Praxisnahe AWS: Von Machine Learning zu DevOps

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 den Bereichen Machine Learning und DevOps vertiefen möchten.
2. 2
   Die Weiterbildung besteht aus mehreren spezialisierten Modulen. Zunächst wird die Anwendung von Machine Learning mit AWS DeepRacer behandelt, gefolgt von einem Aufbaukurs, der die Entwicklung auf AWS im Kontext von DevOps vermittelt. Diese Module bieten eine und praxisnahe Schulung, die darauf abzielt, Fachkräfte mit den notwendigen Fähigkeiten auszustatten, um sowohl technische als auch organisatorische Herausforderungen erfolgreich.
3. 3

   Wesentliche Inhalte der Module

   Machine Learning mit AWS DeepRacer
   Einführung in die Grundlagen des Machine Learning
   Praktische Anwendung von Reinforcement Learning mit AWS DeepRacer
   Entwicklung und Training von Modellen für autonomes Fahren
   Teilnahme an virtuellen und physischen Rennen zur Evaluierung der Modelle
   DevOps Associate - Developing on AWS
   Grundlagen der Softwareentwicklung auf AWS
   Einführung in Continuous Integration und Continuous Deployment (CI/CD)
   Automatisierung von Entwicklungs- und Betriebsprozessen
   Überwachung und Logging von Anwendungen auf AWS
   Best Practices für Sicherheit und Compliance in der AWS-Umgebung

1. 1

   Meschede

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

2. 2

   Frankfurt am Main

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

3. 3

   Düsseldorf

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

4. 4

   Wuppertal

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

5. 5

   Offenbach 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