Automated Machine Learning stellt Methoden und Prozesse bereit, um Machine Learning auch für Nicht-Experten zugänglich zu machen, die Effizienz von Machine Learning zu verbessern und die Forschung im Bereich Machine Learning zu beschleunigen.
Machine Learning (ML) hat in den letzten Jahren beachtliche Erfolge erzielt, und eine stetig wachsende Zahl von Fachgebieten stützt sich darauf. Dieser Erfolg hängt jedoch entscheidend davon ab, dass menschliche Machine-Learning-Experten folgende Aufgaben durchführen:
Daten vorverarbeiten und bereinigen.
Geeignete Features auswählen und konstruieren.
Eine geeignete Modellfamilie auswählen.
Modell-Hyperparameter optimieren.
Die Topologie neuronaler Netze entwerfen (falls Deep Learning verwendet wird).
Machine-Learning-Modelle nachbearbeiten.
Die erzielten Ergebnisse kritisch analysieren.
Da die Komplexität dieser Aufgaben oft über das Wissen von Nicht-ML-Experten hinausgeht, hat das schnelle Wachstum von Machine-Learning-Anwendungen eine Nachfrage nach standardisierten Machine-Learning-Methoden geschaffen, die einfach und ohne Expertenwissen eingesetzt werden können. Das daraus resultierende Forschungsgebiet, das auf die fortschreitende Automatisierung von Machine Learning abzielt, nennen wir AutoML.
https://www.automl.org/automl/
Wir bei UEBERBIT evaluieren derzeit die Möglichkeiten der verschiedenen AutoML-Ansätze.
Automated Machine Learning stellt Methoden und Prozesse bereit, um Machine Learning auch für Nicht-Experten zugänglich zu machen, die Effizienz von Machine Learning zu verbessern und die Forschung im Bereich Machine Learning zu beschleunigen.
Machine Learning (ML) hat in den letzten Jahren beachtliche Erfolge erzielt, und eine stetig wachsende Zahl von Fachgebieten stützt sich darauf. Dieser Erfolg hängt jedoch entscheidend davon ab, dass menschliche Machine-Learning-Experten folgende Aufgaben durchführen:
Daten vorverarbeiten und bereinigen.
Geeignete Features auswählen und konstruieren.
Eine geeignete Modellfamilie auswählen.
Modell-Hyperparameter optimieren.
Die Topologie neuronaler Netze entwerfen (falls Deep Learning verwendet wird).
Machine-Learning-Modelle nachbearbeiten.
Die erzielten Ergebnisse kritisch analysieren.
Da die Komplexität dieser Aufgaben oft über das Wissen von Nicht-ML-Experten hinausgeht, hat das schnelle Wachstum von Machine-Learning-Anwendungen eine Nachfrage nach standardisierten Machine-Learning-Methoden geschaffen, die einfach und ohne Expertenwissen eingesetzt werden können. Das daraus resultierende Forschungsgebiet, das auf die fortschreitende Automatisierung von Machine Learning abzielt, nennen wir AutoML.
https://www.automl.org/automl/
Wir bei UEBERBIT evaluieren derzeit die Möglichkeiten der verschiedenen AutoML-Ansätze.