深度學習的發展促進了相關應用的湧現。但是，深度學習模型往往具有非常大的引數搜尋空間，為了保證模型的效果，經常需要機器學習專家耗費大量的時間構建深度學習模型。
為了降低深度學習模型的設計成本和難度、提高模型構建效率，學界提出了乙個新的概念： automated machine learning（automl）。目前 automl 這一概念並無統一定義，主要理念是：通過使用 automl 方法，使用者只需向模型輸入資料，之後模型會自動完成架構選擇和引數訓練。
在傳統深度學習的模型構建中，主要包含以下步驟：資料處理、特徵工程、模型架構選擇、超引數優化、模型後處理、結果分析。這些步驟往往會耗費大量人力和時間。在 automl 中，則可以對大部分步驟進行自動處理。在該專案中，作者對相關的 automl 類別進行了總結，包括：
自動資料清洗（automated data clean, auto clean）
自動特徵工程（automated feature enginnering, auto fe）
超引數優化（hyperparameter optimization, hpo）
元學習（meta-learning）
神經網路架構搜尋（neural architecture search, nas）
現推薦乙個非常好的資源，github 上一項針對 automl 的資源整理專案。專案作者對 automl 和傳統深度學習的特點進行了對比，並提供了關於 automl 的完整資源列表，包括**、教程、教材、模型及專案、 ppt 等。
AutoML與機器學習領域的理解
featuretools如你所言能夠自動完成特徵工程，它屬於automl範疇，接下來我還是主要談automl1 吧。由於機器學習應用高門檻和應用範圍的廣闊，所以很多組織於2017和2018年開始自動化的機器學習嘗試，想降低機器學習應用的門檻，讓非專業人員也能夠應用。機器學習的工作流通常為資料清洗 特...
學習整理與細化（2） HTML VS XHTML
html head 文件頭 title webpage title title head body 文件體 webpage content body html 以上是html的文件基本結構 doctype html 宣告文件型別 html lang en head 文件頭 meta charset ...
自動機器學習簡述（AutoML）
一 為什麼需要自動機器學習 二 超引數優化 hyper parameter optimization 三 元學習 meta learning 四 神經網路架構搜尋 neural architecture search 五 自動化特徵工程 六 其它自動機器學習工具集 對於機器學習的新使用者而言，使用機...