自動化機器學習 (AutoML)

模組預估長度：30 分鐘

學習目標

• 自動執行機器學習工作流程中的工作。
• 判斷使用 AutoML 與機器學習模型的優點和限制。
• 列舉常見的 AutoML 模式，並將這些模式套用至機器學習專案。

先決條件：

本單元假設您熟悉下列模組所涵蓋的概念：

• 機器學習簡介
• 線性迴歸
• 處理數值資料
• 處理分類資料
• 資料集、泛化和過度擬合

如果您要開始進行新的機器學習 (ML) 專案，可能會想知道是否只能透過手動訓練來建構機器學習模型。手動訓練時，您會使用機器學習架構編寫程式碼，以建立模型。在這個過程中，您可以選擇要探索的演算法，並逐步調整超參數，找出合適的模型。

當然，您不只需要考慮模型訓練。實際上，從原型設計到正式環境的機器學習模型建構作業，需要執行重複的工作，也需要專業技能。簡單的探索性 ML 工作流程如下所示：

圖 1：簡單的機器學習探索工作流程。

重複性工作：機器學習工作流程可能會涉及重複性工作和實驗。舉例來說，在模型開發期間，您通常需要探索不同的演算法和超參數組合，才能找出最合適的模型。透過手動訓練，您可以編寫專用程式碼來訓練模型，然後調整程式碼，以便使用不同的機器學習演算法和超參數執行實驗，找出最佳模型。對於小型或探索性專案而言，這個手動程序可能不會造成問題，但對於大型專案而言，這些重複的工作可能會耗費許多時間。

專門技能：手動開發機器學習模型需要專門技能。實際上，並非每個打算開發機器學習模型的團隊都具備這些技能。如果團隊沒有專屬的數據資料學家，手動執行這項工作可能就無法實現。

幸運的是，模型開發過程中的某些步驟可以自動化，藉此減少重複工作的負擔，並減少專業技能的需求。本單元將介紹自動化機器學習 (AutoML) 的相關主題，並說明如何自動執行這些工作。

什麼是 AutoML？

AutoML 是指自動執行機器學習工作流程中的特定工作。您可以將 AutoML 視為一組工具和技術，可加快機器學習模型的建構速度，並讓更多使用者存取這些模型。雖然自動化功能可協助完成整個機器學習工作流程，但與 AutoML 相關的任務通常是指圖 1 所示的模型開發週期。這些重複性工作包括：

• 資料工程
  • 特徵工程。
  • 特徵選取。
• 訓練
  • 找出合適的機器學習演算法。
  • 選擇最佳超參數。
• 分析
  • 根據測試和驗證資料集，評估訓練期間產生的指標。

使用 AutoML 時，您可以專注於機器學習問題和資料，而無須費心挑選特徵、調整超參數，以及選擇合適的演算法。

重要字詞：

• AutoML