自动机器学习（Automated Machine Learning），通常称为 AutoML，是一种开创性的方法，旨在将机器学习应用于实际问题的端到端过程自动化。AutoML 简化了数据预处理、特征选择、模型选择和超参数调整等复杂而耗时的任务，使具有不同专业水平的个人都能构建强大的机器学习模型。
AutoML 包含几个基本流程，可将原始数据转化为可操作的见解：
数据预处理：AutoML 工具可自动完成数据清理和准备工作，确保数据适合模型训练。这可能涉及处理缺失数据、对分类变量进行编码或对数字特征进行归一化处理。
特征选择和工程：自动从数据集中选择最相关的特征，在某些情况下还能创建新的特征来提高模型性能。
模型选择：评估各种机器学习算法，并根据预定义的标准（如准确性或计算效率）选择最佳模型。
超参数调整：微调模型的超参数，无需人工干预即可提高性能。
进一步了解超参数调整及其在优化机器学习模型中的意义。
AutoML 允许非专业人员开发复杂的模型，从而使机器学习民主化，成为各行各业的重要工具：
医疗保健：AutoML 可以自动检测医学图像中的疾病，从而简化诊断过程。进一步了解人工智能对医疗保健的影响。
零售：通过分析消费者行为和预测购买趋势，加强个性化营销。
探索人工智能如何影响零售效率和客户参与。
欺诈检测：AutoML 系统用于金融领域，通过识别交易数据中的模式和异常现象来检测欺诈活动。
作物监测：在农业领域，AutoML 通过处理卫星图像和其他数据，帮助预测产量和监测植物健康状况。了解人工智能在农业中的优势。
传统的机器学习涉及深厚的专业技术知识，需要人工进行预处理和模型调整，而 AutoML 将这些步骤自动化，让更多人可以使用。不过，AutoML 可能还无法与专家在处理复杂而细微的数据集时所发挥的创造力和直觉相媲美。
在Ultralytics ，我们将 AutoML 原则嵌入到Ultralytics HUB 等工具中，使用户无需大量编码即可高效地部署机器学习模型。这与我们让每个人都能使用人工智能的使命不谋而合，正如我们在《为什么说Ultralytics HUB是人工智能的 Canva》一文中所讨论的那样。
随着技术的发展，AutoML 预计将集成更先进的人工智能技术，促进实时推理和在边缘设备上的部署。这些系统的不断改进对下一代人工智能应用至关重要。
如需进一步阅读，请在我们的人工智能和人工智能词汇表中探索 AutoML 和相关技术背后的详细原理。
