Machine Learning Engineering on AWS
ML-Modelle mit SageMaker, MLOps und Monitoring zuverlässig auf AWS produktionsreif machen
- ML-Modelle produktionsreif auf AWS
- Datenaufbereitung mit SageMaker
- MLOps-Pipelines und Model Registry
- 3 Tage
- Aufbau
- 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
- ML-Modelle produktionsreif auf AWS
- Datenaufbereitung mit SageMaker
- MLOps-Pipelines und Model Registry
- Deployment, Monitoring und Drift-Erkennung
- Sicherheit, Kosten und Responsible ML
Passt das zu dir?
Damit du den Tag wirklich mitnimmst, lohnt sich ein kurzer Abgleich.
Richtig für dich, wenn
- 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 bringst du mit
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 Lernweg
Tag 1: Grundlagen, Datenbasis und Feature Engineering
- 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
Tag 2: Training, Modellbewertung und Deployment
- Auswahl geeigneter Algorithmen und Trainingsstrategien
- Training von ML-Modellen mit Amazon SageMaker
- Automatisiertes Training mit SageMaker Autopilot
- Bewertung von Modellleistung, Qualitätsmetriken und Kosten
- Hyperparameter-Optimierung und Modell-Tuning
- Deployment-Strategien, Inferenzoptionen, Container und Instanztypen
Tag 3: Sicherheit, MLOps und Monitoring
- Zugriffskontrolle, Berechtigungen und Netzwerkabsicherung für ML-Ressourcen
- Sicherheitsaspekte in CI/CD-Pipelines und ML-Deployments
- MLOps-Grundlagen, automatisiertes Testen und Continuous Delivery
- SageMaker Pipelines, SageMaker Model Registry und SageMaker Studio im Zusammenspiel
- Monitoring mit SageMaker Model Monitor
- Erkennung von Daten-Drift und Modell-Drift sowie Qualitätssicherung im Betrieb
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 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
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 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.
Passende Schulungen
Machine Learning Engineering on AWS
Nächster Termin: 26. Oktober 2026 · Online
ab1.995 €netto