Aprendizaje automático automatizado - Automated machine learning

Parte de una serie sobre
Aprendizaje automático y minería de datos
Problemas Clasificación Agrupación Regresión Detección de anomalías Limpieza de datos AutoML reglas de asociación Aprendizaje reforzado Predicción estructurada Ingeniería de características Aprendizaje de funciones Aprender en línea Aprendizaje semi-supervisado Aprendizaje sin supervisión Aprendiendo a clasificar Inducción gramatical
Aprendizaje supervisado ( clasificación  • regresión ) Árboles de decisión Conjuntos Harpillera Impulsando Bosque aleatorio k -NN Regresión lineal Bayes ingenuo Redes neuronales artificiales Regresión logística Perceptrón Máquina de vectores de relevancia (RVM) Máquina de vectores de soporte (SVM)
Agrupación ABEDUL CURA Jerárquico k -significa Expectativa-maximización (EM) DBSCAN ÓPTICA Cambio medio
Reducción de dimensionalidad Análisis factorial CCA ICA LDA NMF PCA PGD t-SNE
Predicción estructurada Modelos graficos Red de Bayes Campo aleatorio condicional Markov oculto
Detección de anomalías k -NN Factor de valor atípico local
Red neuronal artificial Autoencoder Computación cognitiva Aprendizaje profundo DeepDream Perceptrón multicapa RNN LSTM GRU ESN Máquina de Boltzmann restringida GAN SOM Red neuronal convolucional U-Net Transformador Red neuronal en aumento Memtransistor RAM electroquímica (ECRAM)
Aprendizaje reforzado Q-aprendizaje SARSA Diferencia temporal (TD)
Teoría Compensación entre sesgo y varianza Teoría del aprendizaje computacional Minimización de riesgos empíricos Aprendizaje de Occam Aprendizaje PAC Aprendizaje estadístico Teoría de VC
Lugares de aprendizaje automático NeurIPS ICML ML JMLR ArXiv: cs.LG
Artículos relacionados Glosario de inteligencia artificial Lista de conjuntos de datos para la investigación de aprendizaje automático Esquema del aprendizaje automático
v t mi

El aprendizaje automático automatizado ( AutoML ) es el proceso de automatizar las tareas de aplicar el aprendizaje automático a problemas del mundo real. AutoML cubre la canalización completa desde el conjunto de datos sin procesar hasta el modelo de aprendizaje automático implementable. AutoML se propuso como una solución basada en inteligencia artificial para el desafío cada vez mayor de aplicar el aprendizaje automático. El alto grado de automatización en AutoML permite a los no expertos hacer uso de modelos y técnicas de aprendizaje automático sin necesidad de que se conviertan en expertos en aprendizaje automático. La automatización del proceso de aplicación del aprendizaje automático de un extremo a otro ofrece además las ventajas de producir soluciones más simples, una creación más rápida de esas soluciones y modelos que a menudo superan a los modelos diseñados a mano. AutoML se ha utilizado para comparar la importancia relativa de cada factor en un modelo de predicción.

Comparación con el enfoque estándar

En una aplicación típica de aprendizaje automático, los profesionales tienen un conjunto de puntos de datos de entrada que se utilizarán para la formación. Es posible que los datos sin procesar no estén en una forma en la que se puedan aplicar todos los algoritmos. Para que los datos susceptibles de aprendizaje automático, un experto puede tener que aplicar adecuada pre-procesamiento de datos , ingeniería de función , extracción de características , y la selección de características métodos. Después de estos pasos, los profesionales deben realizar la selección de algoritmos y la optimización de hiperparámetros para maximizar el rendimiento predictivo de su modelo. Cada uno de estos pasos puede ser un desafío, lo que genera obstáculos importantes para el uso del aprendizaje automático.

AutoML simplifica drásticamente estos pasos para los no expertos.

Objetivos de la automatización

El aprendizaje automático automatizado puede apuntar a varias etapas del proceso de aprendizaje automático. Los pasos para automatizar son:

• Preparación e ingestión de datos (a partir de datos brutos y formatos diversos)
  • Detección de tipo de columna ; p. ej., booleano, numérico discreto, numérico continuo o texto
  • Detección de intención de columna; p. ej., objetivo / etiqueta, campo de estratificación , característica numérica, característica de texto categórico o característica de texto libre
  • Detección de tareas; p. ej., clasificación binaria , regresión , agrupación o clasificación
• Ingeniería de características
  • Selección de características
  • Extracción de características
  • Meta aprendizaje y aprendizaje por transferencia
  • Detección y manejo de datos asimétricos y / o valores perdidos
• Selección de modelo
• Optimización de hiperparámetros del algoritmo de aprendizaje y caracterización
• Selección de canalizaciones con limitaciones de tiempo, memoria y complejidad
• Selección de métricas de evaluación y procedimientos de validación.
• Comprobación de problemas
  • Detección de fugas
  • Detección de configuración incorrecta
• Análisis de los resultados obtenidos
• Creación de visualizaciones e interfaces de usuario

Ver también

• Búsqueda de arquitectura neuronal
• Neuroevolución
• Autoajuste
• Inteligencia de redes neuronales
• AutoAI
• ModelOps

Referencias

Otras lecturas

• "Herramientas AutoML de código abierto: AutoGluon, TransmogrifAI, Auto-sklearn y NNI" . Bizety . 2020-06-16.