Les percées dans l’intelligence artificielle et l’apprentissage automatique ont été deux des sujets les plus passionnants des deux dernières décennies. Des recherches approfondies et un travail acharné sont nécessaires pour que les ingénieurs en apprentissage automatique et en science des données comprennent et exécutent efficacement leurs modèles.
Bien qu’elles puissent différer selon les individus, les étapes traditionnelles d’apprentissage automatique incluent :
- L’acquisition des données
- Exploration des données
- Préparation des données
- Ingénierie des fonctionnalités
- Sélection du modèle
- Formation de modèle
- Hyper réglage des paramètres
- Prédictions
Alors que 8 étapes peuvent sembler peu lors de la construction d’un modèle d’apprentissage automatique, une seule étape parmi celles ci-dessus prendra un certain temps à se perfectionner !
Le problème est exacerbé lorsque des praticiens non experts en apprentissage automatique passent par ces étapes pour la première fois ; le processus nécessitera généralement plus de temps et de ressources pour se terminer, et même dans ce cas, le résultat final peut ne pas être celui attendu.
AutoML est pratique en automatisant une grande partie du processus de création de modèle pour les experts et les non-experts.
Qu’est-ce que l’apprentissage automatique automatisé (AutoML) ?
L’apprentissage automatique automatisé, plus communément appelé AutoML, est un apprentissage automatique simplifié. AutoML utilise le traitement automatique effectué par des frameworks donnés pour rendre l’apprentissage automatique plus accessible aux non-experts en apprentissage automatique.
Il se concentre sur l’accélération de la recherche sur l’intelligence artificielle et l’amélioration de l’efficacité des modèles d’apprentissage automatique.
Alors que le processus d’apprentissage automatique traditionnel se concentre sur les 8 étapes mentionnées précédemment, AutoML couvre deux étapes :
- L’acquisition de données est le processus de collecte, de filtrage et de nettoyage des données utilisées avant de les stocker dans un entrepôt de données.
- Les prédictions font référence à la sortie réelle renvoyée par un modèle donné, un modèle bien formé renverra très probablement des prédictions finales précises.
Cadres pour exploration de données, préparation des données, ingénierie des fonctionnalités, sélection du modèle, modèle de formationet mise au point du modèle final couvrira les 6 autres étapes.
Les avantages d’AutoML
- Améliore l’efficacité du travail
- De meilleurs résultats finaux
- Minimiser les erreurs
- Apprentissage automatique hors échelle
Frameworks populaires d’AutoML
Maintenant que nous avons discuté de ce qu’est AutoML et passé en revue quelques-uns de ses avantages, nous allons couvrir les 10 meilleurs frameworks AutoML, où les trouver et quelles fonctionnalités ils offrent.
1. Google AutoML
Google AutoML est l’un des frameworks les plus célèbres disponibles, ce qui lui vaut la première place sur notre liste. Google a lancé de nombreux frameworks AutoML tels que Google AutoML vision, Google AutoMl Natural Language, etc.
2. SKLearn automatique
Les utilisateurs qui ont déjà essayé l’apprentissage automatique connaissent peut-être le nom SKlearn. Construit comme un complément au populaire bibliothèque sci-kit-learnAuto SKLearn est un framework d’apprentissage automatique open source qui gère l’automatisation des tâches d’apprentissage automatique.
Le framework Auto Sklearn est capable d’effectuer ses sélection du modèle, réglage des hyperparamètreset caractérisationune caractéristique unique du framework Auto SKlearn.
En effectuant sa sélection de modèle, Auto SKlearn recherchera automatiquement le meilleur algorithme capable de gérer le problème donné à l’utilisateur.
Passons à la deuxième fonctionnalité d’Auto SKlearn, nous avons le réglage des hyperparamètres. Dans le cadre de l’une des dernières étapes de tout modèle d’apprentissage automatique ou en profondeur, les utilisateurs doivent trouver les meilleurs paramètres de modèle pour optimiser le résultat. Cette tâche demande beaucoup de temps et peut être facilement automatisée par de tels frameworks.
