自动化机器学习

自动化机器学习

自动化机器学习（Automated Machine Learning）是指将模型开发与部署过程自动化，涵盖特征工程、特征选择、模型选择、超参数优化以及模型部署等环节。在本课中，我们将介绍一些用于自动化机器学习的开源和商业工具与技术。

微软的神经网络智能（Neural Network Intelligence）

神经网络智能（NNI）由微软开发，可用于自动化以下任务：

• 特征工程
• 神经网络结构搜索
• 超参数调优
• 模型压缩

NNI 为用户提供命令行工具和友好的 Web 用户界面，便于运行和管理实验。
它内置支持多种前沿算法。

Google Cloud AutoML

Google Cloud AutoML 集成于谷歌云平台，帮助用户训练高质量的机器学习模型，在数据科学领域广受欢迎。其最大优势在于，即使不具备深厚的机器学习知识，用户也能构建出色的模型。AutoML 的诞生源于论文《使用强化学习进行神经网络结构搜索》，其核心是为当前数据集寻找最优的神经网络结构。谷歌推出了以下 AutoML 产品：

• AutoML Vision：基于深度学习解决计算机视觉问题。
• AutoML Natural Language：处理非结构化数据集的自然语言任务。
• AutoML Translation：实现机器翻译，将一种语言转换为另一种语言。
• AutoML Tables：针对结构化数据集的问题求解。
• AutoML Video Intelligence：用于视频内容分析。

亚马逊 SageMaker

亚马逊 SageMaker 由亚马逊云服务（AWS）提供，能够在 AWS 生态系统中自动构建、训练和调优机器学习模型。该服务在社区中被广泛用于模型训练与部署。

Ludwig

Ludwig 允许用户无需编写代码即可构建机器学习模型。用户只需指定输入列和输出列，系统便会自动完成建模过程。

H2O Driverless AI

H2O Driverless AI 是一款屡获殊荣的自动化机器学习平台，在多个 Kaggle 竞赛中表现优异。其主要功能包括自动数据可视化、自动特征工程、时间序列预测、机器学习模型可解释性等。

Azure 自动化机器学习

Microsoft Azure 是微软提供的云计算平台。其自动化机器学习功能提供丰富的支持，包括自动特征工程、模型自动化部署，以及为非专业数据科学家提供低代码甚至无代码的建模体验。