Phase 1: Grundlagen zu Cloud, AWS & KI
- Ein starkes Fundament in Cloud Computing, AWS-Kerndiensten, Linux-Grundlagen, Bash-Scripting, System Operations und Netzwerk-Basics aufbauen.
- Praktische Administrationsfähigkeiten mit Linux und Security Best Practices entwickeln.
- KI-gestütztes Lernen und Arbeiten von Anfang an: die technische Denkweise und das Werkzeugset des modernen Cloud Engineerings.
Phase 2: Netzwerk-, Sicherheits- und Cloud-Betrieb
- Die Netzwerkgrundlagen jeder AWS-Architektur beherrschen: VPCs, Subnetze, Routing-Tabellen, Internet Gateways und NAT.
- Zugriffe absichern mit Security Groups und Network ACLs.
- Zentrale AWS-Sicherheitskontrollen über Präventions- und Reaktionsphasen hinweg implementieren.
Phase 3: Grundlagen von Python, Git & Automatisierung
- Python-Programmierung für den Cloud-Alltag: Skripte schreiben, Fehler finden, Abläufe automatisieren.
- Versionskontrolle mit Git als Fundament moderner Zusammenarbeit.
- Debugging-, Scripting- und Automatisierungstechniken für DevOps und Cloud Operations.
Phase 4: AWS-Architektur, Compute und Datenbanken
- Cloud-Lösungen nach AWS-Architektur-Best-Practices gestalten.
- Mit Compute-Services sowie relationalen und NoSQL-Datenbanken arbeiten.
- Hochverfügbarkeitskonzepte verstehen und anwenden.
Phase 5: Skalierbare Anwendungen & Cloud-Infrastruktur
- Skalierbare Workloads bereitstellen und betreiben – mit EC2, Load Balancern und Auto Scaling.
- Inhalte weltweit ausliefern mit Route 53 und CloudFront.
- Fehlerdiagnose und Verwaltung mit AWS CLI und Systems Manager.
Phase 6: Serverless, Container und fortgeschrittene AWS-Services
- Moderne Cloud-Anwendungen mit AWS Lambda, API Gateway und Step Functions bauen.
- Container-Technologien einsetzen und orchestrieren.
- Fortgeschrittenes Networking, Storage, Monitoring und verwaltete AWS-Services kennenlernen.
Phase 7: Generative KI, Machine Learning & Amazon Bedrock
- Cloud Engineering mit generativer KI: wie KI Softwarebereitstellung und Cloud-Betrieb verändert.
- Praktischer Einstieg in Amazon Bedrock und grundlegende Machine-Learning-Lösungen.
- KI-gestützte Entwicklungskonzepte im Cloud-Kontext anwenden.
Phase 8: Infrastructure as Code mit Terraform & Amazon Q Developer
- Ganze Infrastrukturen als Code beschreiben und automatisiert bereitstellen – mit Terraform.
- KI-gestützt entwickeln mit Amazon Q Developer.
- Strukturierte Wiederholung und Portfolio-Arbeit als Vorbereitung auf die Praxis.
Phase 9: Das eigene KI-gestützte Cloud-Projekt
- Ein reales Abschlussprojekt mit Cloud-Architektur, Security und Monitoring umsetzen.
- AWS-Lösungen mit Terraform und Amazon Q Developer automatisieren.
- Das Projekt dokumentieren und präsentieren – als Arbeitsprobe für den Berufsalltag.
