導(dǎo)讀：我們?cè)谥暗奈恼隆丁分懈攀隽巳斯ぶ悄?#xff0c;并引出了AutoML——自動(dòng)化機(jī)器學(xué)習(xí)。本文將介紹AutoML的概述、發(fā)展和研究意義等概念性知識(shí)。

作者：王健宗 瞿曉陽(yáng)

來源：大數(shù)據(jù)（ID：hzdashuju）

01 AutoML概述

傳統(tǒng)的人工智能旨在使用機(jī)器幫助人類完成特定的任務(wù)，隨著人工智能的發(fā)展，在計(jì)算機(jī)領(lǐng)域衍生出了機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)旨在通過計(jì)算機(jī)程序完成對(duì)數(shù)據(jù)的分析，從而得到對(duì)世界上某件事情的預(yù)測(cè)并做出決定。

隨著機(jī)器學(xué)習(xí)的不斷發(fā)展，其復(fù)雜程度也在不斷增高，如果還完全依靠人為規(guī)定，使計(jì)算機(jī)按照設(shè)定的規(guī)則運(yùn)行，會(huì)耗費(fèi)大量的人力資源。如果讓計(jì)算機(jī)自己去學(xué)習(xí)和訓(xùn)練規(guī)則，是否能達(dá)到更好的效果呢？

跟隨這一意愿的提出，就出現(xiàn)了本文的核心思想——自動(dòng)化人工智能，也就是所謂“AI的AI”。讓AI去學(xué)習(xí)AI，從而減少人工的參與，讓機(jī)器完成更復(fù)雜的工作，這掀起了下一代人工智能的浪潮。

1. 什么是自動(dòng)化

在介紹自動(dòng)化人工智能之前，先讓我們了解一下什么是自動(dòng)化。傳統(tǒng)的自動(dòng)化是指讓機(jī)器等設(shè)備在沒有人或者只有較少人參與的情況下，按照人的要求，完成一系列任務(wù)。自動(dòng)化被廣泛應(yīng)用于各種行業(yè)，包括農(nóng)業(yè)、工業(yè)、商業(yè)、醫(yī)療等領(lǐng)域。

從20世紀(jì)40年代中期電子數(shù)字計(jì)算機(jī)的發(fā)明開始，數(shù)字程序控制便成為了一個(gè)新的發(fā)展方向。20世紀(jì)50年代末期，微電子技術(shù)開始發(fā)展，1958年出現(xiàn)晶體管計(jì)算機(jī)，1965年出現(xiàn)集成電路計(jì)算機(jī)，1971年出現(xiàn)單片微處理器。

微處理器的出現(xiàn)對(duì)控制技術(shù)產(chǎn)生了重大影響，控制工程師可以很方便地利用微處理器來實(shí)現(xiàn)各種復(fù)雜的控制，使綜合自動(dòng)化成為現(xiàn)實(shí)。

自動(dòng)化的概念跟隨時(shí)代變化不斷發(fā)展。以前，自動(dòng)化被認(rèn)為是讓機(jī)器代替人工操作、完成復(fù)雜的特定工作任務(wù)。后來隨著電子和信息技術(shù)的發(fā)展，特別是隨著計(jì)算機(jī)的出現(xiàn)和廣泛應(yīng)用，自動(dòng)化的概念被認(rèn)為是用機(jī)器（包括計(jì)算機(jī)）不僅要代替人的體力勞動(dòng)，還要代替或輔助腦力勞動(dòng)，以自動(dòng)地完成特定的任務(wù)。

隨著自動(dòng)化的發(fā)展，各行各業(yè)對(duì)于自動(dòng)化的需求不斷增加，且對(duì)人工智能的普及和應(yīng)用的要求也越來越高，成本、精確度、效率等都影響著人工智能在現(xiàn)實(shí)生活中的應(yīng)用。在人工智能應(yīng)用的快速增長(zhǎng)中，為了提高其水平，出現(xiàn)了對(duì)機(jī)器學(xué)習(xí)的需求。

