Bitte wählen Sie die Bereiche, die Sie exportieren möchten:
Schulung AWS Certified Machine Learning Engineer - Associate (MLA-C01): Zertifizierungsvorbereitung
Klassische ML-Lösungen auf AWS bauen, deployen und operationalisieren
Schulungsformen
Offene Schulung
- 4 Tage
- 5 gesicherte Termine
- Köln / Online
- 2.660,00 p. P. zzgl. MwSt.
- Dritter Mitarbeitende kostenfrei
- Learning & Networking in einem. Garantierte Durchführung ab 1 Teilnehmenden.
Inhouse-/Firmenschulung
- 4 Tage - anpassbar
- Termin nach Wunsch
- In Ihrem Hause oder bei der GFU
- Preis nach Angebot
- Lernumgebung in der Cloud
- Inhalte werden auf Wunsch an die Anforderungen Ihres Teams angepasst.
Individualschulung
- 4 Tage - anpassbar
- Termin nach Wunsch
- In Ihrem Hause oder bei der GFU
- Preis nach Angebot
- Lernumgebung in der Cloud
- 1 Teilnehmender = Fokus aufs Fachliche und maximaler Raum für individuelle Fragen.
Beschreibung
Die Prüfung umfasst 65 Fragen (50 gewertet, 15 ungewertet) in 170 Minuten, kostet rund 150 USD und ist auf Englisch verfügbar (Bestehensgrenze 720 / 1.000). Fragetypen sind Multiple Choice, Multiple Response, Ordering, Matching und Case Study - damit die formatreichste AWS-Associate-Prüfung. Die vier Domänen: Data Preparation (28 %), Model Development (26 %), Deployment und Orchestrierung (22 %), Monitoring, Maintenance und Security (24 %). Mit einem Jahr SageMaker-Praxis ist sie in vier Tagen Seminar plus zwei bis drei Wochen Eigenstudium schaffbar.
Tauchen Sie tiefer ein mit einem weiteren AWS Training aus unserem Seminarangebot.
Schulungsziel
Jede teilnehmende Person verlässt das Seminar mit einem strukturierten Verständnis der vier Prüfungsdomänen in offizieller Gewichtung (Data Preparation 28 %, Model Development 26 %, Deployment 22 %, Monitoring/Security 24 %), der Beherrschung des SageMaker-Ökosystems (Studio, Pipelines, Model Registry, Feature Store, Data Wrangler, Clarify, Model Monitor, JumpStart, Debugger, Inference Recommender), der Routine in Datenpipelines für ML (Glue, DataBrew, Lake Formation, Athena, Kinesis, Feature Engineering und Bias-Erkennung), dem Werkzeug für Modell-Entwicklung (Built-in Algorithms, Custom Containers, Hyperparameter-Tuning, Cross-Validation, Evaluation-Metriken, Bias-Erkennung mit Clarify), den Deployment-Patterns (Real-Time, Batch, Async, Serverless, Edge mit Neo und Greengrass, Blue/Green und Shadow), der MLOps-Disziplin (SageMaker Pipelines, CI/CD via SageMaker Projects, EventBridge-Trigger, Drift-basiertes Retraining), dem Security- und Cost-Optimization-Know-how (VPC-Isolation, KMS, Spot-Training, Multi-Model Endpoints, Inferentia/Trainium), einer absolvierten Probeklausur mit Domänen-Schwächenanalyse und einem persönlichen Lernplan für die letzten Wochen vor der echten Prüfung - gut vorbereitet auf das offizielle Examen mit den 720 Punkten als realistisches Ziel.
Details
Inhalt
1. Datenaufnahme und -speicherung
- Ziele und Erwartungen der Teilnehmenden
- Klärung individueller Lernziele und Erwartungen für ein praxisnahes und relevantes Seminar
- Datenquellen und Storage: S3 (Storage-Klassen für ML, Lifecycle), EFS für Trainingsdaten, FSx for Lustre für High-Throughput-Training, EBS für SageMaker-Notebooks.
- Datenformate für ML: CSV, JSON, Parquet, RecordIO-Protobuf, TFRecord - Formatwahl nach Trainings-Framework und Performance.
