JDDTechTalk的博客

前言在之前的一篇文章《AutoML系列 | 02-自动化机器学习系统设计》中，我介绍了自动化机器学习(AutoML)系统构建的基本思路和具体方案，并且经过团队成员的通力协作，文中阐述的技术方案已经在KuAI平台产品化落地，目前处于内测阶段。通过对平台上AutoML能力评测案例的分析以及AutoML领域最新研究进展的调研，认为其仍有较大的优化空间。本文提出一种基于元知识迁移的方法，以期改进AutoML系统的模型自动训练的效果和性能，希望与各位专家探讨、交流。一、问题背景人类在学习新的知识、技能

本文是对 “Neural Architecture Search: A Survey”的翻译，这篇Paper 很好的总结分析了 NAS 这一领域的研究进展。摘要在过去几年中，深度学习在各种任务上(例如图像识别，语音识别和机器翻译)取得了显著进步。这一进步的关键方面之一是新颖的神经架构。目前使用的架构大多是由人类专家开发设计的，这是一个耗时且容易出错的过程。因此，人们对自动神经网络搜索方法越来越感兴趣。本文概述了该研究领域的现有工作，并根据搜索空间、搜索策略和性能评估策略三个维度对其进行了分类。一.

文章目录一、需求背景二、解决思路三、架构设计1.系统整体架构设计2.自动化模型构建的核心流程四、AutoML系统的两种模式1.基于专家知识与AutoML系统协作增强的模式2.免代码(code free)模式五、总结一、需求背景由于机器学习技术在金融、广告、推荐系统和用户行为分析等多个方面的应用不断取得成功，为商业、生产创造了巨大价值，越来越多的企业期望借助机器学习技术来提升业务运行的效率和质量。机器学习模型的构建是一个复杂而耗时的过程，需要尝试不同的算法，且每种算法都有多个超参数需要根据具体的数据和

前言提示：自动机器学习(AutomatedMachine Learning, AutoML)技术是当前机器学习领域热点研究和迅速发展的方向之一，已被证明能够在多个领域达到或超过人类专家手动调参的效果，国内外许多头部公司纷纷将AutoML技术集成到自研AI平台中，降低算法工程师调参试错成本，加速机器学习模型的构建和落地。【全球AutoML近5年热度趋势 (来源: Google Trend)】本次分享将介绍AutoML的定义、目标和研究领域，梳理、回顾自动化超参数调优算法和机器学习管道创建方法，并对主流