondern unser Anspruch. Am besten siehst du das in unseren Bewertungen, z.B. auch bei Google.
Keine Vorkasse
Du zahlst erst nach dem Seminar. Keine Vorkasse, keine Vorauszahlung - so kannst du sicher sein, dass du nur für das bezahlst, was du auch wirklich erhalten hast. Die Rechnung erhältst du erst nach Kursbeginn.
Max. 8 Teilnehmende
Wir setzen auf kleine Gruppen, damit du die Aufmerksamkeit bekommst, die du verdienst. So haben wir mehr Zeit für deine individuellen Fragen und können gezielt auf deine Bedürfnisse eingehen.
Termine & Buchung
Nicht der passende Termin dabei?
Wir finden eine Lösung: anderer Termin, mehrere Teilnehmer, Inhouse-Schulung oder individuelle Beratung.
Lieber gleich das ganze Team schulen?
Diese Schulung gibt es auch exklusiv für dein Unternehmen, bei euch vor Ort, an unseren Standorten oder Live-Online. Inhalte und Termine nach Maß.
Inhouse-Schulung
Wir kommen zu euch: diese Schulung maßgeschneidert in euren Räumen, für Unternehmen und Behörden.
- Inhalte exakt auf euch zugeschnitten
- Termine nach euren Bedürfnissen
- Günstiger ab mehreren Teilnehmern
- Vertraute Umgebung, kein Reiseaufwand
Firmen-Seminar
Exklusiv für dein Team an einem unserer Standorte oder Live-Online, individuell angepasst.
- Geschlossene Gruppe aus eurem Haus
- Individuelle Terminplanung
- An unseren Standorten oder Live-Online
- Angepasste Inhalte
Fragen und Antworten zu Amazon SageMaker Studio for Data Scientists
Für wen eignet sich die Amazon SageMaker Studio Schulung?
Die Schulung eignet sich für erfahrene Data Scientists, Machine-Learning-Engineers und Data-Analytics-Fachkräfte, die ML-Modelle auf AWS entwickeln, trainieren, bereitstellen und überwachen möchten. Wenn du bereits mit Python und Machine-Learning-Grundlagen arbeitest, bietet das Training einen praxisnahen Einstieg in professionelle SageMaker-Studio-Workflows.
Welche Vorkenntnisse werden für das Training benötigt?
Empfohlen sind Erfahrung mit Machine-Learning-Frameworks, solide Python-Kenntnisse und grundlegendes AWS-Verständnis. Für AWS-Grundlagen ist AWS Cloud Practitioner Essentials eine passende Vorbereitung; für technische Grundlagen eignet sich AWS Technical Essentials.
Welche AWS-Services werden in der Schulung behandelt?
Behandelt werden unter anderem Amazon SageMaker Studio, SageMaker Data Wrangler, SageMaker Processing, SageMaker Feature Store, SageMaker Experiments, SageMaker Clarify, SageMaker Pipelines, Model Registry, Model Monitor, Amazon EMR, AWS Glue Interactive Sessions und Amazon Q Developer.
Ist die Schulung eine offizielle AWS-Zertifizierungsvorbereitung?
Diese Schulung ist nicht als offizieller AWS-Zertifizierungskurs mit eigener Prüfung ausgewiesen. Der Schwerpunkt liegt auf der praktischen Umsetzung von Data-Science- und Machine-Learning-Workflows mit Amazon SageMaker Studio.
Wird mit aktuellen SageMaker-Studio-Funktionen gearbeitet?
Ja. Die Inhalte sind auf den aktuellen Einsatz von Amazon SageMaker Studio in Amazon SageMaker AI ausgerichtet. Dazu gehören die Arbeit mit JupyterLab und Code Editor sowie die Nutzung von Amazon Q Developer für produktivere Entwicklungsabläufe.
Wie praxisnah ist das Seminar aufgebaut?
Das Seminar kombiniert fachliche Erklärungen, Live-Demonstrationen und Hands-on Labs. Im Capstone-Projekt werden Datenvorbereitung, Feature Engineering, Training, Tuning, Bias-Analyse, Batch-Vorhersagen und optional SageMaker Pipelines in einem zusammenhängenden Workflow verbunden.
Welche weiterführenden Schulungen passen danach?
Für vertiefte Entwicklungsworkflows auf AWS passt Developing on AWS. Wenn der Schwerpunkt stärker auf Datenarchitekturen und Batch-Analytics liegt, ist Building Batch Data Analytics Solutions on AWS eine sinnvolle Ergänzung. Für Betriebs- und Automatisierungsthemen bietet sich DevOps Engineering on AWS an.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs .
Ähnliche Kurse
Machine Learning Engineering on AWS
Advanced Generative AI Development on AWS
Amazon AWS DynamoDB - Kompaktschulung
Amazon Web Services (AWS) - Überblick für Einsteiger und Entscheider
AWS AI Practitioner Essentials Kurs
Unser Qualitätsversprechen: Wissen, das in der Praxis funktioniert
Aus der Praxis für die Praxis
Schluss mit theoretischem Ballast. Wir trainieren dich für reale IT-Herausforderungen, nicht für Multiple-Choice-Tests. Unsere Trainer vermitteln dir genau das Wissen, das am nächsten Montagmorgen im Job wirklich funktioniert.
Individuell statt "Schema F"
Deine Fragen passen nicht ins Standard-Skript? Bei uns schon. Wir verzichten auf starre Lehrpläne und geben deinen konkreten Projekt-Fragen Raum. Unsere Trainer passen die Inhalte flexibel an das an, was dich und dein Team aktuell weiterbringt.
Maximale Freiheit: Remote oder vor Ort
Lerne so, wie es in deinen Alltag passt - ohne Reise-Stress und Zeitverlust. Egal ob remote, hybrid oder präsent vor Ort: Wir garantieren dir ein nahtloses und effektives Lernerlebnis, egal von wo du dich zuschaltest.
Mit Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt - und wollen, dass du es auch bist. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Über 20.000 Unternehmen und Behörden vertrauen auf uns
