Practical Data Science mit Amazon SageMaker
Trainiere, optimiere und deploye ML-Modelle praxisnah mit SageMaker und AWS-Workflows
Die wichtigsten Themen
ML-Workflow mit Amazon SageMaker
Datenanalyse und Feature Engineering
Training, Tuning und Modellbewertung
Deployment an SageMaker-Endpunkte
Responsible ML und MLOps-Grundlagen
Überblick In dieser praxisorientierten Amazon SageMaker Schulung lernst du, wie aus einem konkreten Business-Problem ein lauffähiger Machine-Learning-Workflow auf AWS entsteht. Der Trainingstag führt durch den typischen...
In dieser praxisorientierten Amazon SageMaker Schulung lernst du, wie aus einem konkreten Business-Problem ein lauffähiger Machine-Learning-Workflow auf AWS entsteht. Der Trainingstag führt durch den typischen Data-Science-Prozess: Problemstellung einordnen, Daten analysieren und vorbereiten, ein Modell trainieren, Hyperparameter optimieren, Ergebnisse bewerten und das Modell für Vorhersagen bereitstellen.
Im Mittelpunkt steht Amazon SageMaker, in der AWS-Dokumentation inzwischen als Amazon SageMaker AI geführt. Anhand eines realitätsnahen Anwendungsfalls, zum Beispiel der Analyse von Kundenabwanderung, werden zentrale Schritte in SageMaker Studio, Notebooks und Data Wrangler nachvollziehbar vermittelt. Das Seminar verbindet Demonstrationen, Hands-on Labs und fachliche Einordnung, damit du Data-Science-Projekte auf AWS fundiert einschätzen und mit technischen Teams produktiv umsetzen kannst.
Die Schulung eignet sich besonders, wenn bereits erste AWS-Grundlagen vorhanden sind oder zuvor ein Einstieg wie AWS Technical Essentials besucht wurde. Für datengetriebene Analyseprojekte bietet außerdem der Data Mining Einführungskurs eine passende Ergänzung.
Die Themen Nutzen von Machine Learning für geschäftliche Problemstellungen · Überwachtes, unüberwachtes und bestärkendes Lernen · Abgrenzung von Klassifikation, Regression und Prognose...
Einordnung von Machine Learning auf AWS
- Nutzen von Machine Learning für geschäftliche Problemstellungen
- Überwachtes, unüberwachtes und bestärkendes Lernen
- Abgrenzung von Klassifikation, Regression und Prognose
- Rollen, Verantwortlichkeiten und Zusammenarbeit in ML-Projekten
- Qualität von Vorhersagen und geschäftliche Fehlkosten
Datenanalyse und Datenvorbereitung
- Analyse und Bewertung vorhandener Datensätze
- Explorative Datenanalyse mit Notebooks
- Datenbereinigung und Feature Engineering
- Aufteilung in Trainings-, Validierungs- und Testdaten
- Datenvorbereitung mit Amazon SageMaker Data Wrangler
Arbeiten mit Amazon SageMaker
- Überblick über Amazon SageMaker Studio
- Arbeiten mit SageMaker-Notebooks
- Nutzung der SageMaker-Konsole für ML-Workflows
- Sicherer Zugriff auf SageMaker-Ressourcen in AWS-Umgebungen
- Auswahl geeigneter Tools für unterschiedliche ML-Aufgaben
Modelltraining mit SageMaker
- Auswahl geeigneter Algorithmen für den Anwendungsfall
- Training eines Modells mit Amazon SageMaker
- Einsatz von XGBoost für strukturierte Daten
- Überwachung von Trainingsjobs
- Einordnung von Trainingsmetriken und Modellartefakten
Evaluierung und Hyperparameter-Optimierung
- Bewertung der Modellleistung mit geeigneten Metriken
- Vergleich von Vorhersagequalität und Geschäftsrisiko
- Hyperparameter-Tuning mit Amazon SageMaker
- Interpretation von Tuning-Ergebnissen
- Optimierung binärer Klassifikationsmodelle
Deployment und Vorhersagen
- Bereitstellung eines Modells an einem Echtzeit-Endpunkt
- Generierung von Vorhersagen über einen SageMaker-Endpunkt
- Batch-Inferenz für größere Datenmengen
- Testen von Deployment-Varianten
- Grundlagen zu Skalierung und Kostenkontrolle
Operationalisierung und weitere SageMaker-Werkzeuge
- Herausforderungen beim produktiven Betrieb von ML-Modellen
- Grundlagen von Responsible ML
- Monitoring, Modellpflege und Aktualisierung
- Automatisierung und MLOps-Grundlagen
- No-Code ML mit Amazon SageMaker Canvas
Wer hier richtig ist
- Application-Developer, die ML-Funktionen in Anwendungen auf AWS integrieren
- DevOps- und Cloud-Engineering-Teams mit Verantwortung für ML-nahe Workloads
