Ein aufkommender Trend in der KI ist die Verfügbarkeit von Technologien, bei denen die Automatisierung zur Auswahl eines bestgeeigneten Modells, zur Durchführung von Feature Engineering und zur Verbesserung der Modellleistung durch Hyperparameter-Optimierung genutzt wird. Diese Automatisierung ermöglicht ein schnelles Prototyping von Modellen und gibt dem Data Scientist die Möglichkeit, sich auf die Anwendung von Fachwissen zur Feinabstimmung von Modellen zu konzentrieren. Dieser Kurs führt den Teilnehmer durch die Erstellung einer automatisierten End-to-End-Pipeline, die mit dem AutoAI-Experimentiertool von Watson Studio erstellt wurde, und erklärt die zugrunde liegende Technologie, die von IBM Research entwickelt wurde. Der Schwerpunkt liegt dabei auf der Arbeit mit einem automatisch erstellten Python-Notizbuch. Den Teilnehmern werden Testdatensätze für zwei Anwendungsfälle zur Verfügung gestellt. Dieser Kurs richtet sich an praktizierende Data Scientists. Während er die automatisierten KI-Fähigkeiten von IBM Watson Studio mit AutoAI vorstellt, werden in diesem Kurs keine Konzepte des Maschinellen Lernens oder der Datenwissenschaft erklärt.

Um erfolgreich zu sein, sollten Sie über folgende Kenntnisse verfügen: Datenwissenschaftlicher Workflow Datenvorverarbeitung Feature Engineering Algorithmen des Maschinellen Lernens Hyperparameter Optimierung Evaluierungsmaßnahmen für Modelle Python und Scikit-learn-Bibliothek (einschließlich Pipeline-Klasse)