Каково состояние AutoML в 2019 году?
Глубокое обучение применялось для решения множества сложных задач приложений, таких как классификация, обнаружение объектов, языковое моделирование, рекомендательные системы и т. Д. Однако у него есть недостаток - требуются огромные вычислительные ресурсы и уходит много времени на создание надежных моделей. .
Чтобы справиться с этой проблемой, исследователи, разработчики и специалисты по обработке данных сосредотачиваются на AutoML. AutoML - это процесс автоматизации процесса применения соответствующей предварительной обработки данных, проектирования функций, выбора модели и оценки модели для решения задачи.
Все мы знаем, что самый первый шаг в конвейере машинного обучения - это подготовка данных. Для некоторых задач, например, для распознавания медицинских изображений, трудно получить достаточно данных или данные достаточного качества, и именно здесь надежный AutoML может спасти положение.
В настоящее время такие системы предоставляют несколько организаций. Think Cloud AutoML от Google, который помогает людям с ограниченными знаниями в области машинного обучения создавать высококачественные пользовательские модели с минимальными усилиями. Когда в AutoML так много всего происходит, возникает вопрос, где же на самом деле технология?
Современный AutoML
В недавно опубликованной статье исследователи предоставляют всестороннее и актуальное исследование современного AutoML.
Прежде всего, они предоставляют систематическую и подробную оценку существующих методов AutoML. Во-вторых, поскольку поиск нейронной архитектуры (NAS) становится все более актуальной темой, они также обобщают существующие алгоритмы NAS. Они рассмотрели случайный поиск (RS), обучение с подкреплением (RL), эволюционный алгоритм (EA) и алгоритмы на основе градиентного спуска (GD) в соответствии с факторами, включая базовый набор данных и соответствующие результаты. Наконец, они представляют несколько интересных и актуальных открытых проблем, а также некоторые многообещающие и ценные направления будущих исследований.
Возможное использование и эффекты
Исчерпывающие знания в этой статье обеспечивают идеальное понимание AutoML для новичков. Он также предлагает отличную информацию для братства ИИ, чтобы рассчитывать на создание крупномасштабных, эффективных моделей машинного обучения с высокой производительностью, сохраняя при этом качество с ограниченными вычислительными бюджетами.
Было сказано, что вы не можете решить проблему, которую не понимаете. Работа, описанная в этом документе, также позволяет сообществу ИИ узнать, где сейчас находится AutoML, что затем помогает проложить путь к достижению передового AutoML.
Расширенный AutoML поможет в реализации решений машинного обучения, которые не требуют обширных знаний в области программирования, используют передовые методы науки о данных, обеспечивают гибкие навыки решения проблем и, что наиболее важно, помогают сэкономить время и вычислительные ресурсы.
Подробнее: https://arxiv.org/abs/1908.00709v1
Спасибо за чтение. Прокомментируйте, поделитесь и не забудьте подписаться на нашу еженедельную рассылку, чтобы получать самые свежие и интересные исследования! Вы также можете подписаться на меня в Twitter, LinkedIn и Facebook. Не забудьте 👏 если вам понравилась эта статья. Ваше здоровье!
