AWS Cloud Engineering: Von den Grundlagen über Machine Learning

Passt der Kurs zu dir?

1. 1
   Motivation und Lernbereitschaft
2. 2
   Zuverlässigkeit im jeweiligen Arbeitsfeld
3. 3
   Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

1. 1
   Diese Weiterbildung richtet sich an Fachkräfte, die ihre Kenntnisse im Bereich der AWS Cloud vertiefen möchten.
2. 2
   Die Weiterbildung besteht aus mehreren spezialisierten Modulen. Zunächst werden die Grundlagen der Cloud-Technologien behandelt, gefolgt von einem Kurs, der die Anwendung von Machine Learning mit AWS DeepRacer vermittelt. Im Anschluss daran werden die Teilnehmer auf die AWS Solution Architect Associate (SAA) Zertifizierung vorbereitet.
3. 3

   Wesentliche Inhalte der Module

   AWS re/Start - Cloud Grundlagen
   Einführung in die AWS Cloud
   Grundlagen der Cloud-Architektur und -Services
   Praktische Übungen zur Nutzung von AWS-Diensten
   Machine Learning mit AWS DeepRacer
   Einführung in Machine Learning und Reinforcement Learning
   Praktische Anwendung von Machine Learning mit AWS DeepRacer
   Entwicklung und Training von Modellen für autonomes Fahren
   AWS SAA - Solution Architect Associate
   Vertiefung der Kenntnisse in AWS-Architekturen
   Best Practices für die Planung und Implementierung von AWS-Lösungen
   Vorbereitung auf die AWS Solution Architect Associate Zertifizierung

1. 1

   Berlin

   Blended Learning · Teilzeit · 1–3 Monate · 1.000–5.000 €

2. 2

   Meschede

   Blended Learning · Teilzeit · 1–3 Monate · 1.000–5.000 €

3. 3

   Frankfurt am Main

   Blended Learning · Teilzeit · 1–3 Monate · 1.000–5.000 €

4. 4

   Frankfurt am Main

   Blended Learning · Vollzeit · 1–3 Monate · 1.000–5.000 €

5. 5

   München

   Blended Learning · Vollzeit · 1–3 Monate · 1.000–5.000 €

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   KI auf echte Arbeitsaufgaben anwenden

   Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

2. 2

   Fachwissen mit neuen Werkzeugen verbinden

   Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

3. 3

   Verantwortung schrittweise aufbauen

   Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

Themen

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen