Machine Learning Engineering on AWS
ML-Modelle mit SageMaker, MLOps und Monitoring zuverlässig auf AWS produktionsreif machen
Die wichtigsten Themen
ML-Modelle produktionsreif auf AWS
Datenaufbereitung mit SageMaker
MLOps-Pipelines und Model Registry
Deployment, Monitoring und Drift-Erkennung
Sicherheit, Kosten und Responsible ML
Überblick
Machine-Learning-Modelle liefern erst dann echten geschäftlichen Nutzen, wenn sie reproduzierbar trainiert, sicher bereitgestellt, zuverlässig überwacht und wirtschaftlich betrieben werden. In dieser 3-tägigen Schulung Machine Learning Engineering on AWS lernst du, ML-Modelle nicht nur zu entwickeln, sondern robust, skalierbar und produktionsreif auf Amazon Web Services zu betreiben.
Der Kurs richtet sich an ML-Profis, Entwicklerinnen und Entwickler sowie Cloud- und DevOps-Fachkräfte, die Modelle vom Experiment bis zum stabilen Produktivbetrieb begleiten. Im Mittelpunkt stehen zentrale AWS-Services wie Amazon SageMaker AI, SageMaker Pipelines, SageMaker Model Registry, SageMaker Data Wrangler, Amazon EMR und SageMaker Model Monitor. Dabei geht es um Datenaufbereitung, Feature Engineering, Training, Deployment, Sicherheit, Kostenbewertung, Responsible ML und kontinuierliches Monitoring.
Die Machine Learning Engineering Schulung verbindet fundierte Konzepte mit konkreter Umsetzung. In Hands-on-Labs, Übungen und realistischen Szenarien entwickelst du skalierbare Machine-Learning-Anwendungen auf AWS, automatisierst ML-Workflows und setzt MLOps-Praktiken für produktionsnahe Umgebungen um. Wer vorab AWS-Grundlagen auffrischen möchte, findet mit AWS Technical Essentials eine passende Vorbereitung. Für den Einstieg in Modellierung und Training eignet sich ergänzend der Python Machine Learning Grundkurs.
Wer hier richtig ist
- Machine Learning Engineers und angehende ML-Fachkräfte mit Bedarf an produktionsnahen AWS-Workflows
- DevOps Engineers und MLOps Engineers, die ML-Pipelines, Deployments und Monitoring auf AWS umsetzen
- Entwicklerinnen und Entwickler, die Machine-Learning-Anwendungen mit SageMaker operationalisieren
- SysOps Engineers und Cloud-Engineers, die ML-Ressourcen sicher, skalierbar und kosteneffizient betreiben
Das lernst du
- Sicherer Umgang mit dem Machine-Learning-Lifecycle auf AWS vom Datensatz bis zum produktiven Endpoint
- ML-Modelle mit Amazon SageMaker trainieren, bewerten, optimieren und bereitstellen
- Eigenständige Umsetzung von MLOps-Pipelines mit SageMaker Pipelines und Model Registry
- Produktionsreife Deployments mit Testing, CI/CD, Traffic-Shifting und Monitoring planen
- Sicherheit, Kosten, Datenqualität und Responsible ML in AWS-ML-Architekturen berücksichtigen
Die Themen Grundlagen des Machine Learning im AWS-Kontext · Einordnung von Amazon SageMaker AI und relevanten ML-Services · Machine-Learning-Lifecycle vom Use Case bis zum Betrieb...
