{"course":{"productid":21098,"modality":1,"active":true,"language":"de","title":"Practical Data Science with Amazon SageMaker","productcode":"PDSASM","vendorcode":"AW","vendorname":"Amazon Web Services","fullproductcode":"AW-PDSASM","courseware":{"has_ekit":true,"has_printkit":false,"language":"en"},"url":"https:\/\/portal.flane.ch\/course\/amazon-pdsasm","objective":"<ul>\n<li>Bereiten Sie einen Datensatz f&uuml;r das Training vor<\/li><li>Trainieren und bewerten Sie ein Machine Learning Modell<\/li><li>Automatisches Abstimmen eines Machine Learning-Modells<\/li><li>Ein Machine Learning-Modell f&uuml;r die Produktion vorbereiten<\/li><li>Kritische Betrachtung der Ergebnisse von Machine Learning-Modellen<\/li><\/ul>","essentials":"<ul>\n<li>Vertrautheit mit der Programmiersprache Python<\/li><li>Grundlegendes Verst&auml;ndnis von Machine Learning<\/li><\/ul>","audience":"<ul>\n<li>Entwickler<\/li><li>Datenwissenschaftler<\/li><\/ul>","outline":"<p>Modul 1: Einf&uuml;hrung in maschinelles Lernen\n<\/p>\n<ul>\n<li>Arten von ML<\/li><li>Job-Rollen in ML<\/li><li>Schritte in der ML-Pipeline<\/li><\/ul><p>Modul 2: Einf&uuml;hrung in Data Prep und SageMaker\n<\/p>\n<ul>\n<li>Trainings- und Testdatensatz definiert<\/li><li>Einf&uuml;hrung in SageMaker<\/li><li>Demo: SageMaker-Konsole<\/li><li>Demo: Starten eines Jupyter-Notizbuchs<\/li><\/ul><p>Modul 3: Problemformulierung und Datensatzvorbereitung\n<\/p>\n<ul>\n<li>Gesch&auml;ftliche Herausforderung: Kundenabwanderung<\/li><li>&Uuml;berpr&uuml;fung des Datensatzes zur Kundenabwanderung<\/li><\/ul><p>Modul 4: Datenanalyse und -visualisierung\n<\/p>\n<ul>\n<li>Demo: Laden und Visualisieren Ihres Datensatzes<\/li><li>&Uuml;bung 1: Merkmale mit Zielvariablen in Beziehung setzen<\/li><li>&Uuml;bung 2: Beziehungen zwischen Attributen<\/li><li>Demo: Bereinigung der Daten<\/li><\/ul><p>Modul 5: Training und Auswertung eines Modells\n<\/p>\n<ul>\n<li>Arten von Algorithmen<\/li><li>XGBoost und SageMaker<\/li><li>Demo 5: Training der Daten<\/li><li>&Uuml;bung 3: Fertigstellung der Definition des Sch&auml;tzers<\/li><li>&Uuml;bung 4: Einstellung von Hyperparametern<\/li><li>&Uuml;bung 5: Einsetzen des Modells<\/li><li>Demo: Hyperparameter-Abstimmung mit SageMaker<\/li><li>Demo: Bewertung der Modellleistung<\/li><\/ul><p>Modul 6: Automatisches Abstimmen eines Modells\n<\/p>\n<ul>\n<li>Automatische Abstimmung der Hyperparameter mit SageMaker<\/li><li>&Uuml;bungen 6-9: Tuning Jobs<\/li><\/ul><p>Modul 7: Bereitstellung\/Produktionsbereitschaft\n<\/p>\n<ul>\n<li>Bereitstellen eines Modells f&uuml;r einen Endpunkt<\/li><li>A\/B-Einsatz f&uuml;r Tests<\/li><li>Automatische Skalierung Skalierung<\/li><li>Demo: Automatische Skalierung konfigurieren und testen<\/li><li>Demo: Hyperparameter-Abstimmungsauftrag pr&uuml;fen<\/li><li>Demo: AWS Auto-Skalierung<\/li><li>&Uuml;bung 10-11: Einrichten von AWS Autoscaling<\/li><\/ul><p>Modul 8: Relative Kosten von Fehlern\n<\/p>\n<ul>\n<li>Kosten der verschiedenen Fehlerarten<\/li><li>Demo: Bin&auml;re Klassifizierung - Cutoff<\/li><\/ul><p>Modul 9: Amazon SageMaker Architektur und Funktionen\n<\/p>\n<ul>\n<li>Zugriff auf Amazon SageMaker-Notebooks in einer VPC<\/li><li>Amazon SageMaker Batch-Transformationen<\/li><li>Amazon SageMaker Ground Truth<\/li><li>Amazon SageMaker Neo<\/li><\/ul>","comments":"<p><em>Dieser Text wurde automatisiert &uuml;bersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class=\"cms-link-marked\"><a class=\"fl-href-prod\" href=\"\/swisscom\/en\/course\/amazon-pdsasm\"><svg role=\"img\" aria-hidden=\"true\" focusable=\"false\" data-nosnippet class=\"cms-linkmark\"><use xlink:href=\"\/css\/img\/icnset-linkmarks.svg#linkmark\"><\/use><\/svg>hier<\/a><\/span>.