KI-Entwicklung & Programmierung Schulungen
AutoML Grundkurs
AutoML praxisnah steuern: von Datenqualität und Metriken bis Erklärbarkeit, Drift und Betrieb.
- Dauer
- 2 Tage
- Format
- Präsenz oder Live-Online
- Preis
- 1.090 € netto
- Uhrzeiten
- 9:00-16:00 Uhr
- Gruppe
- max. 8 Personen
- Niveau
- Grundlagen
- Kursnummer
- KKC_0106
Aktuelle Termine und Online-Buchung: www.cmt.de/seminare/automl-grundlagen
AutoML Grundkurs
AutoML praxisnah steuern: von Datenqualität und Metriken bis Erklärbarkeit, Drift und Betrieb.
Die wichtigsten Themen
AutoML kontrolliert einsetzen
Leakage und Overfitting vermeiden
Metriken und Splits sauber wählen
Search Space gezielt steuern
SHAP-Erklärbarkeit anwenden
Drift und Retraining planen
Überblick AutoML beschleunigt Machine-Learning-Projekte, ersetzt aber keine saubere fachliche Bewertung. In diesem Grundkurs lernst du, AutoML-Tools kontrolliert einzusetzen: von der Problemdefinition über Datenqualität,...
AutoML beschleunigt Machine-Learning-Projekte, ersetzt aber keine saubere fachliche Bewertung. In diesem Grundkurs lernst du, AutoML-Tools kontrolliert einzusetzen: von der Problemdefinition über Datenqualität, Train/Validation/Test-Splits und passende Metriken bis zur Bewertung von Modellen für Tabular Data, Text und Zeitreihen. Ziel ist nicht der höchste Score auf Knopfdruck, sondern ein nachvollziehbares, robustes und betrieblich nutzbares ML-Modell.
Du arbeitest mit typischen AutoML-Workflows und lernst, Search Space, Time Budget, Cross-Validation und Early Stopping bewusst zu steuern. Ein besonderer Schwerpunkt liegt auf Fehleranalyse, Feature Importance, SHAP-Erklärbarkeit, Leakage-Vermeidung, Robustheit, Fairness-Indikatoren und Drift-Risiken. Damit eignet sich die Schulung für Teams, die AutoML nicht als Blackbox verwenden, sondern als steuerbaren Baustein im Machine-Learning-Prozess etablieren wollen.
Wenn du zuerst die Grundlagen von Data Science und Machine Learning auffrischen möchtest, passt die Data Science und Machine Learning Einführung. Für den technischen Ausbau nach dem AutoML-Grundkurs bieten sich der Python Machine Learning Grundkurs oder vertiefende MLOps-Themen wie MLOps Engineering on AWS und MLOps auf Azure an.
Die Themen Stärken und Grenzen von AutoML in realen Machine-Learning-Projekten · AutoML im Vergleich zu klassischen ML-Workflows · Geeignete Use Cases für Tabular Data, Textklassifikation und Forecasting...
AutoML fachlich richtig einordnen
- Stärken und Grenzen von AutoML in realen Machine-Learning-Projekten
- AutoML im Vergleich zu klassischen ML-Workflows
- Geeignete Use Cases für Tabular Data, Textklassifikation und Forecasting
- Rollen von Data Analysts, Data Scientists, Product Ownern und ML Engineers im AutoML-Prozess
- Typische Risiken: Leakage, Bias, Overfitting, Datenartefakte und Score-Optimierung ohne fachlichen Nutzen
- Qualitätskriterien für belastbare AutoML-Ergebnisse statt reiner Leaderboard-Bewertung
Datenqualität und Zieldefinition
- Saubere Problemformulierung und Abgrenzung des Vorhersageziels
- Label-Qualität, Datenherkunft und fachliche Plausibilitätsprüfung
- Train/Validation/Test-Splits für belastbare Modellbewertung
- Vermeidung von Data Leakage durch zeitliche, fachliche und technische Prüfungen
- Umgang mit Missing Values, Ausreißern, Imbalance und inkonsistenten Daten
- Feature-Engineering im Zusammenspiel mit Auto-Feature-Generation
- Data-Centric-AI-Perspektive: bessere Daten statt nur mehr Modellvarianten
AutoML für Tabular Data steuern
- Baseline-Modelle als Referenz für AutoML-Ergebnisse
- Auswahl sinnvoller Metriken für Klassifikation und Regression
- Search Space, Time Budget und Ressourcen bewusst begrenzen
- Early Stopping und Abbruchkriterien für effiziente Experimente
- Cross-Validation, Holdout-Strategien und Vergleichbarkeit von Ergebnissen
- Auswahlkriterien über den Score hinaus: Stabilität, Interpretierbarkeit und Betriebsfähigkeit
