Cloud Data Engineer mit Zusatz­qualifikation

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
   Titel: Cloud Data Engineer mit Zusatzqualifikation - Entwickeln generativer KI-Apps im Azure KI Foundry-Portal
2. 2
   1. Kursbeschreibung
3. 3
   Der Kurs,,Cloud Data Engineer mit Zusatzqualifikation - Entwickeln generativer KI-Apps im Azure KI Foundry-Portal" vermittelt fundiertes Wissen in Cloud-Datenmanagement, Machine Learning und der Entwicklung generativer KI-Anwendungen. Teilnehmende lernen, wie Daten effizient in der Azure-Cloud verarbeitet, modelliert und für KI-Projekte genutzt werden. Darüber hinaus wird praxisnah gezeigt, wie im Azure KI Foundry-Portal (Azure AI Studio) eigene generative KI-Modelle und Copilots erstellt werden können.
4. 4
   2. Zielgruppe
5. 5
   Der Kurs richtet sich an Data Engineers, Cloud-Architekt:innen, Entwickler:innen, Data Scientists und technisch versierte Quereinsteiger:innen, die sich auf die Kombination von Cloud Data Engineering und KI-Entwicklung spezialisieren möchten.
6. 6
   3. Kursniveau
7. 7
   Fortgeschrittene - Grundkenntnisse in Datenbanken, Cloud-Computing oder Python sind hilfreich.
8. 8
   4. Vorkenntnisse und empfohlene Vorkurse
9. 9
   Empfohlen werden Grundkenntnisse aus den Kursen,,Introduction to Python" und,,Azure Fundamentals". Sie erleichtern den Einstieg in Datenstrukturen und Cloud-Technologien.
10. 10
    5. Agenda (4-6 Themenblöcke)
11. 11
    Modul 1: Einführung in Cloud Data Engineering mit Microsoft Azure
12. 12
    Teilnehmende lernen die Grundlagen der Datenarchitektur und Datenverwaltung in der Cloud kennen. Es wird vermittelt, wie große Datenmengen in Azure gespeichert, verarbeitet und für Analysen vorbereitet werden.
13. 13
    Praxisbeispiel: Aufbau einer Data-Pipeline mit Azure Data Factory.
14. 14

    Kursinhalte

    Grundlagen des Cloud Data Engineering
    Datenintegration und -transformation in Azure
    Nutzung von Azure Data Lake und Synapse Analytics
    Datenqualität und Governance in der Cloud
    Modul 2: Microsoft DP-900 - Azure Data Fundamentals
    Dieses Modul vermittelt die theoretischen und praktischen Grundlagen für die Arbeit mit Azure Data Services. Es bietet ein Verständnis für relationale und nicht-relationale Daten, Datenverarbeitung und analytische Lösungen.
    Praxisbeispiel: Erstellung einer Datenbank und Abfragen mit Azure SQL.
    Azure Data Plattform und Speicheroptionen
    Relationale vs. NoSQL-Datenbanken
    Grundlagen der Datenanalyse in Azure
    Einführung in KI-gestützte Datenverarbeitung
    Modul 3: Microsoft DP-100 - Azure Data Scientist Associate
    Hier lernen Teilnehmende, wie sie Datenmodelle trainieren, evaluieren und bereitstellen. Der Fokus liegt auf maschinellem Lernen und dem Azure Machine Learning Studio.
    Praxisbeispiel: Entwicklung eines Klassifikationsmodells für Kundendaten.
    Machine Learning in Azure
    Datenaufbereitung und Feature Engineering
    Training und Deployment von ML-Modellen
    Modellüberwachung und Nachverfolgung
    Modul 4: AI-3016 - Develop Custom Copilots with Azure AI Studio
    Dieses Modul bildet die Zusatzqualifikation: Es zeigt, wie generative KI-Lösungen im Azure AI Studio (Foundry-Portal) entwickelt werden. Teilnehmende erstellen eigene Copilots und nutzen Large Language Models (LLMs) zur Automatisierung von Aufgaben.
    Praxisbeispiel: Entwicklung einer generativen Chatbot-Lösung mit Azure OpenAI.
    Einführung in Azure AI Studio (Foundry Portal)
    Arbeiten mit generativen KI-Modellen (GPT, DALL·E, Codex)
    Prompt Engineering und Evaluierung
    Integration von Copilots in bestehende Systeme
    Modul 5: Praxisprojekt und Zertifizierungsvorbereitung
    Zum Abschluss setzen Teilnehmende ihr Wissen in einem End-to-End-Projekt um - von der Datenverarbeitung über das Training bis zur Bereitstellung einer generativen KI-App.
    Praxisbeispiel: Aufbau einer Azure-Pipeline zur Erstellung eines intelligenten Support-Copilots.
    Planung und Umsetzung eines KI-Projekts
    Zertifizierungsvorbereitung (DP-100, AI-3016)
    Dokumentation und Präsentation der Ergebnisse
    Berufliche Perspektiven im Cloud- und KI-Umfeld
    6. Zusatzinformationen
    Der Kurs ist AZAV-zertifiziert und kann über Bildungsgutschein oder Qualifizierungschancengesetz (QCG) gefördert werden.
    Er richtet sich an Einzelpersonen und B2B-Kund:innen und wird über (München, Stuttgart, Nürnberg) sowie learn2program.de angeboten.
    ,,Cloud Data Engineer mit Zusatzqualifikation - Entwickeln generativer KI-Apps im Azure KI Foundry-Portal" verbindet modernstes Cloud Data Engineering mit der Entwicklung generativer KI. Die Teilnehmenden lernen, Datenströme aufzubauen, Machine-Learning-Modelle zu trainieren und eigene Copilots in Azure AI Studio zu entwickeln. So entsteht eine praxisorientierte Kompetenz für Zukunftsrollen im KI- und Cloud-Bereich.
    Alle Kurse können deutschlandweit online belegt werden. Viele unserer Kurse finden auf Deutsch und/oder auf Englisch statt.

1. 1

   Schwäbisch Hall

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

2. 2

   Nagold

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

3. 3

   Ludwigsburg

   Blended Learning · Vollzeit · 1–3 Monate · 5.000–10.000 €

4. 4

   Nagold

   Blended Learning · Vollzeit · 1–3 Monate · 5.000–10.000 €

5. 5

   Neu-Ulm

   Blended Learning · Vollzeit · 1–3 Monate · 5.000–10.000 €

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