那么如何將自動(dòng)化的思想應(yīng)用到機(jī)器學(xué)習(xí)中呢？

2. AutoML的起源與發(fā)展

AutoML（Automated Machine Learning，自動(dòng)化機(jī)器學(xué)習(xí)），即一種將自動(dòng)化和機(jī)器學(xué)習(xí)相結(jié)合的方式，是一個(gè)新的研究方向，它可以使計(jì)算機(jī)獨(dú)立完成更復(fù)雜的任務(wù)，從而解放人類的雙手。

在AutoML發(fā)展前，傳統(tǒng)的機(jī)器學(xué)習(xí)需要經(jīng)歷數(shù)據(jù)預(yù)處理、特征選擇、算法選擇和配置等，而傳統(tǒng)的深度學(xué)習(xí)則需要經(jīng)歷模型架構(gòu)的設(shè)計(jì)和模型的訓(xùn)練。上述這些步驟都需要人工來操作，不僅耗時(shí)耗力，而且對(duì)專業(yè)人員的需求也比較大，結(jié)合現(xiàn)實(shí)生活中人們?nèi)找嬖鲩L(zhǎng)的需求，這限制了人工智能在其他領(lǐng)域的應(yīng)用發(fā)展。

因此，出現(xiàn)了這樣的想法：將機(jī)器學(xué)習(xí)中的數(shù)據(jù)預(yù)處理、特征選擇、算法選擇等步驟與深度學(xué)習(xí)中的模型架構(gòu)設(shè)計(jì)和模型訓(xùn)練等步驟相結(jié)合，將其放在一個(gè)“黑箱”里，通過黑箱，我們只需要輸入數(shù)據(jù)，就可以得到我們想要的預(yù)測(cè)結(jié)果。

中間這個(gè)“黑箱”的運(yùn)行過程，不需要人工的干預(yù)便可以自動(dòng)完成，而這個(gè)自動(dòng)化的系統(tǒng)就是我們的研究重點(diǎn)——AutoML。

圖2-1為AutoML的一個(gè)通用運(yùn)行流程，也就是上面提到的，將所有運(yùn)行流程都封裝在一個(gè)“黑箱”中，我們只需要輸入數(shù)據(jù)集，便可得到預(yù)測(cè)結(jié)果。

▲圖2-1 AutoML通用流程

AutoML主要關(guān)注兩個(gè)方面——數(shù)據(jù)的獲取和預(yù)測(cè)。目前已經(jīng)出現(xiàn)了很多AutoML平臺(tái)，用戶在使用這些平臺(tái)時(shí)，可以使用自己帶的數(shù)據(jù)集，識(shí)別標(biāo)簽，從而得到一個(gè)經(jīng)過充分訓(xùn)練且優(yōu)化過的模型，并用該模型進(jìn)行預(yù)測(cè)。大多數(shù)平臺(tái)都會(huì)提示用戶上傳數(shù)據(jù)集，然后標(biāo)記類別。

在此之后，數(shù)據(jù)預(yù)處理、選擇正確的算法、優(yōu)化和超參數(shù)調(diào)整等步驟都是在服務(wù)器上自主進(jìn)行的。最后，平臺(tái)將公開一個(gè)可用于預(yù)測(cè)的REST端點(diǎn)。這種方法顯著改變了訓(xùn)練機(jī)器學(xué)習(xí)模型中涉及的傳統(tǒng)工作流。

一些AutoML平臺(tái)還支持導(dǎo)出與運(yùn)行Android或iOS的移動(dòng)設(shè)備兼容的、經(jīng)過充分訓(xùn)練的模型。開發(fā)人員可以快速地將模型與他們的移動(dòng)應(yīng)用程序整合在一起，而無須學(xué)習(xí)機(jī)器學(xué)習(xí)的基本知識(shí)。