<\/em><\/p>","summary":"<p>In diesem Kurs f&uuml;r Fortgeschrittene lernen die Teilnehmer, wie sie einen realen Anwendungsfall mit maschinellem Lernen (ML) l&ouml;sen und mithilfe von Amazon SageMaker umsetzbare Ergebnisse erzielen k&ouml;nnen. Dieser Kurs f&uuml;hrt durch die Phasen eines typischen Data-Science-Prozesses f&uuml;r maschinelles Lernen, von der Analyse und Visualisierung eines Datensatzes &uuml;ber die Datenaufbereitung bis hin zum Feature Engineering. Die Teilnehmer lernen auch praktische Aspekte der Modellerstellung, des Trainings, der Abstimmung und der Bereitstellung mit Amazon SageMaker kennen. Zu den realen Anwendungsf&auml;llen geh&ouml;rt die Analyse der Kundenbindung, um Kundenbindungsprogramme zu entwickeln.<\/p>","objective_plain":"- Bereiten Sie einen Datensatz f\u00fcr das Training vor\n- Trainieren und bewerten Sie ein Machine Learning Modell\n- Automatisches Abstimmen eines Machine Learning-Modells\n- Ein Machine Learning-Modell f\u00fcr die Produktion vorbereiten\n- Kritische Betrachtung der Ergebnisse von Machine Learning-Modellen","essentials_plain":"- Vertrautheit mit der Programmiersprache Python\n- Grundlegendes Verst\u00e4ndnis von Machine Learning","audience_plain":"- Entwickler\n- Datenwissenschaftler","outline_plain":"Modul 1: Einf\u00fchrung in maschinelles Lernen\n\n\n\n- Arten von ML\n- Job-Rollen in ML\n- Schritte in der ML-Pipeline\nModul 2: Einf\u00fchrung in Data Prep und SageMaker\n\n\n\n- Trainings- und Testdatensatz definiert\n- Einf\u00fchrung in SageMaker\n- Demo: SageMaker-Konsole\n- Demo: Starten eines Jupyter-Notizbuchs\nModul 3: Problemformulierung und Datensatzvorbereitung\n\n\n\n- Gesch\u00e4ftliche Herausforderung: Kundenabwanderung\n- \u00dcberpr\u00fcfung des Datensatzes zur Kundenabwanderung\nModul 4: Datenanalyse und -visualisierung\n\n\n\n- Demo: Laden und Visualisieren Ihres Datensatzes\n- \u00dcbung 1: Merkmale mit Zielvariablen in Beziehung setzen\n- \u00dcbung 2: Beziehungen zwischen Attributen\n- Demo: Bereinigung der Daten\nModul 5: Training und Auswertung eines Modells\n\n\n\n- Arten von Algorithmen\n- XGBoost und SageMaker\n- Demo 5: Training der Daten\n- \u00dcbung 3: Fertigstellung der Definition des Sch\u00e4tzers\n- \u00dcbung 4: Einstellung von Hyperparametern\n- \u00dcbung 5: Einsetzen des Modells\n- Demo: Hyperparameter-Abstimmung mit SageMaker\n- Demo: Bewertung der Modellleistung\nModul 6: Automatisches Abstimmen eines Modells\n\n\n\n- Automatische Abstimmung der Hyperparameter mit SageMaker\n- \u00dcbungen 6-9: Tuning Jobs\nModul 7: Bereitstellung\/Produktionsbereitschaft\n\n\n\n- Bereitstellen eines Modells f\u00fcr einen Endpunkt\n- A\/B-Einsatz f\u00fcr Tests\n- Automatische Skalierung Skalierung\n- Demo: Automatische Skalierung