AutoML

Automatisiertes Machine Learning (AutoML) automatisiert den gesamten ML-Workflow – von der Datenvorbereitung über Feature Engineering bis zur Modellauswahl und Hyperparameter-Optimierung.

---

Inhaltsverzeichnis

1. Was ist AutoML?
2. Kernfunktionen
3. AutoML mit PyCaret
4. AutoML-Plattformen im Vergleich
5. Vorteile und Grenzen
   1. Vorteile
   2. Grenzen
6. Best Practices
7. Abgrenzung zu verwandten Dokumenten

---

Was ist AutoML?

AutoML (Automated Machine Learning) ist ein Bereich der künstlichen Intelligenz, der darauf abzielt, den Prozess des maschinellen Lernens auf reale Probleme zu automatisieren.

flowchart LR
    subgraph "Traditioneller ML-Workflow"
        A[Daten] --> B[Manuelle<br/>Vorbereitung]
        B --> C[Feature<br/>Engineering]
        C --> D[Modell-<br/>auswahl]
        D --> E[Hyper-<br/>parameter]
        E --> F[Evaluation]
    end
    
    subgraph "AutoML"
        G[Daten] --> H[🤖 Automatisiert]
        H --> I[Bestes<br/>Modell]
    end
    
    style H fill:#4CAF50,color:#fff

---

Kernfunktionen

AutoML-Systeme übernehmen automatisch die zeitaufwändigsten Schritte des ML-Prozesses:

Funktion	Beschreibung
Automatische Datenvorbereitung	Behandlung fehlender Daten, Kategorien kodieren, Transformationen auswählen
Feature Engineering	Automatische Identifikation und Erstellung wichtiger Merkmale
Algorithmen-Auswahl	Auswahl der am besten geeigneten ML-Algorithmen für das Problem
Hyperparameter-Tuning	Automatische Optimierung der Modelleinstellungen
Kreuzvalidierung	Gründliche Validierung zur Vermeidung von Overfitting

flowchart TD
    subgraph "AutoML Pipeline"
        A[📊 Rohdaten] --> B[Datenaufbereitung]
        B --> C[Feature Engineering]
        C --> D[Modellvergleich]
        D --> E[Hyperparameter-Tuning]
        E --> F[Ensemble & Stacking]
        F --> G[🎯 Bestes Modell]
    end
    
    B -.-> B1[Missing Values<br/>Encoding<br/>Scaling]
    D -.-> D1[Random Forest<br/>XGBoost<br/>LightGBM<br/>...]
    
    style G fill:#2196F3,color:#fff

---

AutoML mit PyCaret

PyCaret ist eine Open-Source Python-Bibliothek für Low-Code Machine Learning. Sie automatisiert ML-Workflows und ermöglicht schnelles Experimentieren.

---

AutoML-Plattformen im Vergleich

Plattform	Open Source	Stärken	Einsatz
PyCaret	✅	Low-Code, schnell, umfangreich	Prototyping, Experimente
Auto-sklearn	✅	Scikit-learn basiert, robust	Forschung, Produktion
H2O AutoML	✅	Skalierbar, Enterprise-ready	Big Data, Unternehmen
Google AutoML	❌	Cloud-basiert, einfach	Cloud-native Projekte
Azure AutoML	❌	Microsoft-Integration	Enterprise, Azure-Nutzer

---

Vorteile und Grenzen

Vorteile

• Zeitersparnis: Automatisierung repetitiver Aufgaben
• Demokratisierung: ML auch ohne tiefes Expertenwissen nutzbar
• Konsistenz: Standardisierte, reproduzierbare Pipelines
• Exploration: Schneller Überblick über geeignete Modelle

Grenzen

• Black-Box-Charakter: Weniger Kontrolle über Entscheidungen
• Domänenwissen: Ersetzt nicht das Verständnis des Problems
• Spezialfälle: Komplexe, individuelle Anforderungen oft schwer abbildbar
• Rechenaufwand: Kann ressourcenintensiv sein

flowchart TD
    subgraph "Wann AutoML nutzen?"
        A{Projektsituation} --> B[Schneller Prototyp<br/>→ ✅ AutoML]
        A --> C[Baseline-Modell<br/>→ ✅ AutoML]
        A --> D[Komplexe Pipeline<br/>→ ⚠️ Hybrid]
        A --> E[Maximale Kontrolle<br/>→ ❌ Manuell]
    end
    
    style B fill:#4CAF50,color:#fff
    style C fill:#4CAF50,color:#fff
    style D fill:#FFC107
    style E fill:#f44336,color:#fff

---

Best Practices

1. Datenqualität prüfen: AutoML ersetzt keine Datenexploration
2. Baseline etablieren: Einfaches Modell zum Vergleich erstellen
3. Ergebnisse verstehen: Nicht blind dem besten Modell vertrauen
4. Reproduzierbarkeit: Immer session_id setzen
5. Iteration: AutoML als Startpunkt, dann manuell optimieren

   Abgrenzung zu verwandten Dokumenten

Thema	Abgrenzung
Modellauswahl	AutoML automatisiert Modellauswahl und Preprocessing; manuelle Modellauswahl erfordert Expertenwissen
Hyperparameter-Tuning	AutoML automatisiert den gesamten Workflow inkl. Tuning; manuelles Tuning optimiert ein einzelnes Modell gezielt
Feature Engineering	AutoML automatisiert Feature Creation; manuelles Feature Engineering nutzt gezielt Domaenenwissen

---

Version: 1.0
Stand: Januar 2026
Kurs: Machine Learning. Verstehen. Anwenden. Gestalten.