許多公司將AutoML作為一種服務(wù)提供給用戶。Google Cloud AutoML、Microsoft Custom Vision和Clarifai的圖像識(shí)別服務(wù)都是早期的AutoML使用者。另外很多大公司內(nèi)部也都有自己的平臺(tái)，例如Uber、OpenAI、DeepMind等都在NAS任務(wù)上做研究。

從發(fā)展趨勢(shì)來看，AutoML是未來人工智能發(fā)展的一個(gè)重要方向，但現(xiàn)階段的研究成果成熟度和實(shí)際產(chǎn)品應(yīng)用成熟度都存在巨大的提升空間。

AutoML完全適合于認(rèn)知API和定制機(jī)器學(xué)習(xí)平臺(tái)。它提供了適當(dāng)?shù)亩ㄖ萍?jí)別，而非強(qiáng)制開發(fā)人員執(zhí)行復(fù)雜的工作流。與以往被視為“黑箱”的認(rèn)知API相比，AutoML雖然公開了相同程度的靈活性，但是結(jié)合了自定義數(shù)據(jù)和可移植性。

隨著每一個(gè)平臺(tái)供應(yīng)商都試圖實(shí)現(xiàn)機(jī)器學(xué)習(xí)的大眾化，AutoML正在成為人工智能的未來。

圖2-2是基于AutoML平臺(tái)所具有的功能，在AutoML平臺(tái)上可以實(shí)現(xiàn)多個(gè)領(lǐng)域的融合，既可以完成語(yǔ)音領(lǐng)域的任務(wù)，如自動(dòng)語(yǔ)音識(shí)別系統(tǒng)、聊天機(jī)器人、文本語(yǔ)音系統(tǒng)；也可以完成聲紋領(lǐng)域的任務(wù)，如聲紋識(shí)別系統(tǒng)；還可以完成圖像領(lǐng)域的任務(wù)，如計(jì)算機(jī)視覺、圖像識(shí)別、目標(biāo)檢測(cè)等。

▲圖2-2 AutoML平臺(tái)具備的功能

02 AutoML的研究意義

1. AutoML的研究動(dòng)機(jī)

傳統(tǒng)的機(jī)器學(xué)習(xí)在解決問題時(shí)，首先需要對(duì)問題進(jìn)行定義，然后針對(duì)特定問題收集數(shù)據(jù)，由專家對(duì)數(shù)據(jù)特征進(jìn)行標(biāo)定、提取特征、選擇特征，然后根據(jù)所選特征訓(xùn)練模型、對(duì)模型進(jìn)行評(píng)估，最后部署到應(yīng)用上，以解決最初提出的問題。

其中數(shù)據(jù)收集、特征提取、特征選擇、模型訓(xùn)練和模型評(píng)估的過程，是一個(gè)迭代的過程，需要反復(fù)進(jìn)行、不斷優(yōu)化才能得到較優(yōu)的模型。這個(gè)過程非常耗時(shí)費(fèi)力，那么AutoML呢？

AutoML可以將傳統(tǒng)機(jī)器學(xué)習(xí)中的迭代過程綜合在一起，構(gòu)建一個(gè)自動(dòng)化的過程，實(shí)現(xiàn)自動(dòng)特征工程、自動(dòng)管道匹配、自動(dòng)參數(shù)調(diào)整、自動(dòng)模型選擇等功能，從而減少時(shí)間和人力等資源的浪費(fèi)。圖2-3所示是傳統(tǒng)機(jī)器學(xué)習(xí)和自動(dòng)化機(jī)器學(xué)習(xí)的對(duì)比。

▲圖2-3 傳統(tǒng)機(jī)器學(xué)習(xí)和自動(dòng)化機(jī)器學(xué)習(xí)對(duì)比

（1）傳統(tǒng)機(jī)器學(xué)習(xí)是一個(gè)煩瑣且耗時(shí)的過程

傳統(tǒng)的AI模型訓(xùn)練往往要經(jīng)歷特征分析、模型選擇、調(diào)參、評(píng)估等步驟，這些步驟需要經(jīng)歷數(shù)月的時(shí)間，如果完全沒經(jīng)驗(yàn)，時(shí)間會(huì)更長(zhǎng)。AutoML雖然也需要經(jīng)歷這些步驟，但是通過自動(dòng)化的方式，可以減少這些步驟的時(shí)間。

