Mar, 2024

深度学习和大数据应用的自动数据处理和特征工程：一项调研

PDF
TL;DR现代人工智能（AI）的方法旨在设计可以直接从数据中学习的算法，本文综述了深度学习流程中自动化数据处理任务的方法，包括数据预处理、数据增强和特征工程，并讨论了自动机器学习方法和工具在整个机器学习流程中的优化应用。
artificial intelligencedata processingautomated machine learningdeep learning pipelinesfeature engineering
发现论文，激发创造
  • 数据科学中的人工智能协作：探究数据科学家对自动化人工智能的认知

    该研究讨论了 AutoAI 或 AutoML 对数据科学实践的影响，并发现未来的数据科学工作将是人类和 AI 系统之间协作的结果，其中自动化和人类专业知识是不可或缺的。

    Sep, 2019

  • AutoML: 现有技术的概述

    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

  • 可解释的人工智能用于过程建模的改进

    通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

    Dec, 2022

  • 自动机器学习：AutoML 方法和工具的评估和比较

    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

  • 自动化机器学习中的数据增强：方法与传统数据增强方法的性能比较

    该研究论文综述了基于自动机器学习（AutoML）原理的自动数据增强技术，讨论了利用 AutoML 实现数据增强的各种方法，包括数据操作、数据集成和数据合成技术，并对搜索空间设计、超参数优化和模型评估等数据增强子任务进行了广泛的讨论。最后，通过与传统增强方法基于经典方法的最新技术进行全面比较和分析，结果显示目前 AutoML 方法在数据增强方面的性能超过传统方法的最新技术。

    Mar, 2024

  • 数据管道培训：集成 AutoML 以优化机器学习模型的数据流

    通过整合 AutoML 与数据管道，优化数据流的自动化机器学习方法并构建高效的数据管道以适应不断变化的数据环境，从而在机器学习任务中取得更好的结果。

    Feb, 2024

  • 自动化数据科学：前景和挑战

    本文主要探讨数据科学中的自动化技术，旨在为数据科学家提供更好的工具而非替代人力。机器学习是数据科学中自动化技术的一个重要方面，但一些开放性和情境依赖的任务仍需要人工参与。

    May, 2021

  • 将人类从学习应用中剔除：自动化机器学习综述

    本文介绍了 AutoML 问题的定义和解决方案，项目分类和现有工作的审查，并提出了一个 AutoML 框架以减少对人类专家的需求和提高学习性能。

    Oct, 2018

  • AI 竞赛与基准测试：数据集开发

    发展机器学习数据集的方法论和实践经验，涵盖数据准备、集合、质量评估等方面。

    Apr, 2024

  • 为基于模型的 AI 工程开启自动化机器学习

    本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

    Mar, 2022