Otomatik Makine Öğrenimi (AutoML), Makine Öğrenimini (ML) gerçek dünya sorunlarına uygulamak için uçtan uca boru hattını otomatikleştirme sürecini temsil eder. AutoML'nin birincil amacı, makine öğrenimi modellerinin geliştirilmesini basitleştirmek ve hızlandırmak, gelişmiş teknikleri veri bilimi veya makine öğrenimi konusunda derin uzmanlığa sahip olmayanlar için bile erişilebilir hale getirmektir. AutoML, tekrarlayan ve zaman alan görevleri otomatikleştirerek, geliştiricilerin ve araştırmacıların yüksek performanslı modelleri daha verimli bir şekilde oluşturmalarını sağlar ve kapsamlı manuel yapılandırma ve deneme ihtiyacını azaltır. Bu otomasyon, ham verilerin hazırlanmasından optimize edilmiş modellerin dağıtılmasına kadar çeşitli aşamaları kapsar.
AutoML'deki Temel Otomatik Görevler
AutoML sistemleri, tipik makine öğrenimi iş akışının birkaç temel bileşenini otomatikleştirir:
AutoML'in Faydaları
AutoML'in benimsenmesi önemli avantajlar sağlar:
- Verimlilik: Makine öğrenimi modellerini geliştirmek ve ince ayar yapmak için gereken süreyi ve hesaplama kaynaklarını büyük ölçüde azaltır.
- Erişilebilirlik: Makine öğrenimi için giriş engelini azaltarak, daha az makine öğrenimi deneyimi olan alan uzmanlarının ve geliştiricilerin güçlü tahmin yeteneklerinden yararlanmasına olanak tanır. Ultralytics HUB, bu süreci daha da basitleştirmeyi amaçlamaktadır.
- Performans: Genellikle yüksek doğruluk ve sağlamlık elde eden modelleri ve konfigürasyonları tanımlar, bazen geniş bir arama alanını keşfederek manuel olarak tasarlanmış modelleri aşar.
- Azaltılmış Önyargı: AutoML, model seçimini ve ayarlamayı otomatikleştirerek, veri seti önyargısına ilişkin dikkatli gözetim hala çok önemli olsa da, yapay zekada manuel seçimlerden kaynaklanabilecek insan önyargısını azaltmaya yardımcı olabilir.
Gerçek Dünya Uygulamaları
AutoML çeşitli sektörlerde uygulama alanı bulmaktadır:
AutoML ve İlgili Kavramlar
AutoML'i ilgili alanlardan ayırmak faydalı olacaktır:
- AutoML ve MLOps: AutoML özellikle model oluşturma otomasyonunu (seçim, eğitim, ayarlama) hedeflerken, Makine Öğrenimi Operasyonları (MLOps) tüm ML yaşam döngüsünü kapsar. MLOps, modellerin üretimde güvenilir bir şekilde çalışmasını sağlayan dağıtım, izleme, yönetim ve yönetişimi içerir. AutoML genellikle daha büyük bir MLOps çerçevesi içinde bir bileşendir ve model dağıtımı ve model izlemeden önce ilk geliştirme aşamasını kolaylaştırır.
- AutoML ve NAS: Nöral Mimari Arama (NAS), AutoML'in özellikle sinir ağlarının (NN) mimarisini otomatik olarak tasarlamaya odaklanan bir alt alanıdır. NAS ağ tasarımını otomatikleştirirken, daha geniş AutoML araçları sadece NN'ler için değil, çeşitli model türleri için özellik mühendisliği ve hiperparametre ayarını da otomatikleştirebilir.
TR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
VI
