Kombinierter AWS: Cloud-Grundlagen, Machine Learning und Architektur

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 in der Cloud-Technologie, Machine Learning und Architektur vertiefen möchten.
2. 2
   Die Weiterbildung besteht aus mehreren spezialisierten Modulen. Zunächst werden die Grundlagen der Cloud-Technologie 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 Zertifizierung vorbereitet, die Kenntnisse in der Architektur von Cloud-Lösungen abdeckt.
3. 3

   Wesentliche Inhalte der Module

   AWS re/Start - Cloud Grundlagen
   Einführung in die Grundlagen der Cloud-Technologie
   Überblick über AWS-Dienste und -Funktionen
   Praktische Übungen zur Nutzung von AWS
   Machine Learning mit AWS DeepRacer
   Grundlagen des Machine Learning
   Einführung in AWS DeepRacer und seine Anwendung
   Praktische Übungen zur Entwicklung und Optimierung von Machine Learning-Modellen
   AWS SAA - Solution Architect Associate
   Grundlagen der Cloud-Architektur
   Planung und Design von skalierbaren und sicheren AWS-Lösungen
   Vorbereitung auf die AWS Solution Architect Associate Zertifizierung

1. 1

   Frankfurt am Main

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

2. 2

   Meschede

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

3. 3

   Online

   Virtuelles Klassenzimmer · Teilzeit · 1–3 Monate · 5.000–10.000 €

4. 4

   München

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

5. 5

   Frankfurt am Main

   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