目录
超参数优化（Hyperparameter Optimization）
人工智能 (AI) 和机器学习(ML)正在推动商业变革和创新，开创了技术驱动运营、流程和商业模式的新时代。
随着机器学习开发在各行各业的普遍应用，ML开发流程的改进又有了新的进展，自动化机器学习 (AutoML) 就是其中之一。
AutoML可以帮助缺少机器学习算法经验的开发人员开展工作，也可以帮助有经验的数据科学家优化工作流程。
自动化机器 (AutoML) 学习的好处
自动化机器适用于各行各业，有助于更好地管理模型部署，帮助数据科学和开发人员试验新模型。 自动化机器还支持大型数据集的使用，添加可定制功能，帮助数据准备、边缘计算以及增强模型的可伸缩性。
深入了解自动化机器学习（AutoML）
ML需要编程经验，而AutoML通过改进代码生成来简化开发。ML的过程很复杂，从编码、数据收集和清理、模型训练到模型部署等各个环节， 而AutoML则能够帮助人们搜索算法，并为机器学习发展的每个阶段找到最佳解决方案。
特征工程
特征工程是从原始数据集中选择完整元素来开发ML模型的过程。自动化特征工程有助于减少特征工程的时间，特征工程是一个漫长的过程，可能需要几天的时间，因为数据科学家需要尝试不同的特征组合。
AutoML有助于克服特征工程中的挑战，包括维护不同的特征模型版本，简化特征定义，跟踪不同的特征和模型。
超参数优化（Hyperparameter Optimization）
ML模型的某些部分需要进行调优，称为超参数优化。较基础的ML模型可手动完成，而对于深度学习来说，难度会呈指数级增长。
自动化该过程可帮助开发人员缩小数据范围，专注于模型创建背后的原因，而不是如何创建模型。这使开发人员和数据科学家可专注于改进模型的特定方面，从而改善分析，用于处理不同的行业案例，如金融服务中的欺诈检测等。
神经架构检索(NAS)
为深度学习应用创建一个神经体系结构极具挑战性，且需要大量计算。AutoML在该领域的目的是民主化深度学习，以便提高模型效率和减少模型开发中的错误。
AutoML功能有助于快速评估体系结构，使开发人员得以利用NAS的适应性，增强优化和性能。NAS带来的灵活性让各行各业从自动化中获益。
自动化机器学习的未来
跨行业的公司可从AutoML功能中受益，并为开发和数据科学团队提供自动化支持。AutoML有助于提高模型开发和部署的速度和效率，帮助经验较少的开发人员利用机器学习，并为经验丰富的数据科学人员提供更多工具。
如果你想要在机器学习和人工智能领域发展，可以参加simplilearn圣普伦的机器学习训练营，课程包括58小时的应用学习、互动实验室、4个实践项目和指导，通过圣普伦机器学习认证培训，你将会掌握机器学习认证考试所需的机器学习知识，比如数据预处理、监督学习和无监督学习、时间序列建模、回归以及文本挖掘等。