Aprendizado de máquina automatizado - Automated machine learning

Parte de uma série sobre
Aprendizado de máquina e mineração de dados
Problemas Classificação Clustering Regressão Detecção de anomalia Limpeza de Dados AutoML Regras de associação Aprendizagem por reforço Previsão estruturada Engenharia de recursos Aprendizagem de recursos Aprendizagem online Aprendizagem semissupervisionada Aprendizagem não supervisionada Aprendendo a classificar Indução gramatical
Aprendizagem supervisionada ( classificação  • regressão ) Árvores de decisão Conjuntos Ensacamento Boosting Floresta aleatória k -NN Regressão linear Baías ingénuas Redes neurais artificiais Regressão logística Perceptron Máquina de vetor de relevância (RVM) Máquina de vetores de suporte (SVM)
Clustering BÉTULA CURA Hierárquico k- significa Expectativa-maximização (EM) DBSCAN ÓPTICA Mudança média
Redução de dimensionalidade Análise Fatorial CCA ICA LDA NMF PCA PGD t-SNE
Previsão estruturada Modelos gráficos Rede Bayes Campo aleatório condicional Markov Oculto
Detecção de anomalia k -NN Fator de outlier local
Rede neural artificial Autoencoder Computação cognitiva Aprendizagem profunda DeepDream Perceptron multicamadas RNN LSTM GRU ESN Máquina de Boltzmann restrita GAN SOM Rede neural convolucional U-Net Transformador Spiking rede neural Memtransistor RAM eletroquímica (ECRAM)
Aprendizagem por reforço Q-learning SARSA Diferença temporal (TD)
Teoria Compensação de polarização-variância Teoria de aprendizagem computacional Minimização de risco empírico Aprendizagem Occam Aprendizagem PAC Aprendizagem estatística Teoria VC
Locais de aprendizado de máquina NeurIPS ICML ML JMLR ArXiv: cs.LG
Artigos relacionados Glossário de inteligência artificial Lista de conjuntos de dados para pesquisa de aprendizado de máquina Esboço do aprendizado de máquina
v t e

Aprendizado de máquina automatizado ( AutoML ) é o processo de automatizar as tarefas de aplicação do aprendizado de máquina a problemas do mundo real. O AutoML cobre o pipeline completo, desde o conjunto de dados bruto até o modelo de aprendizado de máquina implantável. O AutoML foi proposto como uma solução baseada em inteligência artificial para o desafio cada vez maior de aplicar o aprendizado de máquina. O alto grau de automação do AutoML permite que não especialistas façam uso de modelos e técnicas de aprendizado de máquina sem exigir que se tornem especialistas em aprendizado de máquina. Automatizar o processo de aplicação de aprendizado de máquina de ponta a ponta também oferece as vantagens de produzir soluções mais simples, criação mais rápida dessas soluções e modelos que geralmente superam os modelos projetados à mão. O AutoML foi usado para comparar a importância relativa de cada fator em um modelo de predição.

Comparação com a abordagem padrão

Em um aplicativo típico de aprendizado de máquina, os profissionais têm um conjunto de pontos de dados de entrada a serem usados ​​para treinamento. Os dados brutos podem não estar em uma forma que todos os algoritmos possam ser aplicados a eles. Para tornar os dados passíveis de aprendizado de máquina, um especialista pode ter que aplicar apropriado pré-processamento de dados , engenharia de recurso , extração de características e de seleção de métodos. Após essas etapas, os profissionais devem realizar a seleção do algoritmo e a otimização do hiperparâmetro para maximizar o desempenho preditivo de seu modelo. Cada uma dessas etapas pode ser desafiadora, resultando em obstáculos significativos para o uso do aprendizado de máquina.

O AutoML simplifica drasticamente essas etapas para não especialistas.

Alvos de automação

O aprendizado de máquina automatizado pode atingir vários estágios do processo de aprendizado de máquina. As etapas para automatizar são:

• Preparação e ingestão de dados (de dados brutos e formatos diversos)
  • Detecção de tipo de coluna ; por exemplo, booleano, numérico discreto, numérico contínuo ou texto
  • Detecção de intenção de coluna; por exemplo, destino / rótulo, campo de estratificação , recurso numérico, recurso de texto categórico ou recurso de texto livre
  • Detecção de tarefas; por exemplo, classificação binária , regressão , agrupamento ou classificação
• Engenharia de recursos
  • Seleção de recursos
  • Extração de recursos
  • Meta aprendizagem e transferência de aprendizagem
  • Detecção e tratamento de dados distorcidos e / ou valores ausentes
• Seleção de modelo
• Otimização de hiperparâmetros do algoritmo de aprendizagem e caracterização
• Seleção de pipeline sob restrições de tempo, memória e complexidade
• Seleção de métricas de avaliação e procedimentos de validação
• Verificação de problemas
  • Detecção de vazamento
  • Detecção de configuração incorreta
• Análise dos resultados obtidos
• Criação de interfaces de usuário e visualizações

Veja também

• Pesquisa de arquitetura neural
• Neuroevolução
• Autoajuste
• Inteligência de rede neural
• AutoAI
• ModelOps

Referências

Leitura adicional

• "Ferramentas AutoML de código aberto: AutoGluon, TransmogrifAI, Auto-sklearn e NNI" . Bizety . 2020-06-16.