- Data-Scientists und Data-Analysten mit ersten AWS-Berührungspunkten
- Technische Projektverantwortliche, die Data-Science-Prozesse auf AWS bewerten und begleiten
Das lernst du
- Fundiertes Verständnis des typischen Data-Science-Prozesses auf AWS
- Eigenständiges Vorbereiten, Analysieren und Strukturieren von Datensätzen für ML-Workflows
- Sicherer Umgang mit Amazon SageMaker Studio, Notebooks und Data Wrangler
- Training, Bewertung und Optimierung eines Machine-Learning-Modells mit SageMaker
- Bereitstellung eines trainierten Modells für Echtzeit-Vorhersagen
- Einordnung operativer Anforderungen wie Monitoring, Responsible ML, Automatisierung und Modellpflege
So arbeiten wir
- Fachliche Impulse und Live-Demonstrationen durch AWS-erfahrene Trainerinnen und Trainer
- Hands-on Labs entlang eines durchgängigen Machine-Learning-Anwendungsfalls
- Arbeit mit Amazon SageMaker Studio, Notebooks, Data Wrangler, Training, Tuning und Deployment
- Praxisnahe Einordnung typischer Fehlerquellen, Kostenaspekte und Betriebsanforderungen
- Austausch zu Anwendungsfällen aus Entwicklungs-, DevOps- und Data-Science-Teams
Auf welche Zertifizierungen oder Examen bereitet der Kurs vor?
Dieser Kurs bereitet Sie gezielt auf die Zertifizierungsprüfung AWS Certified Machine Learning – Specialty (MLS-C01) vor.
- Prüfung kann online oder in einem Prüfungsinstitut abgelegt werden.
- Prüfungs-Voucher optional bei uns erhältlich.
Empfohlene Vorkenntnisse
Für eine produktive Teilnahme werden folgende Vorkenntnisse empfohlen:
- Grundlagen der AWS-Cloud, zum Beispiel aus AWS Cloud Practitioner Essentials oder AWS Technical Essentials
- Grundkenntnisse der Programmiersprache Python
- Grundlegendes Verständnis von Machine Learning
- Basiswissen zu Statistik, Datenanalyse und tabellarischen Datensätzen
Dein Fahrplan
- Einordnung von Machine Learning und typischen Business-Problemen
- Rollen, Verantwortlichkeiten und Ablauf in ML-Projekten
- Analyse eines Beispieldatensatzes
- Datenbereinigung, Feature Engineering und Aufteilung in Trainings- und Testdaten
- Einführung in Amazon SageMaker Studio, Notebooks und Data Wrangler
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
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 Practical Data Science mit Amazon SageMaker
Was lerne ich in der Amazon SageMaker Schulung?
Du durchläufst den zentralen Data-Science-Prozess auf AWS: Daten analysieren und vorbereiten, ein Machine-Learning-Modell trainieren, Hyperparameter optimieren, Ergebnisse bewerten und das Modell mit Amazon SageMaker für Vorhersagen bereitstellen.
Ist das Seminar für Einsteiger in Machine Learning geeignet?
Das Training ist als Intermediate-Schulung ausgelegt. Erste Kenntnisse in Python, Statistik und Machine Learning sind hilfreich. Wenn du noch stärker in die Grundlagen einsteigen möchtest, ist vorab ein Training wie AWS AI Practitioner Essentials sinnvoll.
Welche AWS-Dienste werden im Training genutzt?
Der Schwerpunkt liegt auf Amazon SageMaker mit SageMaker Studio, Notebooks, Data Wrangler, Trainingsjobs, Hyperparameter-Tuning und Modell-Deployment. Ergänzend werden AWS-Grundlagen eingeordnet, die für den produktiven Betrieb von ML-Workloads relevant sind.
Gibt es praktische Übungen mit Amazon SageMaker?
Ja. Das Seminar kombiniert fachliche Erläuterungen, Demonstrationen und Hands-on Labs. Dabei wird ein durchgängiger Machine-Learning-Anwendungsfall bearbeitet, vom Datensatz bis zur Bereitstellung eines Modells.
Für welche Rollen ist Practical Data Science mit Amazon SageMaker geeignet?
Die Schulung richtet sich an Application-Developer, DevOps-Engineers, Data-Scientists, Data-Analysten und technische Projektverantwortliche, die ML-Lösungen auf AWS verstehen, begleiten oder selbst umsetzen möchten.
Bereitet der Kurs auf eine AWS-Zertifizierung vor?
Das Seminar vermittelt praxisrelevante Fähigkeiten für Machine-Learning-Workflows mit Amazon SageMaker. Es ist jedoch keine gezielte Zertifizierungsvorbereitung für eine aktuell aktive AWS-Prüfung.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs .
Ähnliche Kurse
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
