术语表

自动机器学习（AutoML）

使用 AutoML 简化机器学习项目！自动进行数据准备、模型选择和调整，节省时间，让所有人都能使用人工智能。

自动化机器学习（AutoML）是将机器学习（ML）应用于实际问题的端到端管道自动化的过程。AutoML 的主要目标是简化和加速 ML 模型的开发，使那些在数据科学或 ML 方面没有深厚专业知识的人也能使用先进的技术。通过自动执行重复而耗时的任务，AutoML 使开发人员和研究人员能够更高效地构建高性能模型，减少对大量手动配置和实验的需求。这种自动化涵盖了从准备原始数据到部署优化模型的各个阶段。

AutoML 中的关键自动任务

AutoML 系统可将典型 ML 工作流程的几个核心组件自动化：

数据预处理：自动处理任务，如清理数据、管理缺失值、执行数据类型转换，以及应用规范化或标准化等技术，为建模准备训练数据。
特征工程：自动创建、选择和转换输入特征，以提高模型性能。这可能涉及到特征工程概念中讨论的技术。
模型选择：针对给定任务和数据集，从一系列可能性中自动选择最佳模型类型（如决策树、神经网络、SVM），包括对象检测架构，如 Ultralytics YOLO.
超参数调整：使用网格搜索、随机搜索等技术或贝叶斯优化等更先进的方法优化模型的超参数（如学习率、批量大小），以达到最佳性能。

AutoML 的优势

采用 AutoML 具有显著优势：

效率：大幅减少开发和微调ML 模型所需的时间和计算资源。
可访问性：降低 ML 的准入门槛，让领域专家和 ML 经验较少的开发人员也能利用强大的预测能力。Ultralytics HUB 旨在进一步简化这一过程。
性能：通过探索广阔的搜索空间，通常能识别出实现高精确度和鲁棒性的模型和配置，有时甚至能超越人工设计的模型。
减少偏差：通过自动选择和调整模型，AutoML 可以帮助减少人工智能中可能因人工选择而产生的人为偏差，尽管对数据集偏差的谨慎监督仍然至关重要。

实际应用

AutoML 的应用遍及各个领域：

金融：自动化信用评分、欺诈检测模型开发和算法交易策略。例如，银行使用 AutoML 快速建立和更新模型，通过分析大型数据集的模式来检测欺诈交易。了解有关金融领域计算机视觉模型的更多信息。
医疗保健：利用深度学习加速医学图像分析以进行疾病检测（如利用YOLO11 进行肿瘤检测以识别肿瘤）、预测患者预后并优化治疗方案。了解更多人工智能在医疗保健领域的应用。
零售：优化库存管理、预测客户流失和个性化推荐。零售商可以使用 AutoML 预测特定产品的需求，从而减少缺货和库存过剩的情况。探索人工智能，实现更智能的零售库存管理。
制造业：通过训练计算机视觉 (CV)模型检测缺陷，实现生产线质量控制检查自动化。了解人工智能在制造业中的应用。

AutoML 与相关概念

将 AutoML 与相关领域区分开来很有帮助：

AutoML 与 MLOps：AutoML 专门针对模型构建（选择、训练、调整）的自动化，而机器学习运营 (MLOps)则涵盖整个 ML 生命周期。MLOps 包括部署、监控、管理和治理，确保模型在生产中可靠运行。AutoML 通常是更大的 MLOps 框架中的一个组件，可简化模型部署和模型监控之前的初始开发阶段。
AutoML 与 NAS： 神经架构搜索（NAS）是 AutoML 的一个子领域，专门用于自动设计神经网络（NN）的架构。NAS 可自动进行网络设计，而更广泛的 AutoML 工具也可自动进行各种模型类型的特征工程和超参数调整，而不仅仅是神经网络。

AutoML 工具和平台

许多工具和平台都为 AutoML 提供了便利：

云平台：主要供应商提供集成的 AutoML 服务，如Google Cloud AutoML、Amazon SageMaker Autopilot 和Microsoft Azure Machine Learning。这些服务利用可扩展的云计算资源。Ultralytics 还提供Ultralytics HUB 云培训。
开源库：流行的库包括Auto-sklearn（基于scikit-learn）、TPOT（使用遗传编程）和H2O AutoML。框架，如 PyTorch和 TensorFlow等框架为许多 ML 任务（包括由 AutoML 工具自动完成的任务）提供了底层基础架构。
集成平台： Ultralytics HUB集成了 AutoML 功能，尤其是用于超参数调整的功能，从而简化了为物体检测等任务训练自定义模型的过程。

自动机器学习（AutoML）

使用Ultralytics HUB 对YOLO 模型进行简单培训

灵活的企业许可解决方案为您的创新提供动力

利用Ultralytics YOLO