Kursbeschreibung
Viele Teams nutzen AutoML, um schnell zu einem Modell zu kommen, und verlieren dabei genau das, was im Business zählt: Nachvollziehbarkeit, robuste Leistung und einen planbaren Betrieb. In diesem Seminar lernst du, AutoML so zu nutzen, dass du Ergebnisse nicht nur erzeugst, sondern verantworten kannst. Du beginnst mit einer klaren Einordnung: Welche Use Cases sind geeignet, welche Datenmengen und Qualitätsniveaus brauchst du, und welche Risiken entstehen durch falsche Validierung. Du setzt anschließend eine saubere Datenpipeline auf, inklusive Umgang mit Missing Values, Ausreißern und Klassenungleichgewicht, damit AutoML nicht nur Symptome optimiert. Danach arbeitest du dich durch die zentralen Stellhebel in AutoML: Wahl der Metriken, Steuerung von Search Space und Time Budget, Cross-Validation und Early Stopping. Du lernst, wie du Modelle nicht nur nach Score auswählst, sondern mit Fehleranalysen und Stabilitätschecks absicherst. Für die Kommunikation und interne Abnahme nutzt du Interpretierbarkeit mit Feature Importance und SHAP. Zusätzlich behandelst du Fairness-Indikatoren und eine pragmatische Risikoabschätzung, damit du Überraschungen im Betrieb reduzierst. Abschließend überführst du Experimente in einen MLOps-light-Prozess: Reproduzierbarkeit, Versionierung, Model Registry, Monitoring von Drift und Performance sowie klare Retraining-Trigger und Rollback-Strategien. So wird AutoML zu einem verlässlichen Baustein in deiner Datenstrategie.
Die wichtigsten Themen im Überblick
- AutoML passend einsetzen und typische Fallstricke vermeiden
- Train, Validation und Test sauber für robuste Modelle trennen
- Datenqualität, Labels und Features gezielt verbessern
- AutoML für Tabular Data mit sinnvollen Metriken steuern
- Textklassifikation und Forecasting praxisnah umsetzen
- Overfitting, Bias und Leakage früh erkennen
- Modelle mit SHAP und Feature Importance erklären
- Deployment, Monitoring und Retraining kontrolliert planen
Zielgruppe
- Data Analysts und BI-Profis, die schneller zu belastbaren ML-Modellen kommen wollen
- Data Scientists, die AutoML kontrolliert in ihren Workflow integrieren möchten
- Product Owner und Projektleitende in Datenprojekten, die Ergebnisse bewerten und abnehmen müssen
- ML Engineers und DevOps-nahe Rollen, die AutoML in Betrieb bringen und überwachen
- Für alle, die AutoML nicht als Blackbox nutzen, sondern als steuerbaren Prozess etablieren wollen
Voraussetzung für die Schulung
- Grundverständnis von Machine Learning (Train/Test, Overfitting, gängige Metriken).
- Basiskenntnisse im Umgang mit Daten (Tabellen, einfache Transformationen).
Kursinhalte
- AutoML richtig einordnen
- Wann AutoML passt und wann nicht
- Typische Fallstricke: Leakage, Bias, Overfitting
- AutoML im Vergleich zu klassischem ML-Workflow
- Datenqualität als Erfolgshebel
- Problem- und Zieldefinition, Label-Qualität
- Train/Validation/Test sauber aufsetzen
- Feature-Engineering vs. Auto-Feature-Generation
- Umgang mit Imbalance, Missing Values, Ausreißern
- AutoML für Tabular Data
- Baseline-Modelle und sinnvolle Metriken
- Search Space, Time Budget, Early Stopping
- Cross-Validation, Holdout-Strategien
- Interpretierbarkeit: Feature Importance, SHAP
- AutoML für Text und Zeitreihen
- Textklassifikation und Embeddings pragmatisch nutzen
- Forecasting: Backtesting und Rolling Windows
- Saisonalität, Drift und Datenlücken
- Modellbewertung, Robustheit, Fairness
- Fehleranalyse statt nur Score-Jagd
- Stabilitätstests und Sensitivitätschecks
- Fairness-Indikatoren und Risikoabschätzung
- Von Experiment zu Betrieb (MLOps light)
- Reproduzierbarkeit: Seeds, Pipelines, Artefakte
- Model Registry, Versionierung, Freigaben
- Monitoring: Drift, Performance, Data Quality
- Rollback-Strategien und Retraining-Trigger
