Автоматизированное машинное обучение

Эта статья поднимает множество проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалить эти сообщения-шаблоны )

Эта статья может быть непонятной или очень сложной для понимания . Пожалуйста, помогите, перефразируя его, если можно определить предполагаемое значение. На странице обсуждения могут быть подробности. ( Ноябрь 2018 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

Эта статья может быть слишком технической, чтобы ее могло понять большинство читателей . Пожалуйста, помогите улучшить его, чтобы он был понятен неспециалистам , не удаляя технические детали. ( Ноябрь 2018 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

Эта статья представлена в виде списка , но может читаться лучше как проза . Вы можете помочь, преобразовав эту статью , если это необходимо. Доступна помощь по редактированию . ( Март 2018 г. )

( Узнайте, как и когда удалить этот шаблон сообщения )

Машинное обучение и интеллектуальный анализ данных
Часть серии по

Проблемы Классификация Кластеризация Регресс Обнаружение аномалий AutoML Правила ассоциации Обучение с подкреплением Структурированный прогноз Функциональная инженерия Особенности обучения Онлайн обучение Полу-контролируемое обучение Обучение без учителя Учимся ранжировать Введение в грамматику
Обучение с учителем ( классификация • регрессия ) Деревья решений Ансамбли Упаковка Повышение Случайный лес k -NN Линейная регрессия Наивный байесовский Искусственные нейронные сети Логистическая регрессия Перцептрон Вектор релевантности (RVM) Машина опорных векторов (SVM)
Кластеризация БЕРЕЗА ИЗЛЕЧИВАТЬ Иерархический k -средство Ожидание – максимизация (EM) DBSCAN ОПТИКА Средний сдвиг
Снижение размерности Факторный анализ CCA ICA LDA NMF PCA PGD t-SNE
Структурированный прогноз Графические модели Сеть Байеса Условное случайное поле Скрытый Марков
Обнаружение аномалий k -NN Фактор местного выброса
Искусственная нейронная сеть Автоэнкодер Когнитивные вычисления Глубокое обучение DeepDream Многослойный перцептрон RNN LSTM ГРУ ESN Ограниченная машина Больцмана GAN SOM Сверточная нейронная сеть U-Net Трансформатор Пиковая нейронная сеть Мемтранзистор Электрохимическая RAM (ECRAM)
Обучение с подкреплением Q-обучение SARSA Временная разница (TD)
Теория Компромисс смещения и дисперсии Теория вычислительного обучения Минимизация эмпирического риска Обучение Оккама PAC обучение Статистическое обучение Теория ВК
Площадки для машинного обучения NeurIPS ICML ML JMLR ArXiv: cs.LG
Глоссарий искусственного интеллекта Глоссарий искусственного интеллекта
Статьи по Теме Список наборов данных для исследований в области машинного обучения Краткое описание машинного обучения
v т е

Автоматизированное машинное обучение ( AutoML ) - это процесс автоматизации процесса применения машинного обучения к реальным проблемам. AutoML охватывает весь конвейер от необработанного набора данных до развертываемой модели машинного обучения. AutoML был предложен как основанное на искусственном интеллекте решение постоянно растущей проблемы применения машинного обучения. ^[1]^[2] Высокая степень автоматизации в AutoML позволяет неспециалистам использовать модели и методы машинного обучения, не требуя сначала стать экспертом в этой области.

Автоматизация процесса применения сквозного машинного обучения дополнительно предлагает преимущества создания более простых решений, более быстрого создания этих решений и моделей, которые часто превосходят модели, созданные вручную.

Сравнение со стандартным подходом [ править ]

В типичном приложении машинного обучения у практикующих есть набор входных данных для обучения. Необработанные данные могут быть не в той форме, в которой к ним можно применить все алгоритмы. Для того, чтобы данные Аменабельный для машинного обучения, специалисту , возможно , придется использовать соответствующую предварительную обработку данных , функцию инженерию , выделение признаков и выбору особенность методы. После этих шагов практикующие должны затем выполнить выбор алгоритма и оптимизацию гиперпараметров, чтобы максимизировать прогностическую эффективность своей модели. Все эти шаги создают проблемы, которые становятся серьезным препятствием для начала работы с машинным обучением.

AutoML значительно упрощает эти шаги для неспециалистов.

Цели автоматизации [ править ]

Автоматизированное машинное обучение может быть нацелено на различные этапы процесса машинного обучения. ^[2] Шаги по автоматизации:

Подготовка и прием данных (из необработанных данных и разных форматов)
- Определение типа столбца ; например, логическое, дискретное числовое, непрерывное числовое или текстовое
- Обнаружение цели столбца; например, цель / метка, поле стратификации , числовой признак, категориальный текстовый объект или объект произвольного текста.
- Обнаружение задачи; например, двоичная классификация , регрессия , кластеризация или ранжирование
Функциональная инженерия
- Выбор функции
- Извлечение признаков
- Мета-обучение и трансферное обучение
- Обнаружение и обработка искаженных данных и / или отсутствующих значений
Выбор модели
Гиперпараметрическая оптимизация алгоритма обучения и характеристика
Выбор конвейера с учетом ограничений по времени, памяти и сложности
Выбор показателей оценки и процедур валидации
Проверка проблем
- Обнаружение утечки
- Обнаружение неправильной конфигурации
Анализ полученных результатов
Пользовательские интерфейсы и визуализации для автоматизированного машинного обучения

См. Также [ править ]

Поиск нейронной архитектуры
Нейроэволюция
Самонастройка
Интеллект нейронной сети
AutoAI
ModelOps

Ссылки [ править ]

^ Thornton C, Хуттер F, Hoos HH, Лейтон-Brown K (2013). Auto-WEKA: комбинированный выбор и гиперпараметрическая оптимизация алгоритмов классификации . KDD '13 Материалы 19-й международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных. С. 847–855.
^ а б Хаттер Ф., Каруана Р., Барденет Р., Биленко М., Гайон И., Кегль Б. и Ларошель Х. «AutoML 2014 @ ICML» . Семинар AutoML 2014 @ ICML . Проверено 28 марта 2018 .

Дальнейшее чтение [ править ]

«Инструменты AutoML с открытым исходным кодом: AutoGluon, TransmogrifAI, Auto-sklearn и NNI» . Бизеты . 2020-06-16.

Внешние ссылки [ править ]

Документация по Azure ML - что такое AutoML? - Документация по облачному сервису Microsoft Azure
Google Cloud AutoML , решение AutoML на Google Cloud Platform
AutoAI с IBM Watson Studio : автоматизация подготовки данных, разработки моделей, проектирования функций и оптимизации гиперпараметров в IBM Watson Studio
Oracle AutoML Pipeline , документация Oracle Ускоренное Science Data (ADS) SDK, библиотека Python включены как часть Oracle Cloud Infrastructure Science Data службы

[autoweka1-1] Thornton C, Хуттер F, Hoos HH, Лейтон-Brown K (2013). Auto-WEKA: комбинированный выбор и гиперпараметрическая оптимизация алгоритмов классификации . KDD '13 Материалы 19-й международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных. С. 847–855.

[AutoML2014ICML-2] а б Хаттер Ф., Каруана Р., Барденет Р., Биленко М., Гайон И., Кегль Б. и Ларошель Х. «AutoML 2014 @ ICML» . Семинар AutoML 2014 @ ICML . Проверено 28 марта 2018 .