Modul #1 Einführung in Cloud Computing Überblick über Cloud Computing, Vorteile und Schlüsselkonzepte
Modul #2 Überblick über Cloud-Anbieter Vergleich der wichtigsten Cloud-Anbieter (AWS, Azure, GCP, IBM Cloud)
Modul #3 Grundlagen der Cloud-Sicherheit Sicherheitsbedenken, bewährte Methoden und Compliance in der Cloud
Modul #4 Data Science in der Cloud Vorteile von Cloud-basierter Data Science, häufige Anwendungsfälle
Modul #5 Cloud-Speicheroptionen Überblick über Cloud-Speicherdienste (S3, Blob Storage, Cloud Storage)
Modul #6 Datenaufnahme und -verarbeitung Aufnahme und Verarbeitung großer Datensätze in der Cloud (Kinesis, Event Hubs, Cloud Pub/Sub)
Modul #7 Cloud-basiertes Data Warehousing Cloud-basierte Data Warehousing-Lösungen (Redshift, BigQuery, Synapse)
Modul #8 Cloud-basiertes maschinelles Lernen Überblick über Cloud-basierte Dienste für maschinelles Lernen (SageMaker, Azure Machine Learning, AutoML)
Modul #9 Containerisierung für Data Science Verwendung von Containern (Docker) für reproduzierbare Data-Science-Workflows
Modul #10 Cloudbasierte Container-Orchestrierung Orchestrierung von Containern in der Cloud (Kubernetes, ECS, ACI)
Modul #11 Serverloses Computing für Data Science Konzepte und Anwendungen des serverlosen Computing in Data Science
Modul #12 Cloudbasierte Datenvisualisierung Cloudbasierte Datenvisualisierungstools und -dienste (Tableau, Power BI, D3.js)
Modul #13 Big Data Analytics in der Cloud Verarbeitung und Analyse von Big Data in der Cloud (Hadoop, Spark, HBase)
Modul #14 Cloudbasierte Verarbeitung natürlicher Sprache Cloudbasierte NLP-Dienste und -Anwendungen (NLTK, spaCy, Stanford CoreNLP)
Modul #15 Cloudbasierte Computer Vision Cloudbasierte Computer Vision-Dienste und -Anwendungen (OpenCV, TensorFlow, PyTorch)
Modul #16 Cloud-Kostenoptimierung Strategien Techniken zur Optimierung der Cloud-Kosten für Data Science-Workloads
Modul #17 Cloud-Architektur für Data Science Entwerfen skalierbarer und effizienter Cloud-Architekturen für Data Science-Workloads
Modul #18 Cloud-basierte Zusammenarbeit und Versionskontrolle Tools für Zusammenarbeit und Versionskontrolle für Data Science-Teams in der Cloud (GitHub, GitLab, Bitbucket)
Modul #19 Cloud-basierte Überwachung und Protokollierung Tools für Überwachung und Protokollierung für Cloud-basierte Data Science-Workloads
Modul #20 Cloud-basierte Sicherung und Wiederherstellung Strategien für Sicherung und Wiederherstellung für Cloud-basierte Data Science-Workloads
Modul #21 Cloud-Sicherheit für Data Science Bewährte Sicherheitsmethoden für Data Science-Workloads in der Cloud
Modul #22 Cloud-Compliance und -Governance Überlegungen zu Compliance und Governance für Cloud-basierte Data Science-Workloads
Modul #23 Migration von Data Science-Workloads in die Cloud Strategien für die Migration von lokalen Data Science-Workloads in die Cloud
Modul #24 Aufbau eines Cloud-basierten Data-Science-Teams Organisatorische Überlegungen zum Aufbau eines Cloud-basierten Data-Science-Teams
Modul #25 Kursabschluss und Schlussfolgerung Planen Sie die nächsten Schritte in der Cloud-Infrastruktur für eine Karriere im Data Science
