AutoML新書-AutoML系統背後的基礎知識

vans專賣店每天為大家帶來全新潮流系列單品，為您的生活添加更多的色彩，為您的生活充滿活力，讓您每天不重複，精彩的人生從現在開始，敬請關注我們台灣vans官網，我們將全新的vans夯貨單品以及運動資訊將一一呈現給大家。

近期，由Frank Hutter, Lars Kotthoff, Joaquin vans 折扣 choren撰寫的新書《AUTOML：方法，系統，挑戰》221頁的草稿版本已經放出，詳細講解瞭AutoML系統背後的基礎知識，以及對當前AutoML系統進行瞭

近期，由Frank Hutter, Lars Kotthoff, Joaquin vans 折扣choren撰寫的新書《AUTOML：方法，系統，挑戰》221頁的草稿版本已經放出，詳細講解瞭AutoML系統背後的基礎知識，以及對當前AutoML系統進行瞭深入描述。新書將由NIPS 2018出版發行。 近期，由Frank Hutter, Lars Kotthoff, Joaquin vans sk8 hi價錢choren撰寫的《AUTOML：方法，系統，挑戰》 AUTOML: METHODS, SYSTEMS, CHALLENGES (NEW BOOK) 221頁的草稿版本已經放出，詳細講解瞭所有AutoML系統背後的基礎知識，以及對當前AutoML系統進行瞭深入描述，Auto-WEKA、Hyperopt-Sklearn、Auto-sklearn等，最後介紹瞭AutoML的挑戰。作者當前正在完成這本新書的編輯工作，它將由NIPS 2018出版發行。 如果你用過機器學習算法，那一定體驗被算法調參支配的恐怖。面對錯綜復雜的算法參數，算法使用者們往往要花費無盡的黑夜去不斷嘗試，猶如大海撈針。有的時候加班到深夜，終於找到瞭一個靠譜的參數組合，然而找到的參數組合真的是最優的麼？天知道。 然而在搭建機器學習鏈路的過程中，往往不止調參這一步耗時耗力。好不容易生成瞭算法模型，怎麼把模型部署成服務供手機、PC這些終端調用也是困擾開發同學的一大難題。有的時候，為瞭打通這樣的鏈路，要耗費整晚的時間調試不同格式的模型和服務端的關聯。 在2018年谷歌雲全球NEXT大會（Google CloudNext 18）上，李飛飛宣佈，谷歌AutoML Vision進入公共測試版，並推出瞭兩款新的AutoML產品：AutoML Natural Language和AutoML Translation。 這個名為Cloud AutoML的宏大項目浮出水面之時，被業內稱為 Google Cloud發展的戰略轉型 一直以來面向機器學習人工智能開發者的Google Cloud，這次將服務對象轉向瞭普羅大眾。 當時這一已經從單純的視覺拓展到翻譯、視頻和自然語言處理領域。 谷歌的宏偉願景由此可見一斑 你隻需在改系統中上傳自己的標簽數據，大能得到一個訓練好的機器學習模型。整個過程，從導入數據到標記到模型訓練，都可以通過拖放界面完成。 其實在谷歌發佈AutoML前後，機器學習自動化的產品風潮已經吹起：2017年底，微軟發佈CustomVision.AI，涵蓋圖像、視頻、文本和語音等各個領域。今年 1 月，他們又推出瞭完全自動化的平臺 Microsoft Custom Vision Services（微軟定制視覺服務）。 此外，另一個比較火爆的AI自動化產品OneClick.AI 是 2017 年底出現在市場上的一個自動化機器學習（AML）平臺，其中既包括傳統的算法，也包括深度學習算法。同年，國內也出現瞭不少相關產品，稱能夠解放算法工程師，讓AI自動化。 AutoML 是什麼? 傳統上，術語AutoML用於描述模型選擇和/或超參數優化的自動化方法。這些方法適用於許多類型的算法，例如隨機森林，梯度提升機器（gradient boosting machines），神經網絡等。 AutoML領域包括開源AutoML庫，研討會，研究和比賽。初學者常常覺得他們在為模型測試不同的超參數時通常僅憑猜測，而將這部分過程的自動化可以使機器學習變得更加容易。即使是對經驗豐富的機器學習從業者而言，這一自動化過程也可以加快他們的速度。 業內現存有許多AutoML庫，其中最早出現的是AutoWEKA，它於2013年首次發佈，可以自動選擇模型和超參數。其他值得註意的AutoML庫包括auto-sklearn（將AutoWEKA拓展到瞭python環境），H2O AutoML和TPOT。 AutoML.org（以前被稱為ML4AAD，Machine Learning for AutomatedAlgorithm Design）小組，自2014年以來一直在ICML機器學習學術會議上組織AutoML研討會。 AutoML 有用嗎？ AutoML提供瞭一種選擇模型和優化超參數的方法。它還可以用於獲取對於一個問題可能性能的基準結果。這是否意味著數據科學傢將被取代？ 並非如此，因為我們知道，機器學習從業者還有許多其他事情要做。 對於許多機器學習項目，選擇模型不過是構建機器學習產品復雜過程中的一部分。 正如我在上一篇文章中所述，如果參與者不瞭解項目各個部分是如何相互關聯的，那麼項目必然會失敗。我能想到過程中可能會涉及的30多個不同步驟。我必須要強調，機器學習（特別是深度學習）中最耗時的兩個方面是清理數據（這是機器學習中不可或缺的一部分）和訓練模型。 雖然AutoML可以幫助選擇模型並選擇超參數，但重要的是，我們仍然要理清有哪些數據科學的技能是需要的以及那些仍未解決的難題。 我將提出一些替代AutoML方法的建議，以使機器學習從業者在進行最後一步時更有效率。 參考文獻： 1.https://yq.aliyun.com/articles/629037 2.http://www.fast.ai/2018/07/16/auto-ml2/#auto-ml 3.https://www.automl.org/book/?utm_campaign=NLP%20News&utm_medium=email&utm_source=Revue%20newsletter AUTOML: METHODS, SYSTEMS, CHALLENGES (NEW BOOK)新書獲取地址： https://www.automl.org/book/ 全文目錄如下： 第一部分：AutoML方法 本部分包含有關所有AutoML系統背後的基礎知識的最新概述。 第1章：超參數優化。由Matthias Feurer和Frank Hutter撰寫 第2章：元學習。

想要了解更多關於vans懶人鞋資訊消息的朋友，不妨關注台灣vans官網後續的報道消息。也可以添加Line：TWDK進行咨詢。全場所有新品低至7折起，新款不斷上架，週日週末購物更是享有專屬折扣優惠，驚喜連連，正品夯貨，支持專櫃驗證，7天鑒賞期，7天無理由退換貨，心動，不如行動，趕緊來選購吧！（http://www.vanstaiwan.com.tw/）