AutoML
Model seçimi, hiperparametre ayarı gibi süreçleri otomatikleştiren yaklaşım.
Otomatik makine öğrenmesi (AutoML), bir makine öğrenmesi modeli geliştirmenin genellikle derin uzmanlık ve zaman gerektiren adımlarını -veri ön işleme, öznitelik mühendisliği, model mimarisi seçimi, hiperparametre ayarlama ve model değerlendirme- büyük ölçüde otomatikleştiren bir yaklaşım ve araç kümesidir. Geleneksel olarak bir veri bilimci, bir problem için hangi algoritmanın (karar ağacı mı, sinir ağı mı) uygun olduğuna, kaç katman kullanılacağına, öğrenme oranının ne olacağına ve daha onlarca ayara elle, deneme yanılma yoluyla karar vermek zorundaydı; bu süreç hem zaman alıcı hem de büyük ölçüde deneyime bağlıydı. AutoML sistemleri bunun yerine, ızgara arama, rastgele arama, Bayesçi optimizasyon veya evrimsel algoritmalar gibi yöntemlerle bu arama uzayını sistematik ve otomatik biçimde tarar.
Google Cloud AutoML, H2O.ai ve açık kaynaklı Auto-sklearn gibi araçlar, kullanıcının yalnızca veri kümesini ve hedefi belirtmesiyle, arka planda yüzlerce model konfigürasyonunu deneyip en iyi performansı gösteren modeli sunabilir. Bu yaklaşımın en büyük değeri demokratikleştirme etkisidir: derin makine öğrenmesi uzmanlığı olmayan şirketler ve geliştiriciler de, AutoML sayesinde kendi verileri üzerinde makul kalitede tahmin modelleri geliştirebilir. Bununla birlikte AutoML, çok özel veya yaratıcı mimari tasarımı gerektiren araştırma düzeyinde problemlerde, deneyimli bir uzmanın elle yaptığı ince ayarların yerini genellikle tam olarak tutamaz; bu nedenle daha çok standart, iyi tanımlanmış problemler için pratik bir hızlandırıcı olarak konumlanır.
Google Cloud AutoML, H2O.ai ve açık kaynaklı Auto-sklearn gibi araçlar, kullanıcının yalnızca veri kümesini ve hedefi belirtmesiyle, arka planda yüzlerce model konfigürasyonunu deneyip en iyi performansı gösteren modeli sunabilir. Bu yaklaşımın en büyük değeri demokratikleştirme etkisidir: derin makine öğrenmesi uzmanlığı olmayan şirketler ve geliştiriciler de, AutoML sayesinde kendi verileri üzerinde makul kalitede tahmin modelleri geliştirebilir. Bununla birlikte AutoML, çok özel veya yaratıcı mimari tasarımı gerektiren araştırma düzeyinde problemlerde, deneyimli bir uzmanın elle yaptığı ince ayarların yerini genellikle tam olarak tutamaz; bu nedenle daha çok standart, iyi tanımlanmış problemler için pratik bir hızlandırıcı olarak konumlanır.