- Dokumentation von Experimenten, Parametern, Artefakten und Entscheidungen
AutoML für Text und Zeitreihen
- Pragmatische Workflows für Textklassifikation
- Einsatz von Embeddings und automatisierten Text-Features
- Forecasting-Grundlagen mit Backtesting und Rolling Windows
- Berücksichtigung von Saisonalität, Trends und Datenlücken
- Drift-Risiken bei Textdaten und Zeitreihen erkennen
- Grenzen automatisierter Verfahren bei kleinen, verrauschten oder stark veränderlichen Datensätzen
Modellbewertung, Erklärbarkeit und Robustheit
- Fehleranalyse nach Segmenten, Klassen und fachlichen Randfällen
- Feature Importance zur ersten Bewertung von Einflussgrößen
- SHAP für nachvollziehbare Modellinterpretation und Abnahmegespräche
- Stabilitätstests und Sensitivitätschecks für robuste Entscheidungen
- Fairness-Indikatoren und pragmatische Risikoabschätzung
- Bewertung von False Positives, False Negatives und fachlichen Fehlkosten
- Entscheidungsvorlagen für Freigabe, Nacharbeit oder Ablehnung eines Modells
Vom Experiment in den Betrieb
- Reproduzierbarkeit durch Seeds, Pipelines, Umgebungen und Artefakte
- Versionierung von Daten, Features, Modellen und Konfigurationen
- Model Registry und Freigabeprozesse im MLOps-light-Ansatz
- Monitoring von Drift, Performance und Data Quality
- Retraining-Trigger und Kriterien für Modellaktualisierungen
- Rollback-Strategien bei nachlassender Modellqualität
- Übergabe eines AutoML-Modells in bestehende Team- und Betriebsprozesse
Zielgruppe
- Data Analysts, BI-Spezialistinnen und Reporting-Teams, die aus strukturierten Daten schneller belastbare ML-Modelle ableiten wollen
- Data Scientists und Analytics Engineers, die AutoML kontrolliert in bestehende Machine-Learning-Workflows integrieren möchten
- Product Owner, Projektleitende und Fachverantwortliche in Datenprojekten, die AutoML-Ergebnisse bewerten, abnehmen und Risiken einschätzen müssen
- ML Engineers, DevOps-nahe Rollen und Plattform-Teams, die Modelle versionieren, überwachen und in Richtung Betrieb überführen
Das lernst du
- AutoML-Use-Cases sicher einordnen und passende Evaluationsstrategien festlegen
- Gezielte Steuerung von AutoML-Suchen über Metriken, Search Space, Time Budget und Early Stopping
- Belastbare Bewertung von Modellen durch saubere Splits, Fehleranalyse, Cross-Validation und Baselines
- Nachvollziehbare Interpretation von Ergebnissen mit Feature Importance, SHAP und fachlichen Abnahmekriterien
- Pragmatische Prüfung von Robustheit, Drift-Risiken und Fairness-Aspekten mit ableitbaren Maßnahmen
- Planung des Übergangs in den Betrieb inklusive Versionierung, Monitoring, Retraining-Triggern und Rollback
So arbeiten wir
- Kurze fachliche Inputs mit Checklisten, Entscheidungsleitfäden und Bewertungsrastern
- Geführte Praxisübungen an vorbereiteten Datensätzen in bereitgestellten Umgebungen
- Hands-on-Workflows für Datenprüfung, AutoML-Suche, Modellvergleich und Ergebnisdokumentation
- Review von Ergebnissen mit Fehleranalyse, Interpretierbarkeit und Abnahme-Kriterien
- Transfer in den eigenen Arbeitskontext mit MLOps-light-Blueprint für Versionierung, Monitoring und Retraining
Empfohlene Vorkenntnisse
- Grundverständnis von Machine Learning, insbesondere Train/Test-Splits, Overfitting und gängige Metriken
- Basiskenntnisse in der Datenarbeit mit Tabellen, einfachen Transformationen und fachlicher Datenprüfung
- Keine eigene Entwicklungsumgebung erforderlich, da die Praxisübungen in bereitgestellten Umgebungen stattfinden
- Für den Einstieg ohne ML-Vorkenntnisse empfiehlt sich vorab die Data Science und Machine Learning Einführung
Dein Fahrplan
Der erste Seminartag schafft die fachliche und methodische Grundlage für belastbare AutoML-Ergebnisse. Behandelt werden Nutzen und Grenzen von AutoML, typische Fehlannahmen, passende Use Cases sowie Qualitätskriterien für reale Projektergebnisse.
