SageMaker Studio für Data Scientists

Du lernst, SageMaker Studio in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten.

Kursdetails ansehen

3 Tage

23 Standorte

Online & Präsenz

Nächster Termin: 11. – 13.01.2027 · 143 weitere verfügbar

ab 1.990,00 € zzgl. 19 % MwSt.

Weitere Termine & Buchungsoptionen

Mehr als 5.000 Unternehmen vertrauen uns

Das lernst Du

Du ordnest einen zentralen Themenbereich fachlich ein: Einrichtung von SageMaker Studio: Überblick, Setup und Benutzeroberfläche.
Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Datenaufbereitung mit SageMaker Data Wrangler (inkl. Hands-on-Lab).
Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Skalierbare Verarbeitung mit Amazon EMR (inkl. Praxisübung).
Du analysierst typische Anforderungen und vertiefst dabei Nutzung von AWS Glue Interactive Sessions.
Du bewertest Nutzen, Qualität und Risiken am Beispiel Datenverarbeitung via SageMaker Processing und individuellen Skripten.
Du überträgst die Erkenntnisse auf eigene Projekte; ein Schwerpunkt ist Python SDK & Feature Engineering: Arbeiten mit dem SageMaker Feature Store (Hands-on-Lab).

Überblick

Machine-Learning-Projekte von der Datenaufbereitung bis zur skalierbaren Verarbeitung durchgängig zu betreuen, gelingt nur mit dem sicheren Umgang in einer integrierten Entwicklungsumgebung. Diese Schulung führt Dich durch Überblick, Setup und Benutzeroberfläche von SageMaker Studio und zeigt Dir die Datenaufbereitung mit SageMaker Data Wrangler in einem praktischen Hands-on-Lab. Du lernst die skalierbare Verarbeitung großer Datenmengen mit Amazon EMR kennen und wendest das Gelernte direkt in einer Praxisübung an. Anhand praxisnaher Übungen und konkreter Anwendungsfälle richtest Du eigene SageMaker-Studio-Projekte ein und erkennst typische Fehlerquellen bei der Datenaufbereitung und bei der skalierbaren Verarbeitung. Die Schulung richtet sich an alle, die einen fundierten Einstieg in Machine-Learning-Workflows mit SageMaker Studio suchen. Nach dem dreitägigen Training kannst Du eigene Projekte strukturiert einrichten und die Ergebnisse sicher in bestehende Entwicklungsprozesse übertragen.

Kursinhalte

Einführung & Datenverarbeitung

Einrichtung von SageMaker Studio: Überblick, Setup und Benutzeroberfläche
Datenaufbereitung mit SageMaker Data Wrangler (inkl. Hands-on-Lab)
Skalierbare Verarbeitung mit Amazon EMR (inkl. Praxisübung)

Feature Engineering & Modellentwicklung

Nutzung von AWS Glue Interactive Sessions
Datenverarbeitung via SageMaker Processing und individuellen Skripten
Python SDK & Feature Engineering: Arbeiten mit dem SageMaker Feature Store (Hands-on-Lab)

Deployment, Überwachung & Best Practices

Training mit eingebauten Algorithmen oder eigenen Skripten/Containern
Experimente und Hyperparameter-Tuning mit SageMaker Experiments (Praxisübung)
Debugging und Monitoring mit SageMaker Debugger (Hands-on-Lab)

Anwendungsfälle strukturiert bearbeiten

Automatisiertes Modelltraining mit SageMaker Autopilot
Bias-Erkennung & Erklärbarkeit mitSageMaker Clarify(Lab)
Schnellstart mit SageMaker JumpStart

Workflows aufbauen und steuern

Nutzung von SageMaker Model Registry und Pipelines (Hands-on-Lab)
Skalierung und Inferenz in SageMaker Studio
Einsatz von Amazon SageMaker Model Monitor zur laufenden Qualitätskontrolle

Ergebnisse prüfen und verbessern

Resource Management: Kostenkontrolle, Systemaktualisierungen
Capstone-Projekt: Kompletter Workflow von Datenvorbereitung über Feature-Engineering, Training, Tuning und Bias-Analyse bis zu Batch-Vorhersagen; optional mit automatisierter Pipeline
Zentrale Begriffe und Einsatzfelder von SageMaker Studio

Sicherheit, Qualität und Grenzen

Anforderungen aus typischen beruflichen Aufgaben einordnen
Geeignete Vorgehensweisen für konkrete Anwendungsfälle auswählen
Ergebnisse fachlich prüfen und nachvollziehbar dokumentieren

Zusammenarbeit und Übergabe

Risiken, Grenzen und Qualitätskriterien berücksichtigen
Transfer auf eigene Projekte und Teamprozesse vorbereiten
Ausgangslage und Zielsetzung eines Anwendungsfalls klären

Praxisübungen und Transfer

Arbeitsschritte sinnvoll priorisieren und aufeinander abstimmen
Zwischenergebnisse anhand fachlicher Kriterien kontrollieren
Varianten vergleichen und begründete Entscheidungen treffen

Vertiefende Verfahren

Schnittstellen zu bestehenden Prozessen berücksichtigen
Aufgaben und Verantwortlichkeiten im Team abstimmen
Ergebnisse verständlich aufbereiten und weitergeben

Zielgruppe & Voraussetzungen

Für wen der Kurs geeignet ist

Cloud-, Infrastruktur- und Plattformteams
Administrierende, Architektinnen, Architekten und technische Projektleitende
Data-, KI- und DevOps-Fachkräfte mit Cloud-Bezug
Für alle, die Cloud-Lösungen fundiert planen, umsetzen oder betreiben möchten

Deine Vorteile

Garantierte TermineMarkierte Termine finden statt und bieten 10 % Preisvorteil.
Kleine GruppenMaximal 8 Teilnehmende für intensiven Austausch und nachhaltigen Lernerfolg.
Praxiserfahrene Trainer:innenBerufsrelevante Fachexpertise aus langjähriger Praxiserfahrung.
Keine HybridschulungenBewusst live online oder in Präsenz – für eine klare, fokussierte Lernumgebung.