- Datenaufnahme-Services: AWS Glue (Crawler, Jobs, DataBrew), AWS DMS für Datenbank-Migration, Kinesis Data Streams und Firehose für Streaming, Amazon MSK für Kafka-Workloads.
- Data Lakes und Lakehouses: AWS Lake Formation für Governance, Athena für Ad-hoc-Queries, Redshift Spectrum, S3 Tables (Apache Iceberg).
- Praxis-Übung: Eine Daten-Ingestion-Pipeline für ein ML-Trainingsset entwerfen: Streaming-Quelle via Kinesis Firehose nach S3, Glue Crawler für Schema-Discovery, Athena für explorative Analyse.
- Feature Engineering: Skalierung (StandardScaler, MinMax), One-Hot-Encoding vs. Target Encoding, Binning, Polynomial Features, Feature Crossing, Datums-/Zeit-Features.
- SageMaker Data Wrangler: visueller Workflow, 300+ Built-in Transformations, Bias-Reports, Export als SageMaker-Pipeline-Step oder Python-Code.
- SageMaker Feature Store: Online-Store (Low-Latency Inference) vs. Offline-Store (Training, Backfill), Feature Groups, Time Travel.
- Datenqualität: SageMaker Data Wrangler Insights, Glue DataBrew Data Quality Rules, Deequ-Constraints, Schema-Validation.
- Imbalanced Datasets: SMOTE, Random Over-/Undersampling, Class Weights, Stratified Sampling.
- Datenintegrität und Compliance: PII-Erkennung mit Macie, Anonymisierung, Data Residency, Verschlüsselung mit KMS.
- Praxis-Übung: Für einen Bewerber-Klassifikator mit imbalancierten Klassen und PII-haltigen Daten eine Data-Wrangler-Pipeline mit Bias-Check, PII-Anonymisierung und Feature Store-Export entwerfen.
3. Modellauswahl und Trainings-Strategien
- Modellauswahl: Klassifikation, Regression, Clustering, Anomalieerkennung, Forecasting, Recommendation - Auswahl nach Business-Problem und Datenstruktur.
- SageMaker Built-in Algorithms: XGBoost, Linear Learner, K-Means, Random Cut Forest, DeepAR, BlazingText, Image Classification, Object Detection, Semantic Segmentation - wann welcher.
- SageMaker JumpStart: vorgefertigte Modelle (Vision, NLP, Tabular), Foundation Models, Solutions Templates.
- Custom Training: Bring Your Own Container (BYOC), Bring Your Own Script (BYOS), Script Mode für TensorFlow, PyTorch, Scikit-learn, Hugging Face.
- Training-Optionen: Distributed Training (Data Parallel, Model Parallel), Spot Training (bis 90 % Kostenersparnis), Managed Spot Training mit Checkpointing.
- Praxis-Übung: Für vier Use Cases (Kreditausfall-Prognose, Bilderkennung von Produktdefekten, Zeitreihen-Forecast, Customer-Churn-Prediction) den passenden SageMaker-Algorithmus oder JumpStart-Modell mit Begründung wählen.
- Hyperparameter-Tuning: SageMaker Automatic Model Tuning, Strategien (Bayesian, Random, Grid, Hyperband), Warm Start, Early Stopping.
- Modell-Evaluation: Klassifikations-Metriken (Accuracy, Precision, Recall, F1, AUC, Confusion Matrix), Regressions-Metriken (RMSE, MAE, R²), Multi-Class-Metriken, ROC-Kurven.
- Bias und Erklärbarkeit: SageMaker Clarify (Pre-Training Bias, Post-Training Bias, SHAP für Feature Importance), Partial Dependence Plots.
- Modell-Versionierung: SageMaker Model Registry (Model Groups, Approval-Status, Cross-Account-Sharing), Model Cards für Dokumentation.
- Cross-Validation: K-Fold, Stratified K-Fold, Time-Series-Split - passende Strategie nach Datenstruktur.
- Praxis-Übung: Einen XGBoost-Klassifikator mit SageMaker Automatic Model Tuning optimieren, mit Clarify auf Bias prüfen, in der Model Registry versionieren und für Approval markieren.
