Wenn Sie ein neues Projekt für maschinelles Lernen (ML) starten, fragen Sie sich vielleicht, ob manuelles Training die einzige Möglichkeit ist, ein Modell für maschinelles Lernen zu erstellen. Mit manuellen Trainings schreiben Sie Code mit einem ML-Framework, um ein Modell zu erstellen. Währenddessen wählen Sie aus, welche Algorithmen untersucht und iterativ optimiert werden. um das richtige Modell zu finden.
Natürlich müssen Sie nicht nur auf das Modelltraining achten. In das Erstellen eines ML-Modells vom Prototyp bis zur Produktion wiederkehrende Aufgaben und spezialisierte Fähigkeiten. Ein einfaches exploratives ML sieht der Workflow in etwa so aus:
Sich wiederholende Aufgaben: Der ML-Workflow kann wiederkehrende Aufgaben und zu experimentieren. Zum Beispiel müssen Sie bei der Modellentwicklung verschiedene Kombinationen von Algorithmen und Hyperparametern zu untersuchen, am besten geeignet ist. Beim manuellen Training schreiben Sie speziellen Code Trainieren Sie das Modell und passen Sie den Code dann an, um Tests mit verschiedenen ML-Modellen auszuführen. um das beste Modell zu finden. Für kleine oder experimentelle Projekte ist dieser manuelle Prozess zwar kein Problem, aber für größere Projekte wiederholte Aufgaben zeitaufwändig sein.
Fachkenntnisse: Die manuelle Entwicklung eines ML-Modells umfasst spezialisierte Fertigkeiten. In der Praxis kann nicht jedes Team, das die Entwicklung eines ML-Modells plant, die diese Fähigkeiten besitzen. Hat ein Team keinen speziellen Data Scientist, ist diese Arbeit manuell vielleicht nicht einmal realisierbar.
Glücklicherweise lassen sich bestimmte Schritte in der Modellentwicklung automatisieren, mit sich wiederholenden Arbeiten und dem Bedarf an Spezialfähigkeiten. Diese werden automatisiert Tasks in diesem Modul über automatisiertes maschinelles Lernen (AutoML) behandelt wird.
Was ist AutoML?
AutoML ist ein Automatisierungsprozess, bestimmte Aufgaben in einem ML-Workflow. Stellen Sie sich AutoML als eine Reihe von Tools und Technologien vor, die das Erstellen Modelle für maschinelles Lernen schneller und zugänglicher für eine größere Gruppe von Nutzern. Auch wenn Automatisierung im gesamten ML-Workflow hilfreich sein kann, die mit AutoML verknüpft sind, werden im Modellentwicklungszyklus berücksichtigt. wie in Abbildung 1 dargestellt. Zu diesen wiederholten Aufgaben gehören:
- Data Engineering
<ph type="x-smartling-placeholder">
- </ph>
- Feature Engineering
- Auswahl von Merkmalen.
- Schulungen
<ph type="x-smartling-placeholder">
- </ph>
- Einen geeigneten ML-Algorithmus identifizieren
- Die besten Hyperparameter auswählen
- Analyse
<ph type="x-smartling-placeholder">
- </ph>
- Die Bewertung von Messwerten, die während des Trainings anhand von Tests und Validierungs-Datasets.
Mit AutoML können Sie sich auf Ihre ML-Probleme und Daten konzentrieren, anstatt auf Features. Auswahl, Feinabstimmung von Hyperparametern und Auswahl des richtigen Algorithmus.