選擇怎樣的參數(shù)，被選擇的參數(shù)是否有價(jià)值或者模型有沒有問題，如何優(yōu)化模型，這些步驟在從前是需要依靠個(gè)人的經(jīng)驗(yàn)、知識(shí)或者數(shù)學(xué)方法來判斷的。

而AutoML可以完全不用依賴經(jīng)驗(yàn)，而是靠數(shù)學(xué)方法，由完整的數(shù)學(xué)推理的方式來證明。通過數(shù)據(jù)的分布和模型的性能，AutoML會(huì)不斷評(píng)估最優(yōu)解的分布區(qū)間并對(duì)這個(gè)區(qū)間再次采樣。所以可以在整個(gè)模型訓(xùn)練的過程中縮短時(shí)間，提升模型訓(xùn)練過程的效率。

（2）傳統(tǒng)機(jī)器學(xué)習(xí)有一定難度，準(zhǔn)入門檻高

模型訓(xùn)練的難度使得很多初學(xué)者望而卻步，即使是數(shù)據(jù)專家也經(jīng)常抱怨訓(xùn)練過程是多么令人沮喪和變化無常。沒有經(jīng)過一定時(shí)間的學(xué)習(xí)，用戶很難掌握模型選擇、參數(shù)調(diào)整等步驟。

AutoML可以降低使用機(jī)器學(xué)習(xí)的門檻，它作為一個(gè)新的AI研究方法，將機(jī)器學(xué)習(xí)封裝成云端產(chǎn)品，用戶只需提供數(shù)據(jù)，系統(tǒng)即可完成深度學(xué)習(xí)模型的自動(dòng)構(gòu)建，從而實(shí)現(xiàn)自動(dòng)化機(jī)器學(xué)習(xí)。

AutoML將會(huì)成為機(jī)器學(xué)習(xí)發(fā)展的最終形態(tài)，即機(jī)器自己完成學(xué)習(xí)任務(wù)，這樣基于計(jì)算機(jī)強(qiáng)大計(jì)算能力所獲得的模型將優(yōu)于人類對(duì)它定義的模型。從使用的角度來講，必定會(huì)有更多非專業(yè)領(lǐng)域的人受益于AutoML的發(fā)展。

圖2-4展示的是一個(gè)使用AutoML進(jìn)行圖片分類的簡(jiǎn)單問題。首先上傳圖片并對(duì)圖片進(jìn)行標(biāo)注；接著被標(biāo)注過的圖片會(huì)輸入到視覺處理系統(tǒng)中，由視覺處理系統(tǒng)根據(jù)上傳的圖片，對(duì)標(biāo)注區(qū)域的特征進(jìn)行提取，并進(jìn)行特征的預(yù)處理，之后根據(jù)圖片特征，自動(dòng)構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并訓(xùn)練該模型；經(jīng)過不斷地評(píng)估和優(yōu)化，最后得到一個(gè)預(yù)測(cè)模型。

▲圖2-4 使用AutoML進(jìn)行圖片分類

2. AutoML的意義和作用

21世紀(jì)是一個(gè)信息的時(shí)代，各行各業(yè)都面臨著一個(gè)同樣的問題，那就是需要從大量的信息中篩選出有用的信息并將其轉(zhuǎn)化為價(jià)值。隨著機(jī)器學(xué)習(xí)2.0的提出，自動(dòng)化成為了未來機(jī)器學(xué)習(xí)發(fā)展的一個(gè)方向。

如圖2-5所示，各行各業(yè)都涉及機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)已經(jīng)融入我們生活的方方面面，比如金融、教育、醫(yī)療、信息產(chǎn)業(yè)等領(lǐng)域。

▲圖2-5 機(jī)器學(xué)習(xí)可賦能產(chǎn)業(yè)

