IntensivseminarKI-Grundlagen, Strategie & Technologie
Hands-on AutoML mit Python: Automated Machine Learning von Grund auf erklärt
Mehrtägiges Vertiefungsseminar mit hohem Praxisanteil.
Hands-on AutoML mit Python: Automated Machine Learning von Grund auf erklärt mit KI.
MODUL 01: EINFÜHRUNG IN PYTHON FÜR DATENANALYSE
- Installation und Einrichtung von Python und Jupyter Notebooks
- Grundlagen der Python-Syntax und Datentypen
- Einlesen und Bearbeiten von Daten mit pandas
- Erste Visualisierungen mit matplotlib und seaborn
- Beispielübung: CSV-Datensatz analysieren und visualisieren
MODUL 02: VERTIEFUNG: ARBEITEN MIT DATEN
- Erweiterte Datenbearbeitung mit pandas
- Umgang mit fehlenden Werten und Ausreißern
- Gruppierungen und Aggregationen
- Speichern und Laden von Datensätzen
- Beispielübung: Datenaufbereitung eines realen Datensatzes
MODUL 03: GRUNDLAGEN MASCHINELLEN LERNENS
- Was ist maschinelles Lernen? Arten und Anwendungsbeispiele
- Supervised vs. Unsupervised Learning
- Typischer ML-Workflow: von den Daten bis zum Modell
- Beispielübung: Lineares Regressionsmodell mit scikit-learn
MODUL 04: EINFÜHRUNG IN AUTOML UND PRAKTISCHE ANWENDUNG
- Was ist AutoML? Überblick und Anwendungsgebiete
- Bekannte AutoML-Frameworks (z. B. Auto-sklearn, H2O, Google AutoML)
- Hands-on: Modelltraining mit Auto-sklearn
- Beispielübung: Klassifikationsaufgabe mit AutoML lösen
MODUL 05: MODELLBEWERTUNG UND OPTIMIERUNG
- Grundlagen der Modellbewertung (Accuracy, Precision, Recall etc.)
- Cross-Validation und Modellvergleich
- Modelloptimierung mit AutoML
- Beispielübung: Modellvergleich zwischen manuell und AutoML
MODUL 06: TRANSFER UND AUSBLICK
- Typische Herausforderungen bei der Arbeit mit AutoML
- Ethik und Fairness in automatisierten ML-Modellen
- Integration von AutoML in bestehende Prozesse
- Beispielübung: Anwendungsidee konzipieren und planen
MODUL 07: WIE AUTOML UNTER DER HAUBE FUNKTIONIERT
- Hintergrund: Pipeline-Erzeugung und Feature Engineering
- Hyperparameteroptimierung und Suchstrategien (Grid, Random, Bayesian)
- Modellauswahl und Ensembling in AutoML
- Beispielübung: Analyse eines AutoML-Prozesses mit Visualisierungen