Ayarlamaya veda, AutoML yeni kitabı yayınlandı (indirme ektedir)
Kaynak: Know-how
Bu makale hakkında 1900 Word, önerilen okuma 8 dakika.
"AUTOML" yazarı şu anda NIPS 2018 tarafından yayınlanacak olan bu yeni kitabın düzenlemesini tamamlıyor.
Yakın zamanda, Frank Hutter, Lars Kotthoff ve Joaquin Vanschoren tarafından yazılan "AUTOML: Methods, Systems, Challenges" "AUTOML: METHODS, SYSTEMS, CHALLENGES (NEW BOOK)" adlı 221 sayfalık taslak sürüm, arkasındaki tüm AutoML sistemlerini ayrıntılı olarak açıkladı. Temel AutoML bilgisi ve mevcut AutoML sistemi, Auto-WEKA, Hyperopt-Sklearn, Auto-sklearn vb. Hakkında derinlemesine bir açıklama ve sonunda AutoML'nin zorluklarını tanıttı. Yazar şu anda NIPS 2018 tarafından yayınlanacak olan bu yeni kitabın düzenlemesini tamamlıyor.
Sahne arkası özel mesaj yanıtı "1821" Kitabın tamamını PDF indirme bağlantısını edinin
Makine öğrenimi algoritmalarını kullandıysanız, algoritma ayarlamasının hakimiyetine girmenin dehşetini yaşamalısınız. Karmaşık algoritma parametreleriyle karşı karşıya kalan algoritma kullanıcıları, tıpkı samanlıkta iğne bulmak gibi, sürekli olarak sonsuz geceler geçirmek zorunda kalırlar. Bazen gece geç saatlere kadar fazla mesai yapıyorum ve sonunda güvenilir bir parametre kombinasyonu buluyorum, ancak parametre kombinasyonu gerçekten en iyisi mi bulundu? Tanrı bilir.
Bununla birlikte, bir makine öğrenimi bağlantısı oluşturma sürecinde, parametreleri ayarlamak genellikle zaman alıcıdır ve yoğun emek gerektirir. Son olarak, algoritma modeli oluşturuldu.Modelin cep telefonları ve PC terminalleri için bir hizmet olarak nasıl konuşlandırılacağı da geliştiricileri rahatsız eden büyük bir sorundur. Bazen, böyle bir bağlantıyı açmak için, farklı biçimlerdeki modeller ile sunucu arasındaki ilişkide hata ayıklamak bütün gece sürer.
2018 Google Cloud NEXT Konferansı'nda (Google CloudNext 18) Li Feifei, Google AutoML Vision'ın genel beta sürümüne girdiğini ve iki yeni AutoML ürününü piyasaya sürdüğünü duyurdu: AutoML Natural Language ve AutoML Translation.
Cloud AutoML adı verilen bu iddialı proje ortaya çıktığında, sektörde "Google Cloud geliştirmenin stratejik dönüşümü" olarak adlandırıldı - her zaman makine öğrenimi yapay zeka geliştiricilerine yönelik olan Google Cloud, hizmet hedefini bu kez genel halka çevirdi .
O zamanlar bu, saf vizyondan çeviri, video ve doğal dil işleme alanlarına doğru genişledi.
Google'ın büyük vizyonu bundan açıkça anlaşılıyor - sadece kendi etiket verilerinizi reform sistemine yüklemeniz gerekiyor ve eğitimli bir makine öğrenimi modeli elde edebilirsiniz. Verilerin içe aktarılmasından markalamaya ve model eğitimine kadar tüm süreç sürükle ve bırak arayüzüyle tamamlanabilir.
Aslında, Google'ın AutoML'yi yayınlamasından önce ve sonra, makine öğrenimi otomasyon ürünleri eğilimi arttı: 2017'nin sonunda Microsoft, resim, video, metin ve ses gibi çeşitli alanları kapsayan CustomVision.AI'yi piyasaya sürdü. Bu yılın Ocak ayında, tam otomatik bir Microsoft Custom Vision Services (Microsoft Custom Vision Services) platformu başlattılar.
Ek olarak, bir diğer popüler AI otomasyon ürünü OneClick.AI, hem geleneksel algoritmaları hem de derin öğrenme algoritmalarını içeren, 2017'nin sonunda piyasaya çıkan otomatik bir makine öğrenimi (AML) platformudur. Aynı yıl, Çin'de algoritma mühendislerini özgürleştirebileceklerini ve yapay zekayı otomatikleştirebileceklerini iddia eden birçok ilgili ürün ortaya çıktı.
AutoML nedir?Geleneksel olarak AutoML terimi, model seçimi ve / veya hiperparametre optimizasyonu için otomatikleştirilmiş yöntemleri açıklamak için kullanılmıştır. Bu yöntemler, rastgele ormanlar, gradyan artırma makineleri, sinir ağları vb. Gibi birçok algoritma türüne uygulanabilir. AutoML alanı, açık kaynak AutoML kitaplıklarını, seminerleri, araştırmaları ve yarışmaları içerir. Yeni başlayanlar genellikle bir model için farklı hiperparametreleri test ettiklerinde, genellikle tahminlere dayandıklarını ve sürecin bu bölümünü otomatikleştirmenin makine öğrenimini kolaylaştırabileceğini düşünürler. Deneyimli makine öğrenimi uygulayıcıları için bile, bu otomatik süreç onları hızlandırabilir.
