AutoML mit Python: Modelle automatisch trainieren und vergleichen

KI-Intensivseminar · 2 Tage

Python lernen, Daten aufbereiten und mit AutoML belastbare Modelle erzeugen

Das nehmen Sie mit

• Eine eingerichtete Python-Umgebung mit Jupyter Notebooks und sicherer Umgang mit pandas
• Verständnis des ML-Ablaufs vom Datensatz bis zum bewerteten Modell, geübt mit scikit-learn
• Praxis mit Auto-sklearn und ein direkter Vergleich zwischen Handarbeit und automatisiertem Training
• Einblick in Pipeline-Erzeugung, Hyperparameter-Suche und Ensembling, damit AutoML keine Black Box bleibt

Ablauf

1. Teil 1

   Tag 1 – Modul 1 – Arbeitsumgebung: Python und Jupyter für die Datenanalyse

   • Python installieren und Jupyter Notebooks als Arbeitsoberfläche einrichten
   • Syntax und Datentypen von Python, im Abgleich mit der Sprache, die Sie bereits beherrschen
   • Datentabellen mit pandas einlesen und bearbeiten
   • Diagramme mit matplotlib und seaborn erzeugen
   • Übung: Einen CSV-Datensatz auswerten und die Befunde grafisch darstellen
2. Teil 2

   Tag 1 – Modul 2 – Datenaufbereitung: Rohdaten lernfähig machen

   • Fortgeschrittene Operationen in pandas: filtern, verknüpfen, umformen
   • Fehlende Werte ergänzen oder entfernen, Ausreißer erkennen und behandeln
   • Gruppieren und aggregieren, etwa Messwerte je Versuchsreihe zusammenfassen
   • Datensätze speichern und für spätere Läufe wieder laden
   • Übung: Einen realen Datensatz so bereinigen, dass ein Modell darauf trainiert werden kann
3. Teil 3

   Tag 1 – Modul 3 – Lernprinzipien: Was maschinelles Lernen ausmacht

   • Begriff, Spielarten und typische Einsatzfelder maschinellen Lernens
   • Supervised und Unsupervised Learning: mit und ohne bekannte Zielgröße
   • Der übliche ML-Workflow: vom Rohdatensatz über das Training bis zum einsatzfähigen Modell
   • Übung: Mit scikit-learn ein lineares Regressionsmodell aufbauen
4. Teil 4

   Tag 2 – Modul 4 – AutoML-Einstieg: Frameworks kennenlernen und Training automatisieren

   • Was AutoML übernimmt und in welchen Aufgabenfeldern es eingesetzt wird
   • Verbreitete Frameworks im Überblick, etwa Auto-sklearn, H2O und Google AutoML
   • Ein Modell mit Auto-sklearn direkt im Notebook trainieren
   • Übung: Eine Klassifikationsaufgabe vollständig per AutoML lösen
5. Teil 5

   Tag 2 – Modul 5 – Bewertung: Modelle messen, vergleichen und verbessern

   • Kennzahlen der Modellbewertung wie Accuracy, Precision und Recall
   • Cross-Validation als Grundlage für faire Modellvergleiche
   • AutoML gezielt zur Optimierung eines Modells einsetzen
   • Übung: Ein von Hand gebautes Modell gegen das AutoML-Ergebnis antreten lassen
6. Teil 6

   Tag 2 – Modul 6 – Mechanik: Wie AutoML Pipelines baut und Modelle auswählt

   • Automatisch erzeugte Pipelines und das dahinterliegende Feature Engineering nachvollziehen
   • Hyperparameteroptimierung mit Grid, Random und Bayesian Search
   • Modellauswahl und Ensembling: wie mehrere Kandidaten zu einem Ergebnis kombiniert werden
   • Übung: Einen AutoML-Lauf anhand von Visualisierungen auseinandernehmen
7. Teil 7

   Tag 2 – Modul 7 – Transfer: AutoML verantwortungsvoll in Abläufe einbinden

   • Hürden im Umgang mit AutoML, etwa lange Rechenzeiten oder schwer durchschaubare Ergebnisse
   • Ethik und Fairness bei ML-Modellen, die weitgehend automatisch entstehen
   • AutoML-Modelle in vorhandene Prozesse und Datenflüsse integrieren
   • Übung: Eine Anwendungsidee aus Ihrem Arbeitsumfeld konzipieren und planen