אם אתם מתחילים פרויקט חדש של למידת מכונה (ML), יכול להיות שאתם תוהים אם אימון ידני הוא האפשרות היחידה שלכם לפיתוח מודל למידת מכונה. ב- באימון ידני, כותבים קוד באמצעות framework של למידת מכונה כדי ליצור מודל. במהלך את התהליך הזה בוחרים אילו אלגוריתמים רוצים לחקור ולכוונן באופן חזרתי היפר-פרמטרים כדי למצוא את המודל המתאים.
כמובן, אימון מודלים הוא לא הדבר היחיד שצריך לחשוב עליו. לחשבון להתאמן, לפתח מודל למידת מכונה מאב-טיפוס ועד לייצור כוללת משימות שחוזרות על עצמן ומיומנויות ספציפיות. למידת מכונה חקירה פשוטה תהליך העבודה נראה בערך כך:
משימות שחוזרות על עצמן – תהליך העבודה של למידת מכונה יכול לכלול מטלות שחוזרות על עצמן לבצע במהירות ניסויים, לדוגמה, במהלך פיתוח המודל צריך בדרך כלל לחקור שילובים שונים של אלגוריתמים והיפר-פרמטרים כדי לזהות המתאים ביותר. באימון ידני, כותבים קוד מיוחד לאמן את המודל ואז לשנות את הקוד כדי להריץ ניסויים בלמידת מכונה ובהיפר-פרמטרים, כדי למצוא את המודל הטוב ביותר. לצילום קטן או לניתוח נתונים בפרויקטים גדולים, התהליך הידני הזה לא עלול להוות בעיה, אבל בפרויקטים גדולים יותר משימות שחוזרות על עצמן יכולות להימשך זמן רב.
פעילויות מיוחדות – פיתוח ידני של מודל למידת מכונה כרוך מיומנויות. בפועל, לא כל צוות שמתכננים לפתח מודל למידת מכונה עשויים להיות בעלי המיומנויות האלה. אם לצוות אין מדעני נתונים ייעודי, ייתכן אפילו שלא ניתן לבצע עבודה ידנית.
למרבה המזל, אפשר לבצע באופן אוטומטי שלבים מסוימים בפיתוח המודל כדי לצמצם העומס של עבודה שחוזרת על עצמה והצורך במיומנויות מומחיות. האפשרות הזו תפעל באופן אוטומטי הוא הנושא של יחידת הלימוד הזו בנושא למידת מכונה אוטומטית (AutoML).
מה זה AutoML?
AutoML הוא תהליך של אוטומציה משימות מסוימות בתהליך עבודה של למידת מכונה. אפשר לחשוב על AutoML כעל קבוצה של כלים וטכנולוגיות שבזכותם מודלים של למידת מכונה מהירים ונגישים יותר לקבוצה רחבה יותר של משתמשים. אוטומציה יכולה לעזור בתהליך העבודה של למידת מכונה, אבל המשימות שלרוב שמשויכים ל-AutoML הם אלה שכלולים במחזור פיתוח המודל. שמוצגת באיור 1. אלה המשימות שחוזרות על עצמן:
- הנדסת מערכות מידע
- הנדסת פיצ'רים (feature engineering).
- בחירת תכונה.
- הדרכה
- זיהוי אלגוריתם מתאים של למידת מכונה.
- בחירת ההיפר-פרמטרים הטובים ביותר.
- ניתוח
- להעריך מדדים שנוצרו במהלך האימון על סמך בדיקה ומערכי נתונים לאימות.
בעזרת AutoML תוכלו להתמקד בבעיה ובנתונים שלכם בלמידת המכונה, במקום במאפיינים בחירה, כוונון היפר-פרמטרים ובחירת האלגוריתם הנכון.