KKC_0106 | AutoML Grundkurs

AutoML verspricht schnelle Machine-Learning-Ergebnisse, scheitert in der Praxis aber oft an falschen Erwartungen, schlechter Datenbasis oder einer Bewertung, die am realen Use Case vorbeigeht. In diesem Seminar lernen Sie AutoML als Werkzeugkasten zu nutzen, nicht als Blackbox.

Sie starten mit einer klaren Problem- und Zieldefinition und leiten daraus geeignete Metriken ab. Danach bauen Sie saubere Train/Validation/Test-Setups auf, um Data Leakage zu vermeiden und Ergebnisse realistisch zu messen. Ein Schwerpunkt liegt auf Datenqualität: Label-Qualität, Umgang mit Missing Values, Ausreißern und Klassenungleichgewicht werden so behandelt, dass AutoML-Suchen nicht in die falsche Richtung optimieren.

Im nächsten Schritt setzen Sie AutoML für Tabular Data ein und steuern Search Space, Time Budget, Cross-Validation und Early Stopping so, dass Sie reproduzierbare und robuste Modelle erhalten. Sie lernen, wie Sie nicht nur den besten Score auswählen, sondern Fehleranalysen durchführen und Stabilitätstests planen. Interpretierbarkeit ist dabei kein Extra: Feature Importance und SHAP helfen Ihnen, Modelle zu erklären und Risiken früh zu erkennen. Abschließend planen Sie den Weg in den Betrieb: Versionierung, Artefakte, Freigaben, Monitoring von Drift und Performance sowie sinnvolle Retraining-Trigger. So können Sie AutoML-Ergebnisse verantwortbar einsetzen und intern besser vertreten.

• 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

• Grundverständnis von Machine Learning (Train/Test, Overfitting, gängige Metriken).
• Basiskenntnisse im Umgang mit Daten (Tabellen, einfache Transformationen).

• 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