DriveML: 一个用于自动驾驶机器学习的 R 软件包
本文介绍了一个 R 包与 Online 机器学习平台 OpenML 的接口,并展示了在结合使用机器学习 R 软件 mlr 时的使用。OpenML 平台可帮助 R 用户轻松搜索、下载和上传数据集和机器学习任务,自动化大部分繁琐的工作,促进协作,加速研究,增加用户的在线可见性。
Jan, 2017
本文分析了自动机器学习在企业分析应用中的潜力,并将 H2O AutoML 框架与手工调整的 ML 模型在三个真实数据集上进行了基准测试,发现 H2O AutoML 框架快速、易用、可靠,表现接近手工调优的 ML 模型,是一个有价值的工具,能够支持快速原型设计,缩短开发和部署周期,并能够弥合 ML 专家供需之间的差距。
May, 2022
本文介绍了自动化机器学习技术(AutoML)的研究现状,重点评估了多种 AutoML 工具在不同数据集、不同数据段上的表现和优缺点。
Aug, 2019
本文总结了自动机器学习用于生成深度推荐系统模型的方法。作者概述了自动机器学习和相关技术,讨论了自动化特征选择、嵌入、交互和训练模型的最新方法,指出已有的基于自动机器学习的推荐系统正向着具有抽象搜索空间和高效搜索算法的多组件联合搜索方向发展,并略述了吸引人的未来研究方向。
Apr, 2022
自动化机器学习(AutoML)是一个研究领域,专注于开发自动生成机器学习模型的方法。本文提出了一个建立通用 AutoML 系统的参考框架,并通过对该领域主要方法的叙述性回顾,提炼了基本概念以支持其设计,并讨论了 AutoML 应用中的一些未解决问题,以供未来研究参考。
Aug, 2023
本文综述了自动机器学习领域中的最新研究进展,包括数据准备、特征工程、超参数优化和神经架构搜索等方面,并着重探讨了神经架构搜索的性能和发展方向,指出目前自动机器学习领域的存在的问题及未来研究方向。
Aug, 2019
STREAMLINE 是一个简单、透明、端到端的自动化机器学习 (pipeline),旨在比较数据集、机器学习算法和其他 AutoML 工具的性能,在数据处理、模型比较方面提供一个全面和一致的基准。
Jun, 2022
本文通过对 GitHub 上的开源项目进行调研,分析了当前机器学习从业者使用自动化机器学习工具的情况,研究结果表明 AutoML 工具已经广泛应用于机器学习的许多领域,可以极大的提高特征工程、模型训练和超参数优化的效率。
Aug, 2022
本文提出了一种元学习方法,利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化,该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数,能够在监督分类数据集上高效地搜索预定义的候选管道,实验结果表明,该方法在一系列测试数据集上能够快速确定高性能的机器学习管道,并胜过基线方法。
Apr, 2019
本研究旨在针对数据漂移自动设计在线学习的管道,将在线学习器的固有适应能力与自动化管道的快速优化能力结合起来,我们基于异步遗传编程和异步连续缩减思路优化管道,实验证明了 OAML 系统在数据漂移情况下相比流行的在线学习算法具有更好的性能和适应能力,连续管道重新设计在处理数据漂移问题时效果显著。
Jan, 2022