AI芯天下丨趋势丨下一代 AutoAI：算法的迭代变成数据的迭代-600学习网

600学习网终身会员188，所有资源无秘无压缩-购买会员

前言：

自从深度学习出现以来，随着神经网络架构趋于固定和成熟，寻找改进数据的方法已成为人工智能研究和开发的新出口。

AutoAI自动执行高度复杂的任务，以找到并优化最佳的机器学习模型.功能和数据模型超级参数。

作者方文

图像源网络

AutoAI在人工智能的整个生命周期中自动建模

AutoAI是最先进的自动化机器学习产品，它可以有效地分析历史数据，创建自定义机器学习渠道并对其进行排名。

它包括自动特征工程-扩展和增强数据的特征空间，以优化模型性能。

AutoAI可以完成通常需要整个数据科学家团队在几分钟内完成数小时至数天的工作。自动化功能包括数据准备.模型开发.特征工程和超级参数优化。

整个建模过程的端到端自动化可以显著节省资源。AutoAI显著提高了生产率。只需点击几下鼠标，即使具备基本数据科学技能的人也可以使用自定义数据自动选择.训练和调整高性能机器学习模型。

然而，专业数据科学家可以快速迭代可能的模型和管道，测试最新的模型.特征工程技术和公平算法，而无需从头开始编写管道代码。

数据科学家的新语义能力

当数据科学家理解数据的语义时，他们可以使用领域知识来扩展特征空间，从而提高模型的准确姓。此扩展可以使用来自内部或外部数据源的补充数据完成。

当AutoAI检测到正确的语义概念时，程序将使用这些概念广泛搜索现有代码.数据和文献中可能存在的相关特征和特征工程操作。

AutoAI可以使用这些新的.语义丰富的功能来提高生成模型的准确姓，并通过这些生成的功能提供人类可读的解释。

即使没有评估这些语义概念或新功能的专业知识，数据科学家仍然可以尝试AutoAI。然而，想要理解发现的语义概念并与其交互的数据科学家可以使用语义特征发现可视化资源管理器来探索发现的关系。

AutoAI的三个阶段

第一阶段：模型设计.参数调整自动化

目前，许多学者已经注意到，学术界或行业杰出人才所关注的研究和开发在模型结构设计和参数调整上花费了太多时间，但实际上不应成为研究的主要内容。当面临问题时，是否有一种自动方法能够使深度学习的网络架构独立地演进其架构是关键。

第二阶段：简单模型培训软件

自动化的第一阶段主要针对专业算法研究人员，而系统化的第二阶段则针对普通人工智能从业者。主要目标是在给定标记数据的条件下，通过可视化操作界面实现模型的训练。

阶段3：数据迭代自动化

基于算法设计的自动化，正在发生一些变化。模型和数据哪个更重要？在工业生产的设计中，以模型为中心的技术研发已转变为以数据为中心的科技研发。

数据迭代变得越来越重要

在工业化的大规模发展中，人们正慢慢地从以模型为中心的生产转向以数据为中心的产品。

它的性能可以从两个方面提高：一是以模型为中心的方法，即尽一切努力提高模型设计的复杂姓和技术含量；

第二种是以数据为中心的方法，例如添加数据(也有一些添加数据的科学方法，这不一定会提高添加数据后的性能).检查数据是否存在问题等。

将发现，以数据为中心的方法比以模型为中心的方式更能提高性能。

在模型生成过程中，我们还得出结论：随着我们的不断进步，数据迭代变得越来越重要