對(duì)于一個(gè)機(jī)器學(xué)習(xí)的新人來說，如果他想使用機(jī)器學(xué)習(xí)，則會(huì)遇到很多的障礙，也會(huì)受到很多的限制，例如：該怎樣處理數(shù)據(jù)、如何選擇模型、使用怎樣的參數(shù)、模型效果不好該如何優(yōu)化等。

AutoML使得機(jī)器學(xué)習(xí)大眾化，讓這些連專業(yè)術(shù)語(yǔ)都不懂的人，也可以使用機(jī)器學(xué)習(xí)。他們只需要提供數(shù)據(jù)，AutoML便會(huì)自動(dòng)得出最佳的解決方案。而對(duì)于有一定機(jī)器學(xué)習(xí)基礎(chǔ)的人來說，則可以自己選擇模型、參數(shù)，然后讓AutoML幫助訓(xùn)練模型。

AutoML帶來的不僅僅是自動(dòng)化的算法選擇、超參數(shù)優(yōu)化和神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索，它還涉及機(jī)器學(xué)習(xí)過程的每一步。從數(shù)據(jù)預(yù)處理方面，如數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)校驗(yàn)、數(shù)據(jù)分割，到模型方面，如超參數(shù)優(yōu)化、模型選擇、集成學(xué)習(xí)、自動(dòng)化特征工程等，都可以通過AutoML來完成，從而減少算法工程師的工作量，使他們的工作效率得到進(jìn)一步提升。

圖2-6所示為2018年各人工智能行業(yè)的資金投入量，其中機(jī)器學(xué)習(xí)領(lǐng)域的資金投入量最大，說明了機(jī)器學(xué)習(xí)對(duì)于現(xiàn)在的人工智能的重要性。在其他領(lǐng)域，自然語(yǔ)言處理、計(jì)算機(jī)視覺、智能機(jī)器人、語(yǔ)音識(shí)別等，資金投入量也不容小覷。

▲圖2-6 2018年各人工智能行業(yè)資金投入量

AutoML可以融合上述方面，實(shí)現(xiàn)自動(dòng)化。目前，人工智能領(lǐng)域也確實(shí)是朝著這個(gè)方向發(fā)展，將各個(gè)行業(yè)融合在一起，只需要一個(gè)AutoML的服務(wù)器，即可實(shí)現(xiàn)各個(gè)領(lǐng)域的融合，方便用戶的使用，使其更快地融入我們的現(xiàn)實(shí)生活，方便我們的生活。

（1）AutoML解決了人工智能行業(yè)人才缺口的瓶頸

對(duì)于急速發(fā)展的人工智能領(lǐng)域來說，人才的培養(yǎng)顯得有些不足。人工智能的發(fā)展時(shí)時(shí)刻刻都在變化，而培養(yǎng)一批該行業(yè)的專業(yè)人員通常需要幾年的時(shí)間。

以青年人群為例，從上大學(xué)開始，學(xué)校才會(huì)根據(jù)專業(yè)對(duì)他們進(jìn)行培養(yǎng)。如果選擇計(jì)算機(jī)專業(yè)，本科教育通常只會(huì)讓他們了解到計(jì)算機(jī)的基礎(chǔ)知識(shí)，使其具備基本的編程能力；通常到研究生階段，才會(huì)接觸到機(jī)器學(xué)習(xí)等復(fù)雜的人工智能。這就需要至少6年的時(shí)間才能培養(yǎng)出一批機(jī)器學(xué)習(xí)領(lǐng)域的從業(yè)人員。

這樣長(zhǎng)的人才培養(yǎng)周期是無法跟上人工智能行業(yè)快速發(fā)展的腳步的，而AutoML就很好地解決了這一問題。

AutoML可以提供自動(dòng)化的服務(wù)，對(duì)于曾經(jīng)需要人工參與的數(shù)據(jù)處理、特征處理、特征選擇、模型選擇、模型參數(shù)的配置、模型訓(xùn)練和評(píng)估等方面，實(shí)現(xiàn)了全自動(dòng)，僅憑機(jī)器就可以獨(dú)立完成這一系列工作，不需要人工干預(yù)，從而減少了人力資源的浪費(fèi)，解決了人才緊缺的問題。

