In diesem Kurs lernen Sie, wie Sie Folgendes tun können:<\/p>\n
Wir empfehlen, dass die Teilnehmer dieses Kurses die folgenden Voraussetzungen erfüllen:<\/p>\n
Dieser Kurs richtet sich an Fachleute, die an der Erstellung, Bereitstellung und Operationalisierung von Modellen für maschinelles Lernen in AWS interessiert sind. Dazu können aktuelle und in der Ausbildung befindliche Ingenieure für maschinelles Lernen gehören, die möglicherweise nur wenig Erfahrung mit AWS haben. Andere Rollen, die von dieser Schulung profitieren können, sind DevOps-Ingenieur, Entwickler und SysOps-Ingenieur.<\/p>","contents":"
Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <\/use><\/svg>hier<\/a><\/span>.<\/em><\/p>","summary":"Machine Learning (ML) Engineering auf Amazon Web Services (AWS) ist ein dreitägiger Kurs für ML-Profis, die Machine Learning Engineering auf AWS erlernen möchten. Die Teilnehmer lernen durch eine ausgewogene Kombination aus Theorie, praktischen Übungen und Aktivitäten, ML-Lösungen im grossen Massstab zu erstellen, bereitzustellen, zu orchestrieren und zu operationalisieren. Die Teilnehmer werden praktische Erfahrungen mit AWS-Diensten wie Amazon SageMaker AI und Analysetools wie Amazon EMR sammeln, um robuste, skalierbare und produktionsreife Anwendungen für maschinelles Lernen zu entwickeln.<\/p>","objective_plain":"In diesem Kurs lernen Sie, wie Sie Folgendes tun k\u00f6nnen:\n\n\n- Erkl\u00e4ren Sie die Grundlagen von ML und seine Anwendungen in der AWS-Cloud.\n- Verarbeiten, transformieren und entwickeln Sie Daten f\u00fcr ML-Aufgaben mithilfe von AWS-Services.\n- Auswahl geeigneter ML-Algorithmen und Modellierungsans\u00e4tze auf der Grundlage von Problemanforderungen und Modellinterpretierbarkeit.\n- Entwerfen und implementieren Sie skalierbare ML-Pipelines, indem Sie AWS-Services f\u00fcr die Modellschulung, Bereitstellung und Orchestrierung verwenden.\n- Erstellen Sie automatisierte Pipelines f\u00fcr die kontinuierliche Integration und Bereitstellung (CI\/CD) von ML-Workflows.\n- Diskutieren Sie geeignete Sicherheitsmassnahmen f\u00fcr ML-Ressourcen auf AWS.\n- Implementierung von \u00dcberwachungsstrategien f\u00fcr eingesetzte ML-Modelle, einschliesslich Techniken zur Erkennung von Datendrift.","essentials_plain":"Wir empfehlen, dass die Teilnehmer dieses Kurses die folgenden Voraussetzungen erf\u00fcllen:\n\n\n- Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens\n- Kenntnisse der Programmiersprache Python und g\u00e4ngiger Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn\n- Grundlegendes Verst\u00e4ndnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS\n- Erfahrung mit Versionskontrollsystemen wie Git (von Vorteil, aber nicht erforderlich)","audience_plain":"Dieser Kurs richtet sich an Fachleute, die an der Erstellung, Bereitstellung und Operationalisierung von Modellen f\u00fcr maschinelles Lernen in AWS interessiert sind. Dazu k\u00f6nnen aktuelle und in der Ausbildung befindliche Ingenieure f\u00fcr maschinelles Lernen geh\u00f6ren, die m\u00f6glicherweise nur wenig Erfahrung mit AWS haben. Andere Rollen, die von dieser Schulung profitieren k\u00f6nnen, sind DevOps-Ingenieur, Entwickler und SysOps-Ingenieur.","contents_plain":"- Einf\u00fchrung in den Kurs\n- Einf\u00fchrung in maschinelles Lernen (ML) auf AWS\n- Analyse der Herausforderungen des maschinellen Lernens (ML)\n- Datenverarbeitung f\u00fcr maschinelles Lernen (ML)\n- Datenumwandlung und Feature Engineering\n- Auswahl eines Modellierungsansatzes\n- Training von