Einführung in Machine Learning auf AWS
- Grundlagen des Machine Learning im AWS-Kontext
- Einordnung von Amazon SageMaker AI und relevanten ML-Services
- Machine-Learning-Lifecycle vom Use Case bis zum Betrieb
- Responsible Machine Learning, Nachvollziehbarkeit und Governance
ML-Herausforderungen und Problemdefinition
- Bewertung geschäftlicher Problemstellungen für ML-Projekte
- Auswahl geeigneter Trainingsansätze
- Überblick über Trainingsalgorithmen und Einsatzszenarien
- Abgrenzung von Experiment, Prototyp und produktiver ML-Lösung
Datenverarbeitung und explorative Analyse
- Datenarten, Datenquellen und Datenqualität
- Explorative Datenanalyse für Machine-Learning-Projekte
- AWS-Speicheroptionen und ihre Einsatzszenarien
- Datenzugriff über Amazon S3, Amazon EMR und angebundene Datenquellen
Datentransformation und Feature Engineering
- Umgang mit fehlerhaften, doppelten und fehlenden Daten
- Feature Engineering und Feature Selection
- Datentransformation mit AWS-Services
- Datenaufbereitung mit SageMaker Data Wrangler in SageMaker Canvas und Amazon EMR
- Verarbeitung mit SageMaker Processing und dem SageMaker Python SDK
Modellierungsansätze und automatisiertes Training
- Integrierte Algorithmen in Amazon SageMaker AI
- Auswahl geeigneter Trainingsalgorithmen
- Automatisiertes Training mit SageMaker Autopilot
- Modellauswahl, Qualitätsmetriken und Kostenbewertung
Modelltraining mit Amazon SageMaker
- Grundlagen des Trainingsprozesses
- Training von ML-Modellen mit Amazon SageMaker
- Trainingsjobs, Artefakte und reproduzierbare Abläufe
- Nutzung des SageMaker Python SDK für Engineering-Workflows
Bewertung, Optimierung und Tuning
- Bewertung der Modellleistung anhand geeigneter Metriken
- Verkürzung von Trainingszeiten
- Hyperparameter-Optimierung
- Modell-Tuning mit Amazon SageMaker
- Abwägung von Performance, Kosten und Betriebsanforderungen
Modellbereitstellung und Inferenz
- Deployment-Strategien und Zielumgebungen
- Auswahl passender Inferenzstrategien
- Container- und Instanztypen für Inferenz
- Traffic-Shifting und A/B-Tests
- Bereitstellung für produktionsnahe Anwendungsszenarien
Sicherheit für ML-Ressourcen
- Zugriffskontrolle und Berechtigungen mit AWS IAM
- Netzwerkabsicherung und geschützte Service-Kommunikation
- Sicherheitsaspekte in CI/CD-Pipelines
- Schutz von Daten, Modellen und Endpunkten
MLOps und automatisierte Deployments
- Einführung in MLOps auf AWS
- Automatisiertes Testen von Daten, Code und Modellen
- Continuous Delivery für Machine Learning
- Arbeiten mit SageMaker Pipelines, SageMaker Model Registry und SageMaker Studio
- Freigabeprozesse, Versionierung und Wiederholbarkeit von ML-Workflows
Monitoring und Qualitätssicherung
- Erkennung von Modell- und Daten-Drift
- Überwachung mit SageMaker Model Monitor
- Sicherstellung von Daten- und Modellqualität
- Automatisierte Fehlererkennung und kontrollierte Reaktion auf Abweichungen
- Kontinuierliche Verbesserung produktiver ML-Systeme
So arbeiten wir
- Fachliche Einführung in Machine-Learning-Engineering, AWS-Services und MLOps-Konzepte
- Hands-on-Labs mit Amazon SageMaker, Datenaufbereitung, Training, Deployment und Monitoring
- Praxisübungen zu Feature Engineering, Modell-Tuning, Pipelines, Model Registry und Drift-Erkennung
- Arbeit an realistischen Szenarien aus produktionsnahen ML-Umgebungen
- Diskussion von Best Practices, Architekturentscheidungen und typischen Betriebsfragen mit erfahrenen Trainerinnen und Trainern
Empfohlene Vorkenntnisse
Für die Teilnahme werden folgende Kenntnisse empfohlen:
- Grundlegendes Verständnis von Machine-Learning-Konzepten und typischen ML-Methoden
- Praxiserfahrung mit Python sowie Bibliotheken wie NumPy, Pandas und Scikit-learn, zum Beispiel aus dem Python Machine Learning Grundkurs
- Basiswissen zu Cloud-Computing und erste Erfahrung mit AWS, alternativ eine Vorbereitung über Amazon Web Services Überblick
- Grundkenntnisse in Git und Versionsverwaltung für nachvollziehbare Entwicklungsabläufe
Dein Fahrplan
- Einordnung des Machine-Learning-Lifecycle auf AWS
- Überblick über Amazon SageMaker AI und relevante AWS-Services
- Bewertung von ML-Problemstellungen und Trainingsansätzen
- Datenarten, Datenqualität und explorative Datenanalyse
- Datenaufbereitung mit SageMaker Data Wrangler, SageMaker Processing und Amazon EMR
- Feature Engineering, Feature Selection und Transformationen für ML-Workflows
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
Vor Ort
Online
Der passende Termin ist nicht dabei? Kontaktiere uns - wir finden die passende Lösung
Inhouse-Schulungen & Firmenseminare
Inhouse-Schulungen
Buche diese Schulung als maßgeschneiderte Inhouse-Schulung für dein Unternehmen oder deine Behörde. Unsere Trainer kommen zu dir und führen die Schulung in deinen Räumlichkeiten durch.
