Vielen Dank an alle Beteiligten für eine erfolgreiche M3 2024 in Köln! Im Herbst geht es weiter mit M3-Online-Events!

Hyperparameter optimieren mit AutoML

Sie trainieren gerne und oft ML-Modelle auf verschiedensten Datensätzen. Aber haben Sie wirklich alles aus Ihrem Modell herausgeholt? Funktionieren eigentlich immer die gleichen Hyperparametereinstellungen auf jeden Datensatz gut? Was genau sind eigentlich Hyperparameter? Wollen Sie mehr als nur Hyperparameter einstellen, beispielsweise auch das Feature-Preprocessing auswählen? Wie optimieren wir automatisch die gesamte ML-Pipeline?

Dieser Vortrag liefert die nötige Grundlage, um AutoML-Methoden zu verstehen und für die tägliche Arbeit effektiv einzusetzen. Das Ziel ist, die Entwicklung von ML-Anwendungen
schneller, effektiver und aufwandsfreier zu gestalten, um das Beste aus Ihren Daten rauszuholen. Im Zentrum unseres Vortrags stehen praxisnahe Ansätze, die sich direkt aus unserer Forschung ableiten.

Konkret beleuchten wir die Ideen hinter effizienter Hyperparameteroptimierung mit Bayes’scher Optimierung und zeigen auf, wie diese Methode die Modellgenauigkeit verbessert. Wir erklären dazu wie Sie Approximationen an die finale Performanz oder eure eigene Intuition zu Hyperparametern einsetzen kannst, um noch schneller gute Hyperparametereinstellungen zu finden.

Vorkenntnisse

  • ML-Grundlagen: Verständnis der Basisprinzipien und ML-Algorithmen
  • Evaluationsstrategien für ML Algorithmen
  • Praktische Erfahrung in der Anwendung von ML

Lernziele

  • Vorteile des automatisierten Maschinellen Lernen (AutoML) kennenlernen
  • Verständnis von Hyperparametern und deren Bedeutung für die Performanz von ML
    Modellen
  • Einblicke in die Vorgehensweise von Bayes’scher Optimierung und modernste Erweiterungen
  • Überblick über Open-Source-AutoML-Tools

Speaker

 

Katharina Eggensperger
Katharina Eggensperger ist Early Career Research Group Leader für Automatisiertes Maschinelles Lernen für die Wissenschaft an der Eberhard Karls Universität Tübingen. Ziel ihrer Forschung ist es, die Verwendung von ML so zu vereinfachen, dass dessen Potenzial in allen Anwendungsbereichen voll ausgeschöpft werden kann. Sie hat mehrere Preise in internationalen ML-Wettbewerben gewonnen und auf zahlreichen Konferenzen ihre Forschung und Tools präsentiert.

Marius Lindauer
Marius Lindauer ist Professor für maschinelles Lernen an der Leibniz Universität Hannover seit 2019. Sein Forschungsschwerpunkt liegt auf automatisierten maschinellen Lernen (AutoML), um die effiziente Entwicklung von neuen ML-Anwendungen zu ermöglichen. Er hat eine Vielzahl von Preisen in internationalen KI-Wettbewerben gewonnen und wurde durch einen ERC Starting Grant für seine Forschung zu AutoML ausgezeichnet.

M3-Newsletter

Ihr möchtet über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden