一、认识自动机器学习
1、自动机器学习的概念：
自动机器学习（AutoML） 旨在通过让一些通用步骤 (如数据预处理、模型选择和调整超参数) 自动化，来简化机器学习中生成模型的过程。AutoML是指尽量不通过人来设定超参数，而是使用某种学习机制，来调节这些超参数。这些学习机制包括传统的贝叶斯优化，多臂老虎机（multi-armed bandit），进化算法，还有比较新的强化学习。当我们提起AutoML时，我们更多地是说自动化数据准备（即数据的预处理，数据的生成和选择）和模型训练（模型选择和超参数调优）。这个过程的每一步都有非常多的选项（options），根据我们遇到的问题，需要设定各种不同的选项。
2、自动机器学习的分类：
1、传统AutoML
（1）贝叶斯优化
贝叶斯优化是一种近似逼近的方法，用各种代理函数来拟合超参数与模型评价之间的关系，然后选择有希望的超参数组合进行迭代，最后得出效果最好的超参数组合。
（2）Multi-armed Bandit
multi-armed bandit是非常经典的序列决策模型，要解决的问题是平衡“探索”(exploration)和“利用”(exploitation)。这类算法，通过将自动调参问题，转化为bandit问题，配置更多资源给表现更优异的参数模型。
2、深度AutoML
（1）进化算法
一般的进化算法其实大同小异，差别在如何选择变异，有比较细的变异。这些进化算法在做自动模型选择时，每次迭代都不可避免的需要在整个数据集上跑若干个epoch，而每次迭代都有许多个变异，又需要很多次迭代，导致最后的训练时间太久。
（3）强化学习
强化学习在nas和ho两方面都有应用。强化学习在深度学习中的应用可谓方方面面，比如用强化学习做图像的增强学习 、device配置等等，但是强化学习的问题在于每一类问题，哪怕换一份相近的数据，也要从头训练；而且训练消耗的时间非常长。
二、为什么需要自动机器学习
对于机器学习的新用户而言，使用机器学习算法的一个主要的障碍就是算法的性能受许多的设计决策影响。随着深度学习的流行，工程师需要选择相应的神经网络架构，训练过程，正则化方法，超参数等等，所有的这些都对算法的性能有很大的影响。于是深度学习工程师也被戏称为调参工程师。
自动机器学习（AutoML）的目标就是使用自动化的数据驱动方式来做出上述的决策。用户只要提供数据，自动机器学习系统自动的决定最佳的方案。领域专家不再需要苦恼于学习各种机器学习的算法。
自动机器学习不光包括大家熟知的算法选择，超参数优化，和神经网络架构搜索，还覆盖机器学习工作流的每一步。
自动机器学习（AutoML）的用处就在于此，它帮助研究人员和从业者，自动构建机器学习（ML）管道，将多个步骤及其对应的多个选项集成为工作流，以期快速找到针对给定问题的高性能机器学习（ML）模型。
以上就是自动机器学习的全部介绍，相信大家对它的概念和用处都有了一定的了解。如果大家对人工智能还有进一步的学习欲望，可以在网上找这方面的学习视频，进行更加深入的学习。
我是白又白i，一名喜欢分享知识的程序媛❤️
感兴趣的可以关注我的公众号：白又白学Python【非常感谢你的点赞、收藏、关注、评论，一键三连支持】、
