automl学习与整理2

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。

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）

现推荐一个非常好的资源，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。

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