Zautomatyzowane uczenie maszynowe - Automated machine learning

Zautomatyzowane uczenie maszynowe ( AutoML ) to proces automatyzacji zadań związanych z zastosowaniem uczenia maszynowego do rzeczywistych problemów. AutoML obejmuje cały potok od nieprzetworzonego zestawu danych do wdrażalnego modelu uczenia maszynowego. AutoML został zaproponowany jako rozwiązanie oparte na sztucznej inteligencji , aby sprostać stale rosnącemu wyzwaniu stosowania uczenia maszynowego. Wysoki stopień automatyzacji w AutoML umożliwia osobom niebędącym ekspertami korzystanie z modeli i technik uczenia maszynowego bez konieczności stania się ekspertem w uczeniu maszynowym. Zautomatyzowanie procesu stosowania uczenia maszynowego end-to-end dodatkowo oferuje korzyści w postaci tworzenia prostszych rozwiązań, szybszego tworzenia tych rozwiązań i modeli, które często przewyższają modele ręcznie zaprojektowane. AutoML został użyty do porównania względnej ważności każdego czynnika w modelu predykcyjnym.

Porównanie do podejścia standardowego

W typowej aplikacji uczenia maszynowego praktycy mają zestaw wejściowych punktów danych, których można użyć do szkolenia. Surowe dane mogą nie mieć takiej postaci, w której można by do nich zastosować wszystkie algorytmy. Aby dane podatne na uczenie maszynowe, ekspert może mieć zastosowanie odpowiednie dane wstępne przetwarzanie , inżynierię fabularny , wydobywania cech i wyboru cechą metod. Po tych krokach praktycy muszą następnie dokonać wyboru algorytmu i optymalizacji hiperparametrów, aby zmaksymalizować wydajność predykcyjną swojego modelu. Każdy z tych kroków może być trudny, co powoduje znaczne utrudnienia w korzystaniu z uczenia maszynowego.

AutoML znacznie upraszcza te kroki dla osób niebędących ekspertami.

Cele automatyzacji

Zautomatyzowane uczenie maszynowe może być ukierunkowane na różne etapy procesu uczenia maszynowego. Kroki do automatyzacji to:

Zobacz też

Bibliografia

Dalsza lektura