konfigurieren und testen\n- Demo: Hyperparameter-Abstimmungsauftrag pr\u00fcfen\n- Demo: AWS Auto-Skalierung\n- \u00dcbung 10-11: Einrichten von AWS Autoscaling\nModul 8: Relative Kosten von Fehlern\n\n\n\n- Kosten der verschiedenen Fehlerarten\n- Demo: Bin\u00e4re Klassifizierung - Cutoff\nModul 9: Amazon SageMaker Architektur und Funktionen\n\n\n\n- Zugriff auf Amazon SageMaker-Notebooks in einer VPC\n- Amazon SageMaker Batch-Transformationen\n- Amazon SageMaker Ground Truth\n- Amazon SageMaker Neo","comments_plain":"Dieser Text wurde automatisiert \u00fcbersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.","summary_plain":"In diesem Kurs f\u00fcr Fortgeschrittene lernen die Teilnehmer, wie sie einen realen Anwendungsfall mit maschinellem Lernen (ML) l\u00f6sen und mithilfe von Amazon SageMaker umsetzbare Ergebnisse erzielen k\u00f6nnen. Dieser Kurs f\u00fchrt durch die Phasen eines typischen Data-Science-Prozesses f\u00fcr maschinelles Lernen, von der Analyse und Visualisierung eines Datensatzes \u00fcber die Datenaufbereitung bis hin zum Feature Engineering. Die Teilnehmer lernen auch praktische Aspekte der Modellerstellung, des Trainings, der Abstimmung und der Bereitstellung mit Amazon SageMaker kennen. Zu den realen Anwendungsf\u00e4llen geh\u00f6rt die Analyse der Kundenbindung, um Kundenbindungsprogramme zu entwickeln.","skill_level":"Expert","version":"3","duration":{"unit":"d","value":1,"formatted":"1 Tag"},"pricelist":{"List Price":{"US":{"country":"US","currency":"USD","taxrate":null,"price":675},"IT":{"country":"IT","currency":"EUR","taxrate":20,"price":590},"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":750},"SI":{"country":"SI","currency":"EUR","taxrate":20,"price":750},"BE":{"country":"BE","currency":"EUR","taxrate":21,"price":795},"CO":{"country":"CO","currency":"USD","taxrate":16,"price":495},"BR":{"country":"BR","currency":"USD","taxrate":null,"price":495},"AR":{"country":"AR","currency":"USD","taxrate":21,"price":465},"CL":{"country":"CL","currency":"USD","taxrate":19,"price":465},"PE":{"country":"PE","currency":"USD","taxrate":null,"price":465},"CR":{"country":"CR","currency":"USD","taxrate":13,"price":495},"MX":{"country":"MX","currency":"USD","taxrate":null,"price":495},"SE":{"country":"SE","currency":"EUR","taxrate":25,"price":750},"PL":{"country":"PL","currency":"PLN","taxrate":23,"price":2000},"AE":{"country":"AE","currency":"USD","taxrate":5,"price":600},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":750},"IL":{"country":"IL","currency":"ILS","taxrate":17,"price":2610},"GR":{"country":"GR","currency":"EUR","taxrate":null,"price":750},"MK":{"country":"MK","currency":"EUR","taxrate":null,"price":750},"HU":{"country":"HU","currency":"EUR","taxrate":20,"price":750},"GB":{"country":"GB","currency":"GBP","taxrate":20,"price":900},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":870},"CA":{"country":"CA","currency":"CAD","taxrate":null,"price":930},"NL":{"country":"NL","currency":"EUR","taxrate":21,"price":865}}},"lastchanged":"2026-03-16T13:38:02+01:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/json-course-schedule\/21098","source_lang":"de","source":"https:\/\/portal.flane.ch\/swisscom\/json-course\/amazon-pdsasm"}}