<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>AutoML on Shanna Tellaev</title><link>https://tellaev.de/de/tags/automl/</link><description>Recent content in AutoML on Shanna Tellaev</description><generator>Hugo -- gohugo.io</generator><language>de</language><managingEditor>info@tellaev.de (Shanna Tellaev)</managingEditor><webMaster>info@tellaev.de (Shanna Tellaev)</webMaster><lastBuildDate>Tue, 06 Jan 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://tellaev.de/de/tags/automl/index.xml" rel="self" type="application/rss+xml"/><item><title>AutoML mit PyCaret: So erstellen Sie schnell Prototypen für Klassifikationsmodelle</title><link>https://tellaev.de/de/posts/fruitklassification-pycaret/</link><pubDate>Tue, 06 Jan 2026 00:00:00 +0000</pubDate><author>info@tellaev.de (Shanna Tellaev)</author><guid>https://tellaev.de/de/posts/fruitklassification-pycaret/</guid><description>&lt;p&gt;Jedes Data-Science-Projekt beginnt mit derselben, oft unterschätzten Frage: &lt;strong&gt;Wo fängt man eigentlich an?&lt;/strong&gt; Die Antwort ist fast immer: beim Datensatz.&lt;/p&gt;
&lt;p&gt;Bevor ein Machine-Learning-Algorithmus zum Einsatz kommt, muss man die Daten verstehen — inhaltlich wie explorativ. Wie sehen sie aus? Wie ist die Verteilung? Gibt es Auffälligkeiten? Dieser Schritt ist keine Pflichtübung, sondern die Grundlage für jede spätere Entscheidung.&lt;/p&gt;
&lt;p&gt;In diesem Artikel gehe ich den vollständigen Workflow an einem konkreten Beispiel durch: von der Explorativen Datenanalyse (EDA) über die Datenaufbereitung bis zum Prototyping mit AutoML. Mit PyCaret – einem Tool, das verschiedene Algorithmen automatisch vergleicht – lässt sich schnell herausfinden, welcher Ansatz am besten zu den Daten passt.&lt;/p&gt;</description></item></channel></rss>