5. Deployment-Strategien für ML-Modelle
- Real-Time Inference: SageMaker Real-Time Endpoints (Single-Model, Multi-Model, Multi-Container), Auto Scaling, Instance-Auswahl (CPU, GPU, Inferentia, Trainium).
- Batch Inference: SageMaker Batch Transform für grosse Datenmengen, Async Inference für lange Inferenzzeiten und unregelmässige Anfragen.
- Serverless Inference: SageMaker Serverless Endpoints für unregelmässige Workloads ohne Provisioning, Cold Start-Tradeoffs.
- Edge Deployment: SageMaker Neo (Modelloptimierung für Edge-Hardware), AWS IoT Greengrass für Edge-Inference, Inferentia-/Trainium-Chips.
- Deployment-Patterns: Blue/Green, Canary, Rolling, Shadow Testing, A/B-Testing mit Production Variants.
- Praxis-Übung: Für drei Workloads (Real-Time-Fraud-Detection mit < 100 ms Latenz, Batch-Scoring von 10 Mio. Datensätzen täglich, sporadische Inferenz für interne Tools) die richtige Deployment-Variante mit Instance-Wahl und Cost-Modell auswählen.
- SageMaker Pipelines: Pipeline-Definition (DAG), Steps (ProcessingStep, TrainingStep, TuningStep, ModelStep, TransformStep, ConditionStep, CallbackStep, EMRStep), Caching, Parameter.
- Orchestrierung: SageMaker Pipelines vs. Step Functions vs. Apache Airflow auf MWAA - Auswahlkriterien.
- CI/CD für ML: SageMaker Projects mit CodeCommit/CodeBuild/CodePipeline, MLflow auf SageMaker, Templates für Model-Build und Model-Deploy.
- Trigger und Automation: EventBridge für daten- oder zeitgetriggerte Retraining-Pipelines, Lambda für Custom-Logic, S3-Event-Notifications.
- Infrastructure as Code: CloudFormation und CDK für SageMaker-Ressourcen, SageMaker Pipelines als Code (Python SDK).
- Praxis-Übung: Eine End-to-End-MLOps-Pipeline definieren: S3-Trigger startet SageMaker-Pipeline (Data Wrangler -> Training -> Evaluation -> Conditional-Approval -> Deployment), CI/CD via SageMaker Projects.
7. Monitoring und Maintenance
- SageMaker Model Monitor: Data Quality Monitoring, Model Quality Monitoring, Bias Drift, Feature Attribution Drift - Baselines, Schedules, CloudWatch-Integration.
- Concept Drift, Data Drift und Label Drift: Erkennung, Alerting, automatische Retraining-Trigger via EventBridge.
- CloudWatch für ML: Endpoint-Metriken (Invocations, Latency, Errors, CPU/GPU-Utilization), Custom Metrics, Alarms, Dashboards.
- SageMaker Debugger und Profiler: Training-Job-Analyse, Bottleneck-Erkennung, Tensor-Visualisierung.
- A/B-Testing in Produktion: Production Variants, Traffic Routing, statistische Auswertung von Modell-Vergleichen.
- Praxis-Übung: Für ein produktives Recommendation-Modell ein Monitoring-Setup aufbauen: Baseline-Erstellung, Data Quality- und Model Quality-Schedule, EventBridge-Trigger für Retraining bei signifikantem Drift.
- IAM für ML: SageMaker Execution Roles, Resource-based Policies, Permission Boundaries, Cross-Account-Pipelines.
- Verschlüsselung: KMS für SageMaker (Notebooks, Training Jobs, Endpoints, Model Artifacts), S3-Bucket-Encryption, EBS-Encryption.
- Network Isolation: SageMaker in VPC mit privaten Subnets, VPC Endpoints für S3 und SageMaker, Network Isolation Mode für Training und Endpoints.
- Compliance: PII-Handling, GDPR/HIPAA-Patterns, CloudTrail für SageMaker-Audit, Audit Manager.