- Einordnung von AutoML im Machine-Learning-Workflow
- Risiken wie Leakage, Bias, Overfitting und falsch gewählte Metriken
- Zieldefinition, Label-Qualität und fachliche Datenprüfung
- Train/Validation/Test-Splits, Cross-Validation und Holdout-Strategien
- Umgang mit Imbalance, Missing Values und Ausreißern
- Baseline-Modelle, Search Space, Time Budget und Early Stopping
- AutoML für Tabular Data mit nachvollziehbarer Ergebnisdokumentation
Organisatorisches
Lernformate
Unsere Seminare bieten dir maximale Flexibilität: Du kannst zwischen Live-Online und Vor Ort in unseren modernen Schulungszentren im D-A-CH Raum wählen. Beide Formate garantieren dir die gleiche hohe Qualität und interaktive Lernerfahrung.
Schulungsarten
Wir bieten dir verschiedene Schulungsarten: Offene Seminare, Firmenseminare für Teams und Inhouse-Schulungen direkt bei dir vor Ort. So findest du genau das Format, das zu deinen Bedürfnissen passt.
Uhrzeiten
9:00-16:00 Uhr
Aktuelle Software
In unseren offenen Kursen arbeiten wir mit der aktuellsten Software-Version. So lernst du direkt mit den Tools und Features, die du auch in deinem Arbeitsalltag verwendest - mit klarem Alltagsbezug und zukunftsorientiert. Bei Inhouse- und Firmenschulungen bestimmt ihr die Version.
Deine Vorteile
Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Inklusivleistungen
Deine Teilnahme beinhaltet: Schulungsmaterial, Zertifikat, Verpflegung (bei Präsenzveranstaltungen) und persönliche Betreuung durch unsere Trainer und unser Orga-Team. Alles aus einer Hand - keine versteckten Kosten.
Lernen von Experten
Unsere Trainer sind zertifizierte und erfahrene Profis mit jahrelanger Berufserfahrung. Sie vermitteln dir in den Kursen nicht nur theoretisches Wissen, sondern teilen ihre Erfahrungen aus realen Projekten und helfen dir, das Gelernte direkt in deiner täglichen Arbeit anzuwenden. Das ist kein Werbeversprechen, sondern unser Anspruch. Am besten siehst du das in unseren Bewertungen, z.B. auch bei Google.
Keine Vorkasse
Du zahlst erst nach dem Seminar. Keine Vorkasse, keine Vorauszahlung - so kannst du sicher sein, dass du nur für das bezahlst, was du auch wirklich erhalten hast. Die Rechnung erhältst du erst nach Kursbeginn.
Max. 8 Teilnehmende
Wir setzen auf kleine Gruppen, damit du die Aufmerksamkeit bekommst, die du verdienst. So haben wir mehr Zeit für deine individuellen Fragen und können gezielt auf deine Bedürfnisse eingehen.
Termine und Preise
| Zeitraum | Ort | Preis (netto) |
|---|---|---|
| 11.01. - 12.01.2027 | München oder Live-Online | 1.090 € |
| 08.03. - 09.03.2027 | München oder Live-Online | 1.090 € |
| 03.05. - 04.05.2027 | München oder Live-Online | 1.090 € |
| 05.07. - 06.07.2027 | München oder Live-Online | 1.090 € |
| 04.10. - 05.10.2027 | München oder Live-Online | 1.090 € |
Alle Preise zuzüglich gesetzlicher Mehrwertsteuer. Freie Plätze und weitere Termine findest du unter www.cmt.de/seminare/automl-grundlagen.
Firmenschulung und Inhouse
Diese Schulung gibt es auch exklusiv für dein Unternehmen, bei euch vor Ort, an unseren Standorten oder Live-Online. Inhalte und Termine stimmen wir mit euch ab.
Dein Kontakt bei cmt
Yves Hoppe
Telefon 0800 71 20000
yves.hoppe@cmt.de
Termine & Buchung
Vor Ort
Online
Nicht der passende Termin dabei?
Wir finden eine Lösung: anderer Termin, mehrere Teilnehmer, Inhouse-Schulung oder individuelle Beratung.
Lieber gleich das ganze Team schulen?
Diese Schulung gibt es auch exklusiv für dein Unternehmen, bei euch vor Ort, an unseren Standorten oder Live-Online. Inhalte und Termine nach Maß.
Wie die Planung abläuft, was ein Zuschnitt kostet und welche Themen wir abdecken, steht auf unserer Seite zu Inhouse Schulungen im Bereich KI-Entwicklung.
Inhouse-Schulung
Wir kommen zu euch: diese Schulung maßgeschneidert in euren Räumen, für Unternehmen und Behörden.
- Inhalte exakt auf euch zugeschnitten
- Termine nach euren Bedürfnissen
- Günstiger ab mehreren Teilnehmern
- Vertraute Umgebung, kein Reiseaufwand
Firmen-Seminar
Exklusiv für dein Team an einem unserer Standorte oder Live-Online, individuell angepasst.
- Geschlossene Gruppe aus eurem Haus
- Individuelle Terminplanung
- An unseren Standorten oder Live-Online
- Angepasste Inhalte
Fragen und Antworten zu AutoML Grundkurs
Was ist der Unterschied zwischen AutoML und klassischem Machine Learning?