Sektörde birçok AutoML kitaplığı vardır; bunların arasında AutoWEKA ilk olarak 2013 yılında piyasaya sürülmüştür ve modelleri ve hiperparametreleri otomatik olarak seçebilir. Diğer önemli AutoML kitaplıkları arasında auto-sklearn (AutoWEKA'yı python ortamına genişletir), H2O AutoML ve TPOT bulunur. AutoML.org (eski adıyla ML4AAD, AutomatedAlgorithm Design için Makine Öğrenimi) grubu, 2014 yılından beri ICML makine öğrenimi konferanslarında AutoML seminerleri düzenlemektedir.
AutoML kullanışlı mı?AutoML, modelleri seçmek ve hiper parametreleri optimize etmek için bir yol sağlar. Ayrıca, bir problemin olası performansı için kıyaslama sonuçları elde etmek için de kullanılabilir. Bu, veri bilimcilerinin değiştirileceği anlamına mı geliyor? Öyle değil, çünkü makine öğrenimi uygulayıcılarının yapacak başka işleri olduğunu biliyoruz.
Birçok makine öğrenimi projesi için, bir model seçmek, makine öğrenimi ürünleri oluşturmanın karmaşık sürecinin yalnızca bir parçasıdır. Bir önceki yazıda da belirttiğim gibi, katılımcılar projenin çeşitli bölümlerinin birbirleriyle nasıl ilişkili olduğunu anlamazlarsa proje kaçınılmaz olarak başarısız olacaktır. Sürece dahil olabilecek 30'dan fazla farklı adım düşünebilirim. Makine öğreniminin (özellikle derin öğrenmenin) en çok zaman alan iki yönünün verileri temizleme (makine öğreniminin ayrılmaz bir parçası olan) ve eğitim modelleri olduğunu vurgulamalıyım. AutoML, modellerin seçilmesine ve hiperparametrelerin seçilmesine yardımcı olabilse de, hangi veri bilimi becerilerine ihtiyaç duyulduğunu ve hala çözülmemiş olanları netleştirmemiz önemlidir.
Son adımda makine öğrenimi uygulayıcılarını daha verimli hale getirmek için AutoML yöntemine bazı alternatifler önereceğim.
Referanslar: 1. https://yq.aliyun.com/articles/629037 2. 3. https://www.automl.org/book/?utm_campaign=NLP%20Newsutm_medium=emailutm_source=Revue%20newsletter Tam metin kataloğuBölüm 1: AutoML yöntemi
Bu bölüm, tüm AutoML sistemlerinin ardındaki temel bilgilere güncel bir genel bakış içerir.
- Bölüm 1: Hiperparametre optimizasyonu. Matthias Feurer ve Frank Hutter tarafından yazıldı.
- Bölüm 2: Meta öğrenme. Yazar: Joaquin Vanschoren
- Bölüm 3: Sinir mimarisi araştırması. Yazar: Thomas Elsken, Jan-Hendrik Metzen ve Frank Hutter
Bölüm 2: AutoML sistemi
Bu bölüm, kutudan çıkar çıkmaz etkili makine öğrenimi için kullanılabilecek mevcut çeşitli AutoML sistemlerinin ayrıntılı bir açıklamasını içerir.
- Bölüm 4: Otomatik WEKA. Yazar: Lars Kotthoff, Chris Thornton, Holger H. Hoos, Frank Hutter ve Kevin Leyton-Brown
- Bölüm 5: Hyperopt-Sklearn. Brent Komer ve James Bergstra ve Chris Eliasmith tarafından yazıldı.
- Bölüm 6: Otomatik öğrenme: verimli ve güçlü otomatik makine öğrenimi. Yazar: MatthiasFeurer, Aaron Klein, Katharina Eggensperger, Jost Tobias Springenberg ve Manuel Blum ve Frank Hutter
- Bölüm 7: Otomatik ağ: Parametreleri otomatik olarak ayarlayan bir sinir ağı. Hector Mendoza ve Aaron Klein ve Matthias Feurer ve Jost Tobias Springenberg ve Matthias Urban ve Michael Burkart ve Max Dippel ve Marius Lindauer ve Frank Hutter tarafından
- Bölüm 8: TPOT: Otomatik makine öğrenimi için bir araç. Yazar: Randal S. Olson ve Jason H. Moore
- Bölüm 9: Otomatik istatistikçi. Christian Steinruecken ve Emma Smith ve David Janz ve James Lloyd ve Zoubin Ghahramani
Bölüm 3: AutoML'nin Zorlukları
Bu bölüm, şimdiye kadarki tüm AutoML zorluklarının derinlemesine bir analizini sağlar.
- Bölüm 10: 2015-2018 AutoML'de bir dizi zorluğu analiz edin. Isabelle Guyon, Lisheng Sun-Hosoya, Marc Boull e, Hugo Jair Escalante, Sergio Escalera ve Zhengying Liu, Damir Jajetic, Bisakha Ray, Mehreen Saeed, Michele Sebag, Alexander Statnikov, Wei-Wei Tu ve Evelyne Viegas tarafından yazılmıştır.
Sahne arkası özel mesaj yanıtı "1821" Kitabın tamamını PDF indirme bağlantısını edinin
Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " THU Veri Pastası "veya" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.