L’avantage unique et final de l’utilisation d’Auto SKlearn est sa capacité à effectuer une caractérisation automatique. Caractérisation est le processus de transformation des données brutes en informations utilisables.
3. TPot
TPOT, également connu sous le nom de Tree Pipeline Optimization Tool, est l’un des premiers progiciels autoML open source en python. Il se concentre sur l’optimisation des pipelines d’apprentissage automatique à l’aide de la programmation génétique.
L’objectif principal de TPOT est d’automatiser la construction de pipelines ML en combinant une représentation arborescente d’expression flexible des pipelines avec des algorithmes de recherche stochastiques tels que la programmation génétique.
Notez que TPOT fonctionne au-dessus du bibliothèque sci-kit-learnqui doit être installé en premier.
4. AutoKeras
AutoKeras est une bibliothèque open source conçue à la fois pour les modèles AutoML et d’apprentissage en profondeur, initialement développée par le laboratoire DATA.
Auto Keras aide les amateurs de machine et d’apprentissage en profondeur non experts à exécuter et à former leurs modèles avec un minimum d’effort. Avec son objectif de rendre l’apprentissage automatique accessible à tous, Auto Keras est un excellent outil pour les débutants
5. Louis
Louis est un framework autoML open source dont l’objectif principal est d’assembler et de former des modèles d’apprentissage en profondeur à l’aide d’un système de fichiers de configuration simple.
En demandant à ses utilisateurs de fournir un fichier de configuration qui définit les entrées et les sorties d’un modèle donné avec leurs types de données respectifs, le framework Ludwig utilisera ces données pour construire son modèle d’apprentissage en profondeur basé sur les attributs mentionnés précédemment.
6. MLBOX
MLBOX est en plein essor et devient rapidement l’un des meilleurs outils de framework d’apprentissage automatique automatisé.
Selon le Documentation officielle MLBOXil offre les avantages suivants :
- Lecture rapide et prétraitement/nettoyage/formatage des données distribuées.
- Sélection de fonctionnalités et détection de fuites très robustes.
- Optimisation précise des hyperparamètres dans un espace de grande dimension.
- Modèles prédictifs de pointe pour la classification et la régression (Deep Learning, Stacking, LightGBM, etc.).
- Prédiction avec interprétation du modèle.
7. AutoGloun
Destiné aux praticiens experts et non experts en apprentissage automatique, AutoGloun se concentre sur l’assemblage automatisé de piles, l’apprentissage en profondeur et les applications du monde réel couvrant l’image, le texte et les données tabulaires.
Selon Documentation en ligne AutoGlounAutoGLoun permet à un utilisateur de :
- Créez rapidement des prototypes de solutions d’apprentissage en profondeur et de ML classique pour les données brutes avec seulement quelques lignes de code.
- Utiliser automatiquement des techniques de pointe (le cas échéant) sans connaissances d’expert.
- Tirez parti du réglage automatique des hyperparamètres, de la sélection/assemblage de modèles, de la recherche d’architecture et du traitement des données.
- Améliorez/ajustez facilement des modèles et des pipelines de données sur mesure, ou personnalisez AutoGluon pour un cas d’utilisation particulier.
8. Microsoft Neural Network Intelligence (NNI)
La Intelligence du réseau neuronal Microsoftégalement connu sous le nom de NNI, est une boîte à outils conçue pour automatiser l’ingénierie des fonctionnalités, la recherche d’architecture neuronale, le réglage des hyperparamètres et la compression de modèles pour l’apprentissage en profondeur.
L’outil NNI prend en charge des frameworks tels que PyTorch, TensorFlow, Scikit-learn, XGBoost, LightGBM, etc. Le principal avantage de l’utilisation de Microsoft Neural Network est la recherche d’architecture neuronale, l’outil NNI prend en charge l’architecture neuronale multi-trail (recherche de grille, évolution régularisée, IRL basée sur des politiques, etc.) et One-shot (DARTS, ENAS FBNet, etc.) chercher.
