前面提到的两个范例, 一个是MNiST手写辨识, 一个是心血管疾病的应用, 处理这两个范例的过程中大致做了这些事
在范例中这个过程只做两次, 但通常为了要找出最佳的model与参数, 这个过程需要反覆执行, 也就是一直爆调参数, 调到符合我们的要求为止, 这个过程极为耗费时间与人力.
2018年, Google在Google Cloud NEXT 大会上正式推出新一代机器学习产品:Cloud AutoML, 让资料清理、选择演算法、决定参数的任务可以很容易完成并且可以得到优化後的模型, 接着在机器学习的领域, AutoML就成为机器学习领域的热门主题.
Amazon SageMaker平台上也有AutoML的功能, 称为 auto pilot
. 例如上传一个表格资料(csv档), 并且在SageMaker auto pilot中指定target(就是你要推论的目标栏位), 这样auto pilot就会回传最佳模型与参数, 然後再将这个最佳模型进行部署. 在执行autoML的过程中, 会经过下列步骤, 例如前六个步骤是
需要等待一段时间才会完成, 完成之後会列出训练过後的model列表, 并且在最佳model上打个星号, 这时候你就可以使用这个best model进行部署.
以上述的使用情境来看, 的确可以让非专业资料科学家也能取得一个可用的(或最佳的)的model, 大幅降低对AI技术的要求门槛, 让企业或组织能以比较容易的方式进入AI领域.
除了各大云端平台之外, 也已有多个open source专案提供AutoML library, 例如
下一篇, 将使用auto-sklearn为范例说明AutoML的使用方法
<<: [Day 21] 调整模型超参数利器 - Optuna
>>: 【Day18】Git 版本控制 - 多人协作 Git Flow
服务&验证 今日会直接讲解readinessProbe的部分,以及稍微提到Service这项...
很多时候,我们需要经常运行一些很长的命名,此时,我们可以同给该命令以及部分固定的参数设置一个别名(A...
许多功能强大的系统或软件都会设计有能够安装额外的扩充套件或外挂的功能,藉此延伸软件的功能应用层面,A...
昨天成功的用terraform创建gcp的instance出来,也透过terraform自动的把in...
实作完可以侦测人脸的哈尔特徵後,在将所有的训练资料不需要的背景利用人脸侦测的框给剪裁掉。以下图为例 ...