- Cost Optimization für ML: Spot-Training, Managed Spot Training mit Checkpointing, Right-Sizing von Endpoints, Multi-Model Endpoints, Serverless Inference, Savings Plans für SageMaker, Inferentia/Trainium für günstigere Inferenz/Training.
- Compute-Optimierung: GPU- vs. CPU-Auswahl, Compilation mit SageMaker Neo, Inference Recommender für optimale Instance-Auswahl.
- Praxis-Übung: Ein bestehendes ML-Setup auf Compliance und Kosten optimieren: VPC-Isolation, KMS-Verschlüsselung, Spot-Training für nicht-kritische Jobs, Multi-Model Endpoint statt 20 Single-Model Endpoints, Inference Recommender-Empfehlung umsetzen.
Prüfungsstrategie (30 Min):
- Fünf Fragetypen: Multiple Choice, Multiple Response, Ordering, Matching, Case Study - jeder Typ braucht eine eigene Strategie.
- Schlüsselwörter: "geringste Latenz" (Real-Time Endpoint, Inferentia), "kostenoptimiert" (Spot, Multi-Model, Serverless), "minimaler Aufwand" (Built-in Algorithm, JumpStart, Managed Service), "wachsende Daten" (Drift Monitoring, Retraining-Trigger).
- Anti-Patterns: Custom-Algorithmus statt Built-in, On-Demand statt Spot für Training, Single-Model Endpoint für 20 ähnliche Modelle, fehlendes Drift Monitoring in Produktion.
- Zeitmanagement: ~150 Sekunden pro Frage, Case Studies vor den Einzelfragen lesen, Englisch-Lesegeschwindigkeit kritisch.
- Phase 1 - MLOps-Architektur-Sprint (60 Min): Drei realistische Szenarien (Echtzeit-Betrugserkennung mit Drift-Monitoring, Batch-Recommender für nightly Training, Edge-Vision-Modell auf IoT-Geräten) in Kleingruppen vollständig auf AWS architektieren.
- Phase 2 - Probeklausur unter Prüfungsbedingungen (90 Min): 50 gewertete Fragen in offizieller Domänen-Gewichtung (~14/13/11/12) inklusive Case Studies, 90 Minuten als verkürzte Trainingseinheit, ohne Hilfsmittel.
- Phase 3 - Auswertung und Peer-Review (30 Min): Score pro Domäne, Schwächenanalyse, Lernplan. Peer-Review der schwierigsten Fragen: Built-in Algorithm vs. JumpStart vs. Custom, Real-Time vs. Async vs. Serverless Inference, Single-Model vs. Multi-Model Endpoint, SageMaker Pipelines vs. Step Functions, Model Monitor Data Quality vs. Model Quality vs. Bias Drift.
Zielgruppe & Vorkenntnisse
- ML- und MLOps-Engineers mit AWS-Praxis: Die seit mindestens einem Jahr SageMaker und ML-Pipelines auf AWS einsetzen und ihre Erfahrung in eine offizielle Zertifizierung überführen wollen.
- Backend-Entwickler, Data Engineers und DevOps-Engineers im Übergang zu ML: Die ML-Workloads operationalisieren und das offizielle AWS-Vokabular für SageMaker, Pipelines, Model Registry und Feature Store beherrschen wollen.
- Data Scientists mit Produktionsverantwortung: Die Modelle nicht nur trainieren, sondern auch deployen, monitoren und mit CI/CD automatisieren müssen.
- Solution Architects mit ML-Schwerpunkt: Die nach SAA-C03 und AIF-C01 ihre Kompetenz im klassischen ML-Engineering-Stack offiziell ergänzen wollen.
Abgrenzung: Bereitet auf MLA-C01 (Machine Learning Engineer Associate) vor - nicht auf den AI Practitioner (AIF-C01, foundational), nicht auf den Generative AI Developer Professional (AIP-C01, GenAI-Schwerpunkt).