Cet outil propose plusieurs algorithmes de réglage hyper-paramètres tels que l’optimisation bayésienne, la recherche exhaustive et la recherche heuristique. Vérifier la Lisez-moi du NNI sur Github pour plus d’informations sur ce qui est fourni d’autre par cet outil.
9. Transmogriffes
Transmogriffes est conçu pour aider les développeurs à accélérer leur productivité en machine learning. TransmogrifAI s’exécute au-dessus d’Apache Spark.
Comme mentionné brièvement dans le fichier readme de Github sur Transmogrif, c’est que « Grâce à l’automatisation, il atteint des précisions proches des modèles réglés à la main avec une réduction de temps de près de 100 fois. »
Comme les autres frameworks autoML mentionnés, l’outil TransmogrifAI est capable de choisir l’algorithme le plus optimal pour l’ensemble de données choisi par l’utilisateur.
10. H2O AutoML
H2O autoML est un outil de framework open source créé par H2O qui prend en charge la programmation R et Python.
Il prend également en charge les algorithmes statistiques et d’apprentissage automatique les plus largement utilisés, notamment les machines à gradient boosté, les modèles linéaires généralisés et l’apprentissage en profondeur.
L’interface H2O autoML s’adapte aux nouveaux utilisateurs d’apprentissage automatique en demandant le moins de paramètres possible. La tâche principale d’un utilisateur lorsqu’il s’agit d’utiliser l’outil H2O est de fournir l’ensemble de données.
Autres outils AutoML utiles
1. Hypertonie
Hypertonie est un outil léger conçu pour optimiser les hyperparamètres donnés d’un modèle avec un package léger. Ils sont modulaires, simples et extensibles pour permettre des implémentations de planification transparentes.
Hypertunity prend en charge l’optimisation bayésienne avec GPyOpt, le planificateur compatible Slurm et la visualisation en temps réel avec Tensorboard (via le plugin HParams).
2. Libellule
Libellule est un outil autoML open source conçu spécifiquement pour l’optimisation bayésienne évolutive.
L’optimisation bayésienne est utilisée pour évaluer des fonctions de boîte noire très coûteuses qui vont au-delà de l’optimisation vanille normale.
Dragonfly permet aux nouveaux utilisateurs de résoudre les erreurs d’optimisation bayésienne évolutives avec le moins de connaissances nécessaires.
3. Ray Tune
En tant que deuxième outil d’optimisation d’hyperparamètres, Ray Tune est un cadre unifié pour la mise à l’échelle des applications AI et Python.
Il permet une mise à l’échelle simple des charges de travail d’IA avec un traitement de données distribué, une formation distribuée, un réglage d’hyperparamètres évolutif, un apprentissage par renforcement évolutif et un service programmable évolutif.
4. Apprentissage automatique des graphiques
Apprentissage automatique des graphiques est un cadre autoML unique qui se concentre sur l’apprentissage automatique pour les ensembles de données graphiques avec une grande facilité et simplicité.
Ils utilisent des ensembles de données pour maintenir des ensembles de données pour l’apprentissage automatique basé sur des graphiques basés sur des ensembles de données dans Pytorch Geometric ou Deep Graph Library.
Référentiels GitHub pour l’apprentissage automatique de la machine
Avec les progrès dans le monde de l’apprentissage automatique et en profondeur, une forte augmentation de la demande d’experts en apprentissage automatique reste sans réponse.
C’est là que l’automatisation des outils et des techniques d’apprentissage automatique devient utile, en permettant aux nouveaux utilisateurs de créer des modèles entièrement fonctionnels et hautement optimisés avec une plus grande facilité que jamais.
Pour faire court, lors de la recherche de l’outil d’apprentissage machine d’automatisation parfait, vous devez vous concentrer sur ce que vous essayez d’accomplir avec votre modèle donné et les pièces exactes dans le …