Modellen f\u00fcr maschinelles Lernen (ML)\n- Bewertung und Abstimmung von Modellen des maschinellen Lernens (ML)\n- Strategien f\u00fcr den Einsatz von Modellen\n- Sichern von AWS-Ressourcen f\u00fcr maschinelles Lernen (ML)\n- Operationen f\u00fcr maschinelles Lernen (MLOps) und automatisierte Bereitstellung\n- \u00dcberwachung von Modellleistung und Datenqualit\u00e4t\n- Nachbereitung des Kurses","outline_plain":"Modul 0: Kurseinf\u00fchrung\n\nModul 1: Einf\u00fchrung in maschinelles Lernen (ML) auf AWS\n\n\n- Thema A: Einf\u00fchrung in ML\n- Thema B: Amazon SageMaker AI\n- Thema C: Verantwortungsvolle ML\nModul 2: Analyse der Herausforderungen des maschinellen Lernens (ML)\n\n\n- Thema A: Bewertung von ML-Gesch\u00e4ftsherausforderungen\n- Thema B: ML-Trainingsans\u00e4tze\n- Thema C: ML-Trainingsalgorithmen\nModul 3: Datenverarbeitung f\u00fcr maschinelles Lernen (ML)\n\n\n- Thema A: Datenaufbereitung und Datentypen\n- Thema B: Explorative Datenanalyse\n- Thema C: AWS-Speicheroptionen und Auswahl des Speichers\nModul 4: Datenumwandlung und Feature Engineering\n\n\n- Thema A: Umgang mit falschen, doppelten und fehlenden Daten\n- Thema B: Konzepte der Merkmalstechnik\n- Thema C: Techniken der Merkmalsauswahl\n- Thema D: AWS-Datenumwandlungsdienste\n- \u00dcbung 1: Analysieren und Aufbereiten von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR\n- \u00dcbung 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK\nModul 5: Auswahl eines Modellierungsansatzes\n\n\n- Thema A: Integrierte Algorithmen von Amazon SageMaker AI\n- Thema B: Amazon SageMaker Autopilot\n- Thema C: Auswahl von integrierten Trainingsalgorithmen\n- Thema D: \u00dcberlegungen zur Modellauswahl\n- Thema E: ML-Kosten\u00fcberlegungen\nModul 6: Training von Modellen f\u00fcr maschinelles Lernen (ML)\n\n\n- Thema A: Konzepte f\u00fcr die Modellausbildung\n- Thema B: Training von Modellen in Amazon SageMaker AI\n- \u00dcbung 3: Training eines Modells mit Amazon SageMaker AI\nModul 7: Bewertung und Abstimmung von Modellen des maschinellen Lernens (ML)\n\n\n- Thema A: Bewertung der Modellleistung\n- Thema B: Techniken zur Verk\u00fcrzung der Ausbildungszeit\n- Thema C: Techniken zur Abstimmung der Hyperparameter\n- \u00dcbung 4: Modellabstimmung und Hyperparameter-Optimierung mit Amazon SageMaker AI\nModul 8: Strategien f\u00fcr den Einsatz von Modellen\n\n\n- Thema A: \u00dcberlegungen zum Einsatz und Zieloptionen\n- Thema B: Bereitstellungsstrategien\n- Thema C: Auswahl einer Modellinferenzstrategie\n- Thema D: Container- und Instanztypen f\u00fcr die Inferenz\n- \u00dcbung 5: Verkehrsverlagerung\nModul 9: Sichern von AWS-Ressourcen f\u00fcr maschinelles Lernen (ML)\n\n\n- Thema A: Zugangskontrolle\n- Thema B: Netzwerkzugangskontrollen f\u00fcr ML-Ressourcen\n- Thema C: Sicherheits\u00fcberlegungen f\u00fcr CI\/CD-Pipelines\nModul 10: Operationen f\u00fcr maschinelles Lernen (MLOps) und automatisierte Bereitstellung\n\n\n- Thema A: Einf\u00fchrung in MLOps\n- Thema B: Automatisierung von Tests in CI\/CD-Pipelines\n- Thema C: Kontinuierliche Lieferdienste\n- \u00dcbung 6: Verwendung von Amazon SageMaker Pipelines und der Amazon SageMaker Model Registry mit Amazon SageMaker Studio\nModul 11: \u00dcberwachung der Modellleistung und Datenqualit\u00e4t\n\n\n- Thema A: Erkennung von Drift in ML-Modellen\n- Thema B: SageMaker Model Monitor\n- Thema C: \u00dcberwachung von Datenqualit\u00e4t und Modellqualit\u00e4t\n- Thema D: Automatisierte Abhilfemassnahmen und Fehlerbehebung\n- \u00dcbung 