【加州大學伯克利分校】自動機器學習流程設計技術報告，105頁pdf

• 2019 年 10 月 4 日
• 筆記

【導讀】自動機器學習是學術界和工業界關注的焦點。加州大學伯克利分校Mitar Milutinovic撰寫了一份自動機器學習流程設計技術報告，共105頁pdf，涵蓋自動機器學習概念、元素、框架流程等，很好的學習資料。

https://www2.eecs.berkeley.edu/Pubs/TechRpts/2019/EECS-2019-123.html

導讀

數據收集量的迅速增加，使決策的瓶頸迅速從缺乏數據轉向缺乏數據科學家，以幫助分析收集的數據。此外，用於數據分析的新潛在解決方案和方法的發布速度已經超過了人類數據科學家所能遵循的速度。同時，我們注意到數據科學家在分析過程中執行的許多任務都可以自動化。自動機器學習(AutoML)研究和解決方案試圖使部分甚至整個數據分析過程自動化。

我們解決了自動化研究中的兩個挑戰: 首先，如何表示適合元學習的ML程式;第二，如何改進自動系統的評估，使之能夠比較各種方法，而不僅僅是預測。

為此，我們設計並實現了一個ML程式框架，該框架提供了以標準方式描述ML程式所需的所有組件。該框架是可擴展的，框架的組件之間是解耦的，例如，該框架可以用來描述使用神經網路的ML程式。我們為執行框架中描述的程式提供參考工具。我們還設計並實現了一個服務，一個元學習資料庫，它存儲由不同的自動化系統生成的執行ML程式的資訊。

我們通過測量使用框架與執行直接調用底層庫的ML程式的計算開銷來評估框架。我們注意到框架的ML程式執行時間比不使用該框架的ML程式慢一個數量級，記憶體使用量是不使用該框架的ML程式的兩倍。

通過比較使用我們的框架的10個不同的AutoML系統，我們展示了我們的框架評估AutoML系統的能力。結果表明，該框架既可以用來描述一組不同的ML程式，又可以用來明確地確定哪個自動化系統生成了最佳的ML程式。在許多情況下，生成的ML程式的性能優於由人類專家編寫的ML程式。

摘要目錄：

-END-