如果您正在启动一个新的机器学习 (ML) 项目，您可能想知道 手动训练是构建机器学习模型的唯一选择。包含 手动训练时，您需要使用机器学习框架编写代码来创建模型。中 在此过程中，您可以选择要探索的算法并进行迭代调整 来找到合适的模型。
当然，模型训练并不是您需要考虑的唯一方面。在 构建机器学习模型（从原型设计到生产） 涉及重复性任务和专业技能。简单的探索性机器学习 的工作流如下：
重复性任务 - 机器学习工作流可能涉及重复性工作， 。例如，在模型开发期间，您通常需要 探索算法和超参数的不同组合，以确定 最合适的模型。通过手动训练，您可以编写专门的代码来 训练模型，然后调整代码以使用不同的机器学习运行实验 算法和超参数，以找到最佳模型。适用于小型或探索性 手动完成这个过程可能没什么问题 重复性任务可能非常耗时。
专业技能 - 手动开发机器学习模型涉及 技能。在实践中，并非每个计划开发机器学习模型的团队 都可能具备这些技能如果团队没有专门的数据科学家， 手动完成这项工作可能根本不可行。
幸运的是，模型开发中的某些步骤可以自动执行， 重复性工作的负担以及专业技能的需求。自动执行这些任务 是本单元介绍自动化机器学习 (AutoML) 的主题。
什么是 AutoML？
AutoML 是一个自动执行的流程， 机器学习工作流中的某些任务。 您可以将 AutoML 看作是一套工具和技术， 更快速、更易于访问的机器学习模型。 虽然自动化可以在整个机器学习工作流中起到帮助作用，但通常 与 AutoML 关联的是模型开发周期中包含的模型 如图 1 所示。这些重复性任务包括：
- 数据工程
<ph type="x-smartling-placeholder">
- </ph>
- 特征工程。
- 特征选择。
- 训练
<ph type="x-smartling-placeholder">
- </ph>
- 确定合适的机器学习算法。
- 选择最佳超参数。
- 分析
<ph type="x-smartling-placeholder">
- </ph>
- 根据测试和 验证数据集。
借助 AutoML，您可以专注于机器学习问题和数据，而不是特征 调整超参数，并选择合适的算法。