7: \u00dcberwachung eines Modells auf Datendrift\nModul 12: Nachbereitung des Kurses","comments_plain":"Dieser Text wurde automatisiert \u00fcbersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.","summary_plain":"Machine Learning (ML) Engineering auf Amazon Web Services (AWS) ist ein dreit\u00e4giger Kurs f\u00fcr ML-Profis, die Machine Learning Engineering auf AWS erlernen m\u00f6chten. Die Teilnehmer lernen durch eine ausgewogene Kombination aus Theorie, praktischen \u00dcbungen und Aktivit\u00e4ten, ML-L\u00f6sungen im grossen Massstab zu erstellen, bereitzustellen, zu orchestrieren und zu operationalisieren. Die Teilnehmer werden praktische Erfahrungen mit AWS-Diensten wie Amazon SageMaker AI und Analysetools wie Amazon EMR sammeln, um robuste, skalierbare und produktionsreife Anwendungen f\u00fcr maschinelles Lernen zu entwickeln.","skill_level":"Intermediate","version":"1.0","duration":{"unit":"d","value":3,"formatted":"3 Tage"},"pricelist":{"List Price":{"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":1995},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":1995},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":2470},"SE":{"country":"SE","currency":"EUR","taxrate":25,"price":1995},"SI":{"country":"SI","currency":"EUR","taxrate":20,"price":1995},"US":{"country":"US","currency":"USD","taxrate":null,"price":2025},"CA":{"country":"CA","currency":"CAD","taxrate":null,"price":2795},"GB":{"country":"GB","currency":"GBP","taxrate":20,"price":2655},"PL":{"country":"PL","currency":"PLN","taxrate":23,"price":3500},"FR":{"country":"FR","currency":"EUR","taxrate":19.6,"price":2450},"IT":{"country":"IT","currency":"EUR","taxrate":20,"price":1650},"EG":{"country":"EG","currency":"USD","taxrate":14,"price":2850},"AE":{"country":"AE","currency":"USD","taxrate":5,"price":2850},"NL":{"country":"NL","currency":"EUR","taxrate":21,"price":2395}}},"lastchanged":"2026-03-30T10:36:36+02:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/json-course-schedule\/36079","source_lang":"de","source":"https:\/\/portal.flane.ch\/swisscom\/json-course\/amazon-mlea"}}
Machine Learning (ML) Engineering auf Amazon Web Services (AWS) ist ein dreitägiger Kurs für ML-Profis, die Machine Learning Engineering auf AWS erlernen möchten. Die Teilnehmer lernen durch eine ausgewogene Kombination aus Theorie, praktischen Übungen und Aktivitäten, ML-Lösungen im grossen Massstab zu erstellen, bereitzustellen, zu orchestrieren und zu operationalisieren. Die Teilnehmer werden praktische Erfahrungen mit AWS-Diensten wie Amazon SageMaker AI und Analysetools wie Amazon EMR sammeln, um robuste, skalierbare und produktionsreife Anwendungen für maschinelles Lernen zu entwickeln.<\/p>","objective_plain":"In diesem Kurs lernen Sie, wie Sie Folgendes tun k\u00f6nnen:\n\n\n- Erkl\u00e4ren Sie die Grundlagen von ML und seine Anwendungen in der AWS-Cloud.\n- Verarbeiten, transformieren und entwickeln Sie Daten f\u00fcr ML-Aufgaben mithilfe von AWS-Services.\n- Auswahl geeigneter ML-Algorithmen und Modellierungsans\u00e4tze auf der Grundlage von Problemanforderungen und Modellinterpretierbarkeit.\n- Entwerfen und implementieren Sie skalierbare ML-Pipelines, indem Sie AWS-Services f\u00fcr die Modellschulung, Bereitstellung und Orchestrierung verwenden.\n- Erstellen Sie automatisierte Pipelines f\u00fcr die kontinuierliche Integration und Bereitstellung (CI\/CD) von ML-Workflows.\n- Diskutieren Sie geeignete Sicherheitsmassnahmen f\u00fcr ML-Ressourcen auf AWS.