AutoML automatisiert Teile des Machine-Learning-Workflows, zum Beispiel Modellvergleich, Hyperparameter-Suche und teilweise Feature-Erzeugung. Im Seminar lernst du, welche Entscheidungen trotzdem fachlich gesteuert werden müssen: Zieldefinition, Datenqualität, Metriken, Validierung, Fehleranalyse und Betriebsfähigkeit.
Für wen eignet sich der AutoML Grundkurs?
Der Kurs richtet sich an Data Analysts, BI-Profis, Data Scientists, Product Owner in Datenprojekten sowie ML- und DevOps-nahe Rollen. Besonders sinnvoll ist die Schulung, wenn du AutoML-Ergebnisse nicht nur erzeugen, sondern beurteilen, dokumentieren und in Richtung Betrieb vorbereiten möchtest.
Arbeiten wir mit einem konkreten AutoML-Tool?
Ja. Du arbeitest in einer bereitgestellten Umgebung mit einem praxistauglichen AutoML-Workflow. Die Konzepte sind so aufgebaut, dass du sie auf gängige Plattformen und Open-Source-Tools übertragen kannst, ohne dich auf ein einzelnes Werkzeug festzulegen.
Brauche ich Programmierkenntnisse für die AutoML-Schulung?
Grundkenntnisse in Datenarbeit reichen aus. Du musst keine eigene Entwicklungsumgebung mitbringen. Für die Übungen erhältst du klare Schrittfolgen, um Daten vorzubereiten, AutoML-Suchen zu steuern, Ergebnisse zu reproduzieren und Modelle fachlich zu bewerten.
Geht es im Kurs nur um Tabular Data?
Tabular Data bildet den Schwerpunkt, weil hier viele AutoML-Anwendungsfälle in Unternehmen starten. Zusätzlich behandelt der Kurs typische Muster für Textklassifikation und Zeitreihen, darunter Embeddings, Backtesting, Rolling Windows, Saisonalität, Drift und Datenlücken.
Wie wird Erklärbarkeit mit SHAP und Feature Importance behandelt?
Du lernst, Feature Importance und SHAP nicht nur technisch zu erzeugen, sondern für Fehleranalyse, Modellvergleich und Abnahmegespräche zu nutzen. Dabei geht es auch um Grenzen der Interpretierbarkeit und um die Frage, welche Erklärungen für fachliche Entscheidungen tatsächlich belastbar sind.
Ist der AutoML Grundkurs ein vollständiges MLOps-Training?
Nein. Der Kurs vermittelt ein MLOps-light-Vorgehen für den realistischen Einstieg: Reproduzierbarkeit, Artefakte, Versionierung, Model Registry, Monitoring von Drift und Performance sowie Retraining-Trigger. Für eine tiefergehende MLOps-Weiterbildung passen anschließend MLOps Engineering on AWS oder MLOps auf Azure.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs.
Ähnliche Kurse
Machine Learning mit Python Grundkurs (Für Python Einsteiger)
Frontend-Entwicklung für KI-Apps: Advanced Patterns und Design
OpenCode Grundkurs: die smarte Claude-Alternative
A2A-Protokoll-Schulung: KI-Agenten verbinden
APIs mit KI nutzen: RAG, Datenabruf und mehr
Unser Qualitätsversprechen: Wissen, das in der Praxis funktioniert
Aus der Praxis für die Praxis
Schluss mit theoretischem Ballast. Wir trainieren dich für reale IT-Herausforderungen, nicht für Multiple-Choice-Tests. Unsere Trainer vermitteln dir genau das Wissen, das am nächsten Montagmorgen im Job wirklich funktioniert.
Individuell statt "Schema F"
Deine Fragen passen nicht ins Standard-Skript? Bei uns schon. Wir verzichten auf starre Lehrpläne und geben deinen konkreten Projekt-Fragen Raum. Unsere Trainer passen die Inhalte flexibel an das an, was dich und dein Team aktuell weiterbringt.
Maximale Freiheit: Remote oder vor Ort
Lerne so, wie es in deinen Alltag passt - ohne Reise-Stress und Zeitverlust. Egal ob remote, hybrid oder präsent vor Ort: Wir garantieren dir ein nahtloses und effektives Lernerlebnis, egal von wo du dich zuschaltest.
Mit Zufriedenheitsgarantie
Wir sind von unserer Qualität überzeugt - und wollen, dass du es auch bist. Sollte ein Training einmal nicht deinen Erwartungen entsprechen, bieten wir dir an, den Kurs kostenlos zu wiederholen oder ein anderes Training zu besuchen. Ohne Risiko, ohne Diskussion.
Über 20.000 Unternehmen und Behörden vertrauen auf uns
