自动化机器学习 (AutoML) 标志着各种规模的组织如何战略机器学习和信息科学的根本转变。对现实世界的业务问题实施传统的机器学习方法是耗时、资源密集且困难的。它需要来自许多领域的专家，包括信息科学家——其中一些是当今就业市场上最受追捧的专业人士。

自动化机器学习各不相同，这使得通过对原始信息执行系统程序并选择从信息中提取最适用信息的模型（通常称为声音中的符号）来构建和利用来自现实世界的机器学习版本变得更加简单。” 自动化机器学习整合了来自顶级数据科学家的机器学习最佳实践，以生成更易于在整个企业中访问的信息科学。


这是高层次的传统机器学习过程：

在使用标准过程创建版本时，如图 1 所示，唯一的自动化任务是版本指导。自动化的机器学习应用程序会自动执行所有用红色勾勒的操作——引导、繁琐的建模工作，这些工作过去需要专家数据科学家才能完成。该传统程序通常需要数月或数周。然而，借助自动机器学习，业务专家和信息科学家需要数天时间来开发和比较数十个版本，找到见解和预测，并更快地解决更多业务问题。

自动化这些措施可以提高信息科学民主化的敏捷性，以包括没有广泛编程知识的个人。

手动构建机器学习模型是一个多步骤的过程，需要领域知识、数学经验和计算机工程能力——这对一家公司来说是一大堆要求，更不用说一个信息科学家了（只要你可以雇用和保留 1 ）。不仅如此，人为错误和偏见的可能性是无限的，这会降低模型精度并贬低您可以从模型中获得的洞察力。自动化机器学习使组织能够利用对信息科学家的深入了解，而无需浪费金钱和时间来开发自己的能力，同时提高对数据科学计划的投资回报并减少捕捉价值所需的时间。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了