امروز دوشنبه ، ۱۴۰۱/۰۴/۱۳
بدان
FAENZYXWVUTSRQPONMLKJIHGFEDCBA

یادگیری ماشین خودکار (AutoML)

یادگیری ماشین خودکار (AutoML) به چه معناست؟ یادگیری ماشین خودکار (AutoML) یک رشته عمومی است که شامل خودکارسازی وظایف تکراری در فرآیند یادگیری ماشینی (ML) است. هدف مهم AutoML کاهش نیاز به دانشمندان داده با تحصیلات بالا برای ساخت، آموزش و نگهداری الگوریتم‌های یادگیری ماشینی است. یک سازمان از هوش مصنوعی (AI) برای حل مشکلات تجاری استفاده می کند و آن را برای توسعه دهندگان نرم افزار داخلی و متخصصان خط کسب و کار (LOB) آسان تر می کند.Bedan آموزش خودکار ماشین (AutoML) را توضیح می دهد برخی از تکنیک‌ها و ابزارهای یادگیری ماشین خودکار به منظور تسریع و خودکارسازی آماده‌سازی داده‌ها - تجمیع داده‌های کلی از منابع مختلف - طراحی شده‌اند. بخش‌های دیگر این فرآیند مهندسی ویژگی‌ها را هدف قرار می‌دهند – انتخاب ویژگی و استخراج ویژگی بخش بزرگی از نحوه عملکرد الگوریتم‌های یادگیری ماشین هستند. خودکارسازی این موارد می‌تواند فرآیند طراحی یادگیری ماشین را بیشتر بهبود بخشد. یکی دیگر از بخش‌های یادگیری ماشین خودکار، بهینه‌سازی فراپارامتر است که از طریق روش‌های مختلف انجام می‌شود. مهندسان می توانند از تکنیک های فراابتکاری مانند بازپخت شبیه سازی شده یا سایر فرآیندها برای ایجاد یادگیری خودکار ماشین استفاده کنند. نکته پایانی این است که یادگیری ماشینی خودکار یک اصطلاح فراگیر برای هر تکنیک یا تلاشی برای خودکار کردن هر بخشی از فرآیند یادگیری ماشینی «پایان به انتها» است.

Automatic Machine Learning (AutoML)

What Does Automatic Machine Learning (AutoML) Mean? Automatic machine learning (AutoML) is a general discipline that involves automating repetitive tasks in the machine learning (ML) process.An important goal of AutoML is to reduce the need for highly-educated data scientists to build, train and maintain the machine learning algorithms an organization uses and make it easier for in-house software developers and line of business (LOB) professionals to use artificial intelligence (AI) to solve business problems. Techopedia Explains Automatic Machine Learning (AutoML) Some automatic machine learning techniques and tools are geared toward expediting and automating data preparation – the aggregation of overall data from various sources. Other parts of this process are aimed at feature engineering – feature selection and feature extraction are a big part of how machine learning algorithms work. Automating these can further improve the machine learning design process.Another part of automatic machine learning is hyperparameter optimization, which is done through various means. Engineers can use metaheuristics techniques like simulated annealing or other processes to make automatic machine learning happen. The bottom line is that automatic machine learning is a broad catch-all term for any technique or effort to automate any part of the machine learning “end to end” process.