FAQ

Was lerne ich in der Schulung „SageMaker Studio für Data Scientists“?

Du lernst, SageMaker Studio in typischen Arbeitssituationen strukturiert einzusetzen, zentrale Methoden sicher einzuordnen und belastbare Ergebnisse für Deine Projekte und Teams vorzubereiten. Zu den Schwerpunkten gehören Einführung & Datenverarbeitung, Feature Engineering & Modellentwicklung, Deployment, Überwachung & Best Practices, Anwendungsfälle strukturiert bearbeiten, Workflows aufbauen und steuern und Ergebnisse prüfen und verbessern.

Für wen ist die Schulung geeignet?

Die Schulung richtet sich an Cloud-, Infrastruktur- und Plattformteams, Administrierende, Architektinnen, Architekten und technische Projektleitende, Data-, KI- und DevOps-Fachkräfte mit Cloud-Bezug und Für alle, die Cloud-Lösungen fundiert planen, umsetzen oder betreiben möchten.

Welche Vorkenntnisse brauche ich für die Schulung?

Du solltest folgende Voraussetzungen mitbringen: Erfahrung mit gängigen ML-Frameworks; Sicherer Umgang mit Python; Mindestens ein Jahr Berufserfahrung als Data Scientist. Hilfreich ist außerdem: Teilnahme an AWS (Amazon Web Services) - Technische Grundlagen oder gleichwertige Kenntnisse.

Welche Themen und Schwerpunkte werden behandelt?

Zu den Schwerpunkten gehören Einführung & Datenverarbeitung, Feature Engineering & Modellentwicklung, Deployment, Überwachung & Best Practices, Anwendungsfälle strukturiert bearbeiten, Workflows aufbauen und steuern, Ergebnisse prüfen und verbessern, Sicherheit, Qualität und Grenzen und Zusammenarbeit und Übergabe.

Wie praxisnah ist die Schulung?

Die Schulung greift praxisnah insbesondere die Bereiche Zusammenarbeit und Übergabe, Praxisübungen und Transfer und Vertiefende Verfahren auf. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben und Projekte übertragen.

Was kann ich nach dem Seminar in der Praxis umsetzen?

Zu den angestrebten Ergebnissen gehören: Du ordnest einen zentralen Themenbereich fachlich ein: Einrichtung von SageMaker Studio: Überblick, Setup und Benutzeroberfläche; Du setzt die vermittelten Methoden in praxisnahen Aufgaben um; im Fokus steht Datenaufbereitung mit SageMaker Data Wrangler (inkl. Hands-on-Lab); Du entwickelst nachvollziehbare Workflows; ein Schwerpunkt ist Skalierbare Verarbeitung mit Amazon EMR (inkl. Praxisübung); Du analysierst typische Anforderungen und vertiefst dabei Nutzung von AWS Glue Interactive Sessions; Du bewertest Nutzen, Qualität und Risiken am Beispiel Datenverarbeitung via SageMaker Processing und individuellen Skripten.

Wird im Seminar auch das Thema „Ergebnisse prüfen und verbessern“ behandelt?

Ja. „Ergebnisse prüfen und verbessern“ ist ein eigener Bestandteil der Schulung. Dazu gehören Resource Management: Kostenkontrolle, Systemaktualisierungen, Capstone-Projekt: Kompletter Workflow von Datenvorbereitung über Feature-Engineering, Training, Tuning und Bias-Analyse bis zu Batch-Vorhersagen; optional mit automatisierter Pipeline und Zentrale Begriffe und Einsatzfelder von SageMaker Studio.

SageMaker Studio für Data Scientists

Kursdetails

Einführung & Datenverarbeitung

Feature Engineering & Modellentwicklung

Deployment, Überwachung & Best Practices

Anwendungsfälle strukturiert bearbeiten

Workflows aufbauen und steuern

Ergebnisse prüfen und verbessern

Sicherheit, Qualität und Grenzen

Zusammenarbeit und Übergabe

Praxisübungen und Transfer

Vertiefende Verfahren

Für wen der Kurs geeignet ist

Kurs buchen oder anfragen

Access

Active Directory

After Effects

Angular

Azure Security

Blender

C#

C++

Canva

Cinema 4D

Clean Code

CorelDRAW

DaVinci Resolve

Design Thinking

Docker

Figma

Generatives Design

GitHub

Go

Google Ads

Illustrator

InDesign

Java

JavaScript

jQuery

KI im Finance & Controlling

KI im HR & Recruiting

KI im Projektmanagement

KI im Vertrieb

KI-Sicherheit

Kubernetes

LinkedIn

Microsoft Teams

MongoDB

MySQL

Node.js

OneNote

Oracle

Outlook

Photoshop