关于AutoML的完整资源列表

深度学习的发展促进了相关应用的涌现。但是，深度学习模型往往具有非常大的参数搜索空间，为了保证模型的效果，经常需要机器学习专家耗费大量的时间构建深度学习模型。

为了降低深度学习模型的设计成本和难度、提高模型构建效率，学界提出了一个新的概念： Automated Machine Learning（AutoML）。目前 AutoML 这一概念并无统一定义，主要理念是：通过使用 AutoML 方法，用户只需向模型输入数据，之后模型会自动完成架构选择和参数训练。

2018年初， Google 发布的深度学习模型自动构建工具—— Cloud AutoML ，引发了针对 AutoML 更为广泛的讨论。本文中，营长将为大家推荐 GitHub 上一项针对 AutoML 的资源整理项目。项目作者对 AutoML 和传统深度学习的特点进行了对比，并提供了关于 AutoML 的完整资源列表，包括论文、教程、教材、模型及项目、 PPT 等。

地址：

https://github.com/hibayesian/awesome-automl-papers

整体介绍

在传统深度学习的模型构建中，主要包含以下步骤：数据处理、特征工程、模型架构选择、超参数优化、模型后处理、结果分析。这些步骤往往会耗费大量人力和时间。在 AutoML 中，则可以对大部分步骤进行自动处理。在该项目中，作者对相关的 AutoML 类别进行了总结，包括：

自动数据清洗（Automated Data Clean, Auto Clean）

自动特征工程（Automated Feature Enginnering,  Auto FE）

超参数优化（Hyperparameter Optimization, HPO）

元学习（Meta-Learning）

神经网络架构搜索（Neural Architecture Search, NAS）

此外，细心的项目作者还提供了一个详细的结构图，以及部分现有模型的实现情况分析表。有兴趣的读者可以找到该项目地址以查看更多详细内容。

论文

在这一部分，该项目针对于上述几个 AutoML 类别提供了涉及 AutoML 的完整论文列表。

自动特征工程

模型架构搜索

超参数优化

混合模型

教程

这一部分，作者提供了关于贝叶斯优化和元学习的两个教程，内容如下：

博客

书籍

项目

这一部分提供了一些相关模型和项目的官网或开源代码链接：

PPT

最后是三个相关的 PPT 资源：

以上就是此次分享内容，希望对大家有所帮助！