Vorteile:
- Maßgeschneiderte Inhalte für dein Unternehmen
- Flexible Terminplanung nach euren Bedürfnissen
- Kosteneffizient bei mehreren Teilnehmern
- Schulung in vertrauter Umgebung
- Fokus auf deine spezifischen Anforderungen
Firmen-Seminare
Firmen-Seminare finden an einem unserer Schulungsstandorte statt, sind aber maßgeschneidert für dich und exklusiv für dein Team. Sie können auch online stattfinden.
Ideal für:
- Geschlossene Gruppen aus einem Unternehmen / Behörde
- Individuelle Terminplanung für dein Team
- An unseren Schulungsstandorten oder Online
- Angepasste Inhalte für deine Anforderungen
Fragen und Antworten zu Machine Learning Engineering on AWS
Was ist der Unterschied zwischen Machine Learning Engineering und Data Science auf AWS?
Data Science konzentriert sich stark auf Analyse, Modellierung und Bewertung von Modellen. Machine Learning Engineering geht darüber hinaus: Im Seminar stehen produktionsreife ML-Workflows auf AWS im Mittelpunkt, also Datenverarbeitung, Training, Deployment, Automatisierung, Sicherheit, Monitoring und kontinuierliche Verbesserung.
Welche AWS-Services werden in der Schulung eingesetzt?
Die Schulung arbeitet vor allem mit Amazon SageMaker AI, SageMaker Pipelines, SageMaker Model Registry, SageMaker Data Wrangler, SageMaker Processing, SageMaker Model Monitor und Amazon EMR. Je nach Übung werden außerdem typische AWS-Grundlagen wie IAM, Speicheroptionen und Netzwerkaspekte einbezogen.
Reichen erste AWS-Kenntnisse für die Teilnahme aus?
Ja, erste AWS-Erfahrung genügt, wenn grundlegende Machine-Learning- und Python-Kenntnisse vorhanden sind. Wer sich vorher mit AWS-Konzepten, zentralen Services und Bedienung vertraut machen möchte, kann sich mit AWS Technical Essentials oder AWS Cloud Practitioner Essentials vorbereiten.
Ist das Seminar für MLOps und produktive ML-Systeme geeignet?
Ja. Der Kurs behandelt MLOps auf AWS sehr praxisnah: automatisierte ML-Pipelines, Model Registry, Testing, Continuous Delivery, Deployment-Strategien, Monitoring, Drift-Erkennung und Qualitätskontrolle. Damit eignet sich die Schulung besonders für Teams, die ML-Modelle kontrolliert in den Produktivbetrieb bringen wollen.
Welche Rolle spielt Amazon SageMaker in diesem Training?
Amazon SageMaker ist die zentrale Plattform des Seminars. Du arbeitest mit Funktionen für Datenaufbereitung, Training, Tuning, Deployment, Pipeline-Automatisierung, Modellregistrierung und Überwachung. Der Kurs zeigt, wie diese Bausteine zu einem belastbaren Machine-Learning-Engineering-Prozess verbunden werden.
Welche Schulungen passen als Ergänzung zu Machine Learning Engineering on AWS?
Für breitere AWS-Architekturkenntnisse eignet sich Architecting on AWS. Wer AWS und KI-Grundlagen verbinden möchte, findet mit AWS AI Practitioner Essentials eine passende Ergänzung.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs .
Ähnliche Kurse
Einführung in Cloud Computing mit AWS und Azure
Amazon SageMaker Studio for Data Scientists
Build Modern Applications with AWS NoSQL Databases
Planning and Designing Databases on AWS
Video Streaming Essentials for AWS Media Services
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