\n- Implementierung von \u00dcberwachungsstrategien f\u00fcr eingesetzte ML-Modelle, einschliesslich Techniken zur Erkennung von Datendrift.","essentials_plain":"Wir empfehlen, dass die Teilnehmer dieses Kurses die folgenden Voraussetzungen erf\u00fcllen:\n\n\n- Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens\n- Kenntnisse der Programmiersprache Python und g\u00e4ngiger Data-Science-Bibliotheken wie NumPy, Pandas und Scikit-learn\n- Grundlegendes Verst\u00e4ndnis von Cloud-Computing-Konzepten und Vertrautheit mit AWS\n- Erfahrung mit Versionskontrollsystemen wie Git (von Vorteil, aber nicht erforderlich)","audience_plain":"Dieser Kurs richtet sich an Fachleute, die an der Erstellung, Bereitstellung und Operationalisierung von Modellen f\u00fcr maschinelles Lernen in AWS interessiert sind. Dazu k\u00f6nnen aktuelle und in der Ausbildung befindliche Ingenieure f\u00fcr maschinelles Lernen geh\u00f6ren, die m\u00f6glicherweise nur wenig Erfahrung mit AWS haben. Andere Rollen, die von dieser Schulung profitieren k\u00f6nnen, sind DevOps-Ingenieur, Entwickler und SysOps-Ingenieur.","contents_plain":"- Einf\u00fchrung in den Kurs\n- Einf\u00fchrung in maschinelles Lernen (ML) auf AWS\n- Analyse der Herausforderungen des maschinellen Lernens (ML)\n- Datenverarbeitung f\u00fcr maschinelles Lernen (ML)\n- Datenumwandlung und Feature Engineering\n- Auswahl eines Modellierungsansatzes\n- Training von Modellen f\u00fcr maschinelles Lernen (ML)\n- Bewertung und Abstimmung von Modellen des maschinellen Lernens (ML)\n- Strategien f\u00fcr den Einsatz von Modellen\n- Sichern von AWS-Ressourcen f\u00fcr maschinelles Lernen (ML)\n- Operationen f\u00fcr maschinelles Lernen (MLOps) und automatisierte Bereitstellung\n- \u00dcberwachung von Modellleistung und Datenqualit\u00e4t\n- Nachbereitung des Kurses","outline_plain":"Modul 0: Kurseinf\u00fchrung\n\nModul 1: Einf\u00fchrung in maschinelles Lernen (ML) auf AWS\n\n\n- Thema A: Einf\u00fchrung in ML\n- Thema B: Amazon SageMaker AI\n- Thema C: Verantwortungsvolle ML\nModul 2: Analyse der Herausforderungen des maschinellen Lernens (ML)\n\n\n- Thema A: Bewertung von ML-Gesch\u00e4ftsherausforderungen\n- Thema B: ML-Trainingsans\u00e4tze\n- Thema C: ML-Trainingsalgorithmen\nModul 3: Datenverarbeitung f\u00fcr maschinelles Lernen (ML)\n\n\n- Thema A: Datenaufbereitung und Datentypen\n- Thema B: Explorative Datenanalyse\n- Thema C: AWS-Speicheroptionen und Auswahl des Speichers\nModul 4: Datenumwandlung und Feature Engineering\n\n\n- Thema A: Umgang mit falschen, doppelten und fehlenden Daten\n- Thema B: Konzepte der Merkmalstechnik\n- Thema C: Techniken der Merkmalsauswahl\n- Thema D: AWS-Datenumwandlungsdienste\n- \u00dcbung 1: Analysieren und Aufbereiten von Daten mit Amazon SageMaker Data Wrangler und Amazon EMR\n- \u00dcbung 2: Datenverarbeitung mit SageMaker Processing und dem SageMaker Python SDK\nModul 5: Auswahl eines Modellierungsansatzes\n\n\n- Thema A: Integrierte Algorithmen von Amazon SageMaker AI\n- Thema B: Amazon SageMaker Autopilot\n- Thema C: Auswahl von integrierten Trainingsalgorithmen\n- Thema D: \u00dcberlegungen zur Modellauswahl\n- Thema E: ML-Kosten\u00fcberlegungen\nModul 6: Training von Modellen f\u00fcr maschinelles Lernen (ML)\n\n\n- Thema A: Konzepte f\u00fcr die Modellausbildung\n- Thema B: Training von Modellen in Amazon SageMaker AI\n- \u00dcbung 3: Training eines Modells mit Amazon SageMaker AI\nModul 7: Bewertung und Abstimmung von Modellen des maschinellen Lernens (ML)\n\n\n- Thema A: Bewertung der Modellleistung\n- Thema