Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung und Umgebungseinrichtung
- Was ist AutoML und warum es wichtig ist
- Einrichten von Python- und R-Umgebungen
- Konfigurieren von Remotedesktops und Cloud-Umgebungen
AutoML-Funktionen erkunden
- Kernfunktionen von AutoML-Frameworks
- Hyperparameter-Optimierung und Suchstrategien
- Interpretieren von AutoML-Ausgaben und -Logs
Wie AutoML Algorithmen auswählt
- Gradient Boosting Machines (GBMs), Random Forests, GLMs
- Neuronale Netze und Deep-Learning-Backends
- Trade-offs: Genauigkeit vs. Interpretierbarkeit vs. Kosten
Daten vorbereiten und vorverarbeiten
- Arbeiten mit numerischen und kategorialen Daten
- Feature Engineering und Codierungstrategien
- Behandeln von fehlenden Werten und Datenunbalanciertheit
AutoML für verschiedene Datentypen
- Tabellarische Daten (H2O AutoML, auto-sklearn, TPOT)
- Zeitreihendaten (Prognose und sequenzielles Modellieren)
- Text- und NLP-Aufgaben (Klassifizierung, Sentimentanalyse)
- Bildklassifizierung und Computer Vision (Auto-Keras, TensorFlow, PyTorch)
Modellbereitstellung und -überwachung
- Exportieren und Bereitstellen von AutoML-Modellen
- Erstellen von Pipelines für Echtzeitvorhersagen
- Überwachen von Modellwandlungen und Retrainingsstrategien
Ensembling und fortgeschrittene Themen
- Stacking und Blending von AutoML-Modellen
- Datenschutz- und Compliance-Betrachtungen
- Kostenoptimierung für großskalige AutoML
Fehlerbehebung und Fallstudien
- Häufige Fehler und deren Behebung
- Interpretieren der AutoML-Modellleistung
- Fallstudien aus industriellen Anwendungsfällen
Zusammenfassung und Nächste Schritte
Voraussetzungen
- Erfahrung mit maschinellem Lernen (Machine Learning)
- Programmiererfahrung in Python oder R
Zielgruppe
- Datenanalysten
- Data Scientists
- Dateningenieure
- Entwickler
14 Stunden