Ihre Schulung
In Präsenz | Online |
|---|---|
| Lernmethode | |
Ausgewogene Mischung aus Theorie und praktischen Übungen auf persönlichem Schulungs-PC. | Wie auch bei unseren Präsenz-Seminaren: Ausgewogene Mischung aus Theorie und praktischen Übungen. Trainer durchgehend präsent. |
| Unterlagen | |
Seminarunterlagen oder Fachbuch inklusive. Das Fachbuch wählt der Trainer passend zum Seminar aus - Ihren individuellen Buch-Wunsch berücksichtigen wir auf Nachfrage gerne. | Seminarunterlagen oder Fachbuch inklusive (via DHL). Das Fachbuch wählt der Trainer passend zum Seminar aus - Ihren individuellen Buch-Wunsch berücksichtigen wir auf Nachfrage gerne. |
| Arbeitsmaterialien | |
DIN A4 Block, Notizblock, Kugelschreiber, USB-Stick, Textmarker, Post-its | |
| Teilnahmezertifikat | |
Nach Abschluss des Seminars erhalten Sie das Teilnahmezertifikat inkl. Inhaltsverzeichnis per E-Mail als PDF. | |
Organisation
In Präsenz | Online | |
|---|---|---|
| Teilnehmendenzahl | ||
min. 1, max. 8 Personen | ||
| Garantierte Durchführung | ||
Ab 1 Teilnehmenden* | ||
| Schulungszeiten | ||
| ||
| Ort der Schulung | ||
 GFU SchulungszentrumAm Grauen Stein 27 51105 Köln-Deutz oder online im Virtual Classroom oder europaweit bei Ihnen als Inhouse-Schulung Um ein optimales Raumklima zu gewährleisten, haben wir das Schulungszentrum mit 17 hochmodernen Trotec TAC V+ Luftreinigern ausgestattet. Diese innovative Filtertechnologie (H14 zertifiziert nach DIN EN1822) sorgt dafür, dass die Raumluft mehrfach pro Stunde umgewälzt wird und Schadstoffe zu 99.995% im HEPA-Filter abgeschieden und infektiöse Aerosole abgetötet werden. Zusätzlich sind alle Räume mit CO2-Ampeln ausgestattet, um jederzeit eine hervorragende Luftqualität sicherzustellen. | ||
| Räumlichkeiten | ||
Helle und modern ausgestattete Räume mit perfekter Infrastruktur | Bequem aus dem Homeoffice von überall | |
| Preisvorteil | ||
Dritter Mitarbeitende nimmt kostenfrei teil. Eventuell anfallende Prüfungskosten für den dritten Teilnehmenden werden zusätzlich berechnet. Hinweis: Um den Erfolg der Schulung zu gewährleisten, sollte auch der dritte Teilnehmende die erwarteten Vorkenntnisse mitbringen. | ||
| KOMPASS — Förderung für Solo-Selbstständige | ||
Solo-Selbstständige können für dieses Seminar eine Förderung via KOMPASS beantragen. | ||
| All-Inclusive | ||
Gebäck, Snacks und Getränke ganztägig, Mittagessen im eigenen Restaurant, täglich 6 Menüs, auch vegetarisch | Eine Auswahl unserer Frühstücks-Snacks und Nervennahrungs-Highlights senden wir Ihnen mit den Seminarunterlagen via DHL zu. | |
| Barrierefreiheit | ||
Das GFU-Schulungszentrum (Am Grauen Stein 27) ist barrierefrei | - | |
Buchen ohne Risiko
| Rechnungsstellung |
Erst nach dem erfolgreichen Seminar. Keine Vorkasse. |
| Stornierung |
Kostenfrei bis zum Vortag des Seminars |
| Vormerken statt buchen |
Sichern Sie sich unverbindlich Ihren Seminarplatz schon vor der Buchung - auch wenn Sie selbst nicht berechtigt sind zu buchen |
Kostenfreie Services
In Präsenz | Online |
|---|---|
|
|
Buchungsmöglichkeiten
Online oder in Präsenz teilnehmen
Sie können sowohl Online als auch in Präsenz am Seminar teilnehmen. Klicken Sie bei Ihrer Buchung oder Anfrage einfach die entsprechende Option an.