B: Techniken zur Verk\u00fcrzung der Ausbildungszeit\n- Thema C: Techniken zur Abstimmung der Hyperparameter\n- \u00dcbung 4: Modellabstimmung und Hyperparameter-Optimierung mit Amazon SageMaker AI\nModul 8: Strategien f\u00fcr den Einsatz von Modellen\n\n\n- Thema A: \u00dcberlegungen zum Einsatz und Zieloptionen\n- Thema B: Bereitstellungsstrategien\n- Thema C: Auswahl einer Modellinferenzstrategie\n- Thema D: Container- und Instanztypen f\u00fcr die Inferenz\n- \u00dcbung 5: Verkehrsverlagerung\nModul 9: Sichern von AWS-Ressourcen f\u00fcr maschinelles Lernen (ML)\n\n\n- Thema A: Zugangskontrolle\n- Thema B: Netzwerkzugangskontrollen f\u00fcr ML-Ressourcen\n- Thema C: Sicherheits\u00fcberlegungen f\u00fcr CI\/CD-Pipelines\nModul 10: Operationen f\u00fcr maschinelles Lernen (MLOps) und automatisierte Bereitstellung\n\n\n- Thema A: Einf\u00fchrung in MLOps\n- Thema B: Automatisierung von Tests in CI\/CD-Pipelines\n- Thema C: Kontinuierliche Lieferdienste\n- \u00dcbung 6: Verwendung von Amazon SageMaker Pipelines und der Amazon SageMaker Model Registry mit Amazon SageMaker Studio\nModul 11: \u00dcberwachung der Modellleistung und Datenqualit\u00e4t\n\n\n- Thema A: Erkennung von Drift in ML-Modellen\n- Thema B: SageMaker Model Monitor\n- Thema C: \u00dcberwachung von Datenqualit\u00e4t und Modellqualit\u00e4t\n- Thema D: Automatisierte Abhilfemassnahmen und Fehlerbehebung\n- \u00dcbung 7: \u00dcberwachung eines Modells auf Datendrift\nModul 12: Nachbereitung des Kurses","comments_plain":"Dieser Text wurde automatisiert \u00fcbersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.","summary_plain":"Machine Learning (ML) Engineering auf Amazon Web Services (AWS) ist ein dreit\u00e4giger Kurs f\u00fcr ML-Profis, die Machine Learning Engineering auf AWS erlernen m\u00f6chten. Die Teilnehmer lernen durch eine ausgewogene Kombination aus Theorie, praktischen \u00dcbungen und Aktivit\u00e4ten, ML-L\u00f6sungen im grossen Massstab zu erstellen, bereitzustellen, zu orchestrieren und zu operationalisieren. Die Teilnehmer werden praktische Erfahrungen mit AWS-Diensten wie Amazon SageMaker AI und Analysetools wie Amazon EMR sammeln, um robuste, skalierbare und produktionsreife Anwendungen f\u00fcr maschinelles Lernen zu entwickeln.","skill_level":"Intermediate","version":"1.0","duration":{"unit":"d","value":3,"formatted":"3 Tage"},"pricelist":{"List Price":{"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":1995},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":1995},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":2470},"SE":{"country":"SE","currency":"EUR","taxrate":25,"price":1995},"SI":{"country":"SI","currency":"EUR","taxrate":20,"price":1995},"US":{"country":"US","currency":"USD","taxrate":null,"price":2025},"CA":{"country":"CA","currency":"CAD","taxrate":null,"price":2795},"GB":{"country":"GB","currency":"GBP","taxrate":20,"price":2655},"PL":{"country":"PL","currency":"PLN","taxrate":23,"price":3500},"FR":{"country":"FR","currency":"EUR","taxrate":19.6,"price":2450},"IT":{"country":"IT","currency":"EUR","taxrate":20,"price":1650},"EG":{"country":"EG","currency":"USD","taxrate":14,"price":2850},"AE":{"country":"AE","currency":"USD","taxrate":5,"price":2850},"NL":{"country":"NL","currency":"EUR","taxrate":21,"price":2395}}},"lastchanged":"2026-03-30T10:36:36+02:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/json-course-schedule\/36079","source_lang":"de","source":"https:\/\/portal.flane.ch\/swisscom\/json-course\/amazon-mlea"}}