但是，這就涉及另一個(gè)問題了，既然機(jī)器可以完成大部分的工作，是否會(huì)造成相關(guān)專業(yè)人員的失業(yè)問題呢？

其實(shí)，這個(gè)答案必然是否定的，AutoML可以解決人才緊缺的狀況，但是并不代表它能取代專業(yè)人士。現(xiàn)有的AutoML平臺(tái)雖然可以完成這些步驟的自動(dòng)化處理，但是其中的規(guī)則仍然需要人工設(shè)定，也就是說，專業(yè)人士并不會(huì)面臨失業(yè)的困境，而是要做更高端的工作。

（2）AutoML可以降低機(jī)器學(xué)習(xí)的門檻，使AI平民化

前文已經(jīng)提到過很多次，機(jī)器學(xué)習(xí)的自動(dòng)化可以降低機(jī)器學(xué)習(xí)的入門門檻。無論是機(jī)器學(xué)習(xí)新人、機(jī)器學(xué)習(xí)行業(yè)從業(yè)者，還是機(jī)器學(xué)習(xí)行業(yè)專家，都可以很好地適應(yīng)AutoML，并使用它提供的服務(wù)。

對(duì)于機(jī)器學(xué)習(xí)新人來說，只需要提供數(shù)據(jù)集上傳至AutoML服務(wù)器，即可得到預(yù)測(cè)結(jié)果；對(duì)于機(jī)器學(xué)習(xí)行業(yè)的從業(yè)者而言，可以自主選擇其中的參數(shù)；對(duì)于機(jī)器學(xué)習(xí)行業(yè)專家來說，可以在AutoML平臺(tái)設(shè)置更多的參數(shù)，或者進(jìn)一步研發(fā)AutoML。

（3）AutoML可以擴(kuò)大AI應(yīng)用普及率，促進(jìn)傳統(tǒng)行業(yè)變革

AutoML可以涉及圖像識(shí)別、翻譯、自然語(yǔ)言處理等多種AI技術(shù)與產(chǎn)品。

以自然語(yǔ)言處理為例，比如一個(gè)小的電商網(wǎng)站想對(duì)收集到的大量用戶評(píng)價(jià)進(jìn)行分析，了解這些評(píng)價(jià)是正面的還是負(fù)面的，以及提到了哪方面的問題。從前需要人工進(jìn)行標(biāo)注，現(xiàn)在用AutoML自然語(yǔ)言處理，就可以很簡(jiǎn)單地訓(xùn)練一個(gè)屬于自己的模型，自動(dòng)化地做標(biāo)注和分析。

如今，AI技術(shù)的普及和發(fā)展，使得各個(gè)行業(yè)都逐步意識(shí)到AI技術(shù)對(duì)于產(chǎn)業(yè)、產(chǎn)品方面的優(yōu)化作用。但是，作為金融、制造、消費(fèi)、醫(yī)療、教育等傳統(tǒng)企業(yè)，從無到有應(yīng)用AI的成本往往不低，使得很多企業(yè)雖然有著需求但對(duì)于應(yīng)用AI望而卻步。

AutoML作為這類問題的解決方案，使得越來越多的科技企業(yè)開始研發(fā)AutoML平臺(tái)，目的就是為不懂技術(shù)的傳統(tǒng)企業(yè)提供使用AutoML技術(shù)的捷徑，從而達(dá)到人人皆可用AI的局面。

AutoML作為一個(gè)新的AI研究方法，擴(kuò)展了AI研究能夠到達(dá)的邊界，然后又在其上構(gòu)建了AutoML的應(yīng)用平臺(tái)及產(chǎn)品，讓AI的應(yīng)用得到了較為有效的擴(kuò)展，讓更多行業(yè)都可以用AI解決現(xiàn)實(shí)世界中的問題。

