Jeśli zaczynasz tworzyć nowy projekt z systemami uczącymi się, być może zastanawiasz się, jeśli trenowanie ręczne jest jedyną opcją stworzenia modelu systemów uczących się. Na ręcznie trenujesz, piszesz kod przy użyciu platformy ML w celu utworzenia modelu. W trakcie W tym procesie należy wybrać algorytmy, które zostaną zbadane i dostrojone iteracyjnie za pomocą hiperparametrów do znalezienia odpowiedniego modelu.
Oczywiście trenowanie modeli to nie jedyna rzecz, o której warto pamiętać. W ćwiczeń, tworzenia modelu systemów uczących się – od prototypu do wersji produkcyjnej wymaga powtarzalnych zadań i wyspecjalizowanych umiejętności. Prosty eksploracyjny ML przepływ pracy wygląda mniej więcej tak:
![Rysunek 1. Prosty przepływ pracy w systemach uczących się.](https://developers.google.cn/static/machine-learning/crash-course/automl/images/ml-workflow.png?authuser=5&hl=pl)
Powtarzające się zadania – przepływ pracy ML może obejmować powtarzalną pracę z eksperymentami. Na przykład przy tworzeniu modelu zwykle trzeba zbadać różne kombinacje algorytmów i hiperparametrów, aby zidentyfikować dla najodpowiedniejszego modelu. Podczas trenowania ręcznego piszesz specjalny kod, wytrenuj model, a następnie dostosuj kod pod kątem przeprowadzania eksperymentów z różnymi systemami uczącymi się za pomocą algorytmów i hiperparametrów do znalezienia najlepszego modelu. Do badań niewielkich i eksploracyjnych ręczny proces może nie stanowić problemu, ale w przypadku większych projektów i powtarzalne zadania mogą być czasochłonne.
Umiejętności specjalistyczne – ręczne opracowanie modelu ML wymaga specjalistycznych umiejętności umiejętnościami. W praktyce nie każdy zespół, który planuje opracować model systemów uczących się, może dysponują tymi umiejętnościami. Jeśli zespół nie zatrudnia dedykowanego badacza danych, jego ręczna praca może być nawet niewykonalna.
Na szczęście niektóre etapy tworzenia modelu można zautomatyzować, aby zmniejszyć Ciężka praca powtarzalna i potrzeba specjalistycznych umiejętności. Zautomatyzuję te elementy są tematem tego modułu dotyczącego zautomatyzowanych systemów uczących się (AutoML).
Co to jest AutoML?
AutoML to proces automatyzacji do określonych zadań w systemach uczących się. AutoML to zbiór narzędzi i technologii, dzięki którym szybsze modele systemów uczących się i bardziej dostępne dla szerszej grupy użytkowników. Automatyzacja może pomóc w całym przepływie pracy związanym z systemami uczącymi się, jednak zadania, które są często powiązane z AutoML to te, które są uwzględnione w cyklu tworzenia modelu na rys. 1. Te powtarzające się zadania to:
- Inżynieria danych
- Inżynieria cech.
- Wybór funkcji.
- Szkolenia
- Określenie odpowiedniego algorytmu ML.
- Wybór najlepszych hiperparametrów.
- Analiza
- Ocena wskaźników wygenerowanych podczas trenowania na podstawie testów i do weryfikacji danych.
Dzięki AutoML możesz skupić się na swoim problemie i danych związanych z systemami uczącymi się, a nie na funkcjach dostrajanie hiperparametrów i wybór odpowiedniego algorytmu.