机器学习的目标是利用模型来建立模型表现形式，然后用这些模型来判断新的代价。
在演习中，机器学习算法改进了模型，类似于人类幼儿通过监督下的教诲和打仗的稠浊学习来习得基本措辞的办法。

它是一个将机器学习过程的每个步骤都打算机化的平台，从管理原始数据集到安装一个有用的机器学习模型。

AutoML 的用场探求一种适用于数据集的模型：每一种数据集都有多种方法，比如逻辑回归、决策树等等，而确定数据集的最佳策略可能是一个耗时的过程，须要大量的研究和定制。
超参数优化：每一种机器学习技能都包含代表每个变量权重的参数。
大多数机器学习模型，除了参数外，还有超参数，常日都包含 dropout 和模型特定的参数，比如随机森林中的树的数量。
开拓者在演习阶段开始之前确定其值。
由于超参数不同于模型参数，演习过程中没有通过数据学习，因此它们常日在演习阶段是恒定的。
对超参数的最佳选择可以得到最准确的模型，但是须要有一种策略来决定空想的组合。
特色选择：特色工程是一个确定最佳变量集以及最佳编码的过程，用于演习过程的输入。
最燃最好的特色常日依赖于所用的模型，但特色对付模型的构建是必不可少的。
其余，采取的特色的数量会影响模型的开拓和评分的韶光，并有可能减缓全体过程。
它用机器化的审查程序来确定哪种特色组合最有效。
AutoML 的主要性无需人工干预：它可以将每个步骤打算机化，减少人工干预。
易于利用：它简化了机器学习方法的利用。
最大限度地利用资源：它使得任何商业或企业不须要投入额外的韶光和金钱来探求所有的专业职员，就能得到更高的投资回报。
通用：通过 AutoML，金融、营销、零售、交通和医疗保健等组织可以很随意马虎地从人工智能和机器学习中获益。
有利于数据科学家：科学家们将能够更加专注于具有寻衅性的问题，而非演习模型或做其他活动。
事情事理

在将一个机器学习模型付诸履行的过程中，分为几个阶段。

传统的机器学习须要以下步骤：

从多种来源网络数据，并把它们合并到一个媒介中。
为了直策应用数据进行测试，须要做一些处理。
包括打消重复、处理丢失值和检测泄露。
机器学习过程的下一个阶段是特色工程，它试图将分类和序数值转换成数字特色。
为了选择得当的模型，以及决定哪一种模型在数据集中性能最好，须要进行额外的研究。
这一阶段须要演习、剖析和评估它的最佳性能。
超参数调优也用于通过微调参数来改进性能。
终极基于先前未知值天生预测结果。
机器学习为教授利用机器学习模型的提问供应答案。

利用 AutoML 就可以减少这些步骤。
AutoML 侧重于第一阶段的数据采集和末了一步的预测。
正如名称所示，所有其他的中间阶段都是打算机化的。
它利用组合值作为输入，并天生预测值作为输出。
其天生的优化模型可用于预测。

AutoML 在现实生活中的运用金融敲诈的检测：它有可能提高敲诈检测算法的准确性和精确度。
图像识别：可用来识别人脸。
网络安全：可用于网络安全方面的风险评估、监测和测试。
恶意软件：恶意软件和垃圾邮件是它可以用来创造适应性强的网络威胁的例子。
娱乐：可作为内容选择引擎。
客户做事：它可以用来剖析谈天机器人的感情，并提高客户做事团队的效率。
营销：它可以被用来通过预测剖析来提高参与率。
还可以利用它来提高社交媒体行为营销举措的效果。
医疗保健研究和开拓：它可以评估大数据量并得出结论。
热门 AutoML 平台Google Cloud AutoML：这是一个在云端中自动化机器学习的平台。
它可以让你快速地创建自己独特的机器学习模型。
SMAC：SMAC 是改进算法参数的一个强大工具。
对付机器学习算法的超参数调度相称有用。
Auto-Keras：这是一款由得克萨斯州农工大学和其他社区成员互助创建的免费开源代码库。
该库被认为是供应自动搜索超参数和深度学习架构的方法。
Auto-sklearn：它基于 scikit-learn ML。
为每个数据网络找到最佳方法，然后调度超参数。
数据科学家事情的未来

在我们谈论自动化是否会扼杀事情机会之前，有必要理解数据科学和机器学习的差异。

数据学家利用工程学、统计学和人类学的专业知识，从业务角度理解数据，并供应可靠的洞察力和预测。
与此同时，机器学习算法有助于组织模式的识别。
但是，它们在数据驱动过程中的功能局限于对未来事宜产生预测。
它们还不能完备理解详细数据对公司及其关系的意义。

事实上，低层次任务的某些方面可能会被打算机化，这会导致失落去某些事情，降落总体收入。
不过，请把稳，AutoML 的紧张目标是使科学家摆脱繁琐费时的事情。

AutoML 只是使科学家更随意马虎关注繁芜的问题。
这也带来了巨大的需求。
但是，如前所述，机器学习技能缺少人的好奇心和动力来建立和验证研究。
目前只有数据科学家才能这样做。

打算机将无法取代人类的决策和认知。
从长远来看，技能的进步会增加这种情形发生的可能性，但是我们永久不知道未来会发生什么。

作者先容：

Gunjan，有抱负的数据科学家，技能博客作家。

原文链接：

https://medium.com/codex/what-is-automl-2e29b5364784