Hands-on AutoML mit Python: Automated Machine Learning von Grund auf erklärt

Modul 01: Einfuhrung 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: Einfuhrung 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

Hinweis zum Ablauf

Trainer: Diplom-Informatiker (Univ.) mit Schwepunkt KI, langjährige Branchen- und Projekterfahrung

Zielgruppe

Berufstätige im technischen Bereich (z. B. Ingenieurwesen, Naturwissenschaften, Wirtschaftsinformatik), die erste praktische Erfahrungen mit AutoML sammeln wollen und dazu Python als Werkzeug erlernen möchten.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmezertifikat und digitales Badge

Teilnahmevorraussetzungen

Erfahrungen mit einer Programmiersprache (nicht unbedingt Python)

Preishinweis

Durchführungskosten abhängig von der Anzahl der Teilnehmer