Amazon SageMaker Studio for Data Scientists
ML-Workflows von Datenvorbereitung bis Deployment praxisnah mit AWS-Services umsetzen
- End-to-End-ML-Workflows mit SageMaker
- Datenvorbereitung mit Data Wrangler
- Modelltraining, Tuning und Debugging
- 3 Tage
- Fortgeschritten
- Online
- Zufriedenheitsgarantie Risikofrei für dich
- Online Live per Videokonferenz
- max. 8 Teilnehmerinnen und Teilnehmer pro Gruppe
- Keine Vorkasse Rechnung nach dem Seminar
Das nimmst du mit
- 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
Passt das zu dir?
Damit du den Tag wirklich mitnimmst, lohnt sich ein kurzer Abgleich.
Richtig für dich, wenn
- 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 bringst du mit
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 Lernweg
Tag 1: SageMaker Studio, Setup und Datenverarbeitung
- 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
Tag 2: Feature Engineering, Training und Modellbewertung
- Feature Engineering mit SageMaker Feature Store und Python SDK
- Training mit integrierten Algorithmen, eigenen Skripten und Containern
- Nutzung von SageMaker Experiments für Vergleichbarkeit und Nachverfolgung
- Hyperparameter-Tuning und Fehleranalyse mit Debugger-Funktionen
- Automated ML mit SageMaker Autopilot
- Bias-Erkennung und Erklärbarkeit mit SageMaker Clarify
- Einführung in SageMaker JumpStart
Tag 3: Deployment, Monitoring und Capstone-Projekt
- Modellverwaltung mit SageMaker Model Registry
- Automatisierte Workflows mit SageMaker Pipelines
- Deployment, Inferenz und Skalierung von Modellen
- Modellüberwachung mit Amazon SageMaker Model Monitor
- Kostenmanagement und Aktualisierung von SageMaker-Ressourcen
- Capstone-Projekt mit Datenvorbereitung, Feature-Erstellung, Training, Tuning und Bias-Analyse
- Abschlussbesprechung und Transfer in eigene ML-Szenarien
Klarheit von Anfang an
Format, Ablauf und alles, was schon enthalten ist. Keine Überraschungen, nur Fokus auf dein Ergebnis.
- Live-OnlineInteraktiv per Videokonferenz, von überall
- Montag09:00 bis 17:00 Uhr
3 Tage
Kompakt aufgebaut, damit du schnell ins Tun kommst.
max. 8
Kleine Gruppe, damit genug Raum für deine Fragen bleibt.
- 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
Das ist immer dabei
- Ausführliche Schulungsunterlagen und Praxisbeispiele
- Teilnahmezertifikat
- Übungsumgebungen und Beispieldaten
- Nachbetreuung per E-Mail nach dem Seminar
Sichere dir deinen Platz
Wähle den Termin, der zu dir passt. Online live dabei oder vor Ort, ganz wie es für dich passt.
- Erfahrene IT-Trainer aus der Praxis
- Keine Vorkasse, Rechnung nach dem Seminar
- Kostenfreie Umbuchung bis 14 Tage vor Start
Lieber das ganze Team?
Bring dieses Seminar zu euch ins Haus oder lass uns ein Programm bauen, das genau auf euer Unternehmen passt.
Inhouse-Schulung
Wir kommen zu dir und schulen dein Team genau auf eure Praxis.
- Komplett auf eure Use-Cases und Tools zugeschnitten
- Termin und Ort bestimmst du, vor Ort oder Live-Online
- Ein fester Pauschalpreis statt Preis pro Person
Firmen-Seminar
Ein individuelles Programm, das wir auf eure Ziele zuschneiden.
- Frei kombinierbare Module aus unserem Themenkatalog
- Skalierbar von der Kleingruppe bis zur ganzen Belegschaft
- Begleitung über mehrere Termine hinweg möglich
Deine IT-Schulungen München-Expertinnen und -Experten
Du hast Fragen zu Inhalten, Terminen oder einer passenden Lösung für dein Team? Wir beraten dich gern, bevor du buchst. Direkt, ohne Umwege.
Antwort in der Regel am selben Werktag
Dein cmt-Team München
Beratung zu IT-Weiterbildung
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.
Passende Schulungen
Amazon SageMaker Studio for Data Scientists
Nächster Termin: 23. September 2026 · Online
ab1.990 €netto