Gesicherte offene Termine
| Termin | Ort | Preis | ||
|---|---|---|---|---|
| 17.08.-20.08.2026 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 26.10.-29.10.2026 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 2027 | ||||
| 04.01.-07.01.2027 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 22.03.-25.03.2027 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
| 24.05.-27.05.2027 Plätze vorhanden Köln / Online 2.660,00 | Köln / Online | 2.660,00 | Buchen Vormerken | |
- Lernumgebung in der Cloud
- Inhalte werden auf Wunsch an die Anforderungen Ihres Teams angepasst.
- Lernumgebung in der Cloud
- 1 Teilnehmender = Fokus aufs Fachliche und maximaler Raum für individuelle Fragen.
Unterstützung nach der Schulung durch
individuelle Nachbetreuung
- Alle folgenden Schulungsformen können auch Online als Virtual Classroom durchgeführt werden.
- Eine Offene Schulung findet zu einem festgelegten Zeitpunkt im voll ausgestatteten Schulungszentrum oder Online/Remote statt. Sie treffen auf Teilnehmende anderer Unternehmen und profitieren vom direkten Wissensaustausch.
- Eine Inhouse-/Firmen-Schulung geht auf die individuellen Bedürfnisse Ihres Unternehmens ein. Sie erhalten eine kostenfreie Beratung von Ihrem Seminarleiter und können Inhalte und Dauer auf Ihren Schulungsbedarf anpassen. Inhouse-Schulungen können Europaweit durchgeführt werden.
- Bei einer Individual-Schulung erhalten Sie eine 1-zu-1 Betreuung und bestimmen Inhalt, Zeit und Lerntempo. Der Dozent passt sich Ihren Wünschen und Bedürfnissen an.
Sie können unsere Schulungen auch als Remote Schulung im Virtual Classroom anfragen.
In drei Schritten zum Online Seminar im Virtual Classroom:
- Seminar auswählen und auf "Buchen" klicken
- Wählen Sie bei "Wie möchten Sie teilnehmen?" einfach "Online" aus.
- Formular ausfüllen und über den Button "Jetzt buchen" absenden.
Unser Kundenservice meldet sich bei Ihnen mit der Buchungsbestätigung.
Unsere Online Schulungen finden im Virtual Classroom statt. Ein Virtual Classroom bündelt mehrere Werkzeuge, wie Audio-Konferenz, Text-Chat, Interaktives Whiteboard, oder Application Sharing.
Vorteile von Virtual Classroom:
- Sie erhalten 1 zu 1 die gleiche Lernumgebung, die Sie auch vor Ort bei uns vorfinden
- Die technische Vorbereitung wird von den GFU-Technikern vorgenommen
- Sie erhalten remote Zugriff auf Ihren persönlichen Schulungs-PC im GFU-Seminarraum
- Die Virtual Classroom Lösung lässt sich auch im Browser betreiben
- Die GFU-Technik leistet wie gewohnt Soforthilfe bei Problemen
- Die Schulungsunterlagen bekommen Sie via DHL zugeschickt
- Sie sparen Reisekosten und Zeit
- 17. Aug. - 20. Aug. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 26. Okt. - 29. Okt. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 04. Jan. - 07. Jan. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 22. Mär. - 25. Mär. ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- 24. Mai - 27. Mai ✓ Noch einige Plätze frei ▶ Köln + Online/Remote
- Auch als Inhouse-Schulung, bundesweit mit Termin nach Wunsch und individuellen Inhalten
- Buchen ohne Risiko! Kostenfreie Stornierung bis zum Vortag des Seminars
Die Seminare der GFU finden in angenehmer Atmosphäre statt und sind perfekt organisiert. Profitieren Sie von dem Rundum-Service der GFU!
Machen Sie sich keinen Kopf um die Anreise! Unser Shuttle fährt Sie. Oder Sie parken einfach auf einem extra für Sie reservierten Parkplatz.
Hotelzimmer gesucht? Wir organisieren Ihnen eins. Ihr Vorteil: Sie sparen Zeit und Geld!
Stornierung bei offenen Seminaren kostenfrei bis einen Tag vor Schulungsbeginn.
Unsere Techniker sind immer zur Stelle, egal ob online oder vor Ort.