AutoML – Automatisiertes Maschinelles Lernen
Dieser Kurs soll zukünftige ML-Entwickler dabei unterstützen, wichtige Designentscheidungen automatisch auf der Grundlage vordefinierter Datensätze zu treffen. Zielgruppen sind Informatikstudierende und Fachleute.
Übersicht
Der Kurs „Automatisiertes Maschinelles Lernen“ beschäftigt sich mit der Herausforderung, leistungsfähige Machine-Learning-(ML)-Pipelines zu entwerfen, einschließlich ihrer Hyperparameter, Architekturen tiefer neuronaler Netze und Vorverarbeitung. Zukünftige ML-Entwickler lernen, wie sie automatisierte Verfahren zur effizienten Bestimmung solcher ML-Pipelines nutzen und konzipieren können. Der Kurs ist so konzipiert, dass er entweder als MOOC absolviert werden kann oder von Universitäten im Blended-Learning-Format mit Präsenz- und Online-Phasen angeboten wird.
Welche Themen werden behandelt?
- Bei der Hyperparameter-Optimierung werden die Hyperparameter-Einstellungen eines bestimmten Machine-Learning-Algorithmus optimiert, um eine hohe Leistung auf einem gegebenen Datensatz zu erzielen.
- Beim Neural Architecture Search wird die Architektur eines neuronalen Netzes für seine Vorhersageleistung (gegebenenfalls auch für Inferenzzeit oder Modellgröße) auf einem bestimmten Datensatz angepasst.
- Als AutoML-Optimierer werden Ansätze wie Bayessche Optimierung, evolutionäre Algorithmen, Multi-Fidelity-Optimierung und gradientenbasierte Optimierung diskutiert.
- Durch dynamisches & Meta-Lernen werden nützliche Meta-Strategien gelernt, um das Lernen selbst oder AutoML über Datensätze hinweg zu beschleunigen.
Was werde ich erreichen?
Am Ende des Kurses wirst du in der Lage sein…
- mögliche Designentscheidungen und Vorgehensweisen bei der Anwendung von ML zu identifizieren.
- die getroffenen Designentscheidungen zu evaluieren.
- effiziente Optimierer für AutoML-Probleme zu implementieren, wie z.B. Hyperparameter-Optimierung und Neural Architecture Search.
- die Effizienz von AutoML durch verschiedene Ansätze zu steigern.
Welche Voraussetzungen muss ich erfüllen?
- Grundlagen des maschinellen Lernens (ML) und Deep Learning (DL)
- Erste Erfahrungen in der Anwendung von ML & DL
- Python oder R als Programmiersprache
- Empfohlen, aber optional: Grundlagen des Reinforcement Learning
