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