關(guān)于作者：王健宗，大型金融集團(tuán)科技公司深度學(xué)習(xí)平臺(tái)和AutoML平臺(tái)負(fù)責(zé)人，中國(guó)人工智能開源軟件發(fā)展聯(lián)盟副理事長(zhǎng)，美國(guó)佛羅里達(dá)大學(xué)人工智能博士后，發(fā)表聯(lián)邦學(xué)習(xí)、深度學(xué)習(xí)、云計(jì)算和大數(shù)據(jù)等領(lǐng)域國(guó)際論文30余篇，以及發(fā)明專利200余項(xiàng)。

瞿曉陽(yáng) ，華中科技大學(xué)計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)博士，美國(guó)中佛羅里達(dá)大學(xué)訪問學(xué)者，大型金融集團(tuán)科技公司資深算法工程師，一直從事機(jī)器學(xué)習(xí)、大數(shù)據(jù)、體系結(jié)構(gòu)方面的研究工作，在AutoML平臺(tái)、面向AI的云原生架構(gòu)、高性能計(jì)算、高效能存儲(chǔ)系統(tǒng)等方面經(jīng)驗(yàn)豐富。

本文摘編自《深入理解AutoML和AutoDL：構(gòu)建自動(dòng)化機(jī)器學(xué)習(xí)與深度學(xué)習(xí)平臺(tái)》，經(jīng)出版方授權(quán)發(fā)布。

延伸閱讀《深入理解AutoML和AutoDL》

點(diǎn)擊上圖了解及購(gòu)買

轉(zhuǎn)載請(qǐng)聯(lián)系微信：DoctorData

推薦語(yǔ)：這是一部從基礎(chǔ)理論、核心原理、前沿算法等多個(gè)維度系統(tǒng)、全面講解AutoML、AutoDL、AutoNAS和元學(xué)習(xí)的著作。作者是資深的人工智能專家，大型金融集團(tuán)科技公司深度學(xué)習(xí)平臺(tái)和AutoML平臺(tái)負(fù)責(zé)人。本書得到了騰訊、阿里、字節(jié)跳動(dòng)、微眾銀行、浙江大學(xué)、新智元等企業(yè)界、學(xué)術(shù)界、媒體界的8位資深專家聯(lián)袂推薦。

一直看到這里的你，一定是愛讀書的人。歡迎加入大數(shù)據(jù)讀書會(huì)微信群，結(jié)識(shí)更多同行業(yè)小伙伴，我們將在群里額外送書！未來還有更多福利等你認(rèn)領(lǐng)！（請(qǐng)?jiān)诤笈_(tái)回復(fù)讀書會(huì)，獲取進(jìn)群方法）

有話要說?

Q:當(dāng)AI學(xué)會(huì)AI，世界將怎樣改變？歡迎留言與大家分享

猜你想看?

更多精彩?

在公眾號(hào)對(duì)話框輸入以下關(guān)鍵詞查看更多優(yōu)質(zhì)內(nèi)容！

PPT|?報(bào)告|?讀書|?書單|?干貨?大數(shù)據(jù)|?揭秘|?Python|?可視化AI|?人工智能|?5G|?中臺(tái)機(jī)器學(xué)習(xí)|?深度學(xué)習(xí)|?神經(jīng)網(wǎng)絡(luò)合伙人?|?1024|?段子|?數(shù)學(xué)

據(jù)統(tǒng)計(jì)，99%的大咖都完成了這個(gè)神操作?

覺得不錯(cuò)，請(qǐng)把這篇文章分享給你的朋友
轉(zhuǎn)載 / 投稿請(qǐng)聯(lián)系：baiyu@hzbook.com更多精彩，請(qǐng)?jiān)诤笈_(tái)點(diǎn)擊“歷史文章”查看

點(diǎn)擊閱讀原文，了解更多

總結(jié)

以上是生活随笔為你收集整理的让AI学习AI：自动化机器学习的概述、发展和研究意义的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。