自动化机器学习（AutoML）：简介#
本节要点：
- 自动化对象：机器学习工作流里的特征工程、算法选择、超参数调优这些任务，AutoML 把它们进行了自动化，因此整个过程会更快、更省事。
- 对比手动训练：手动训练要写代码，再一遍遍改代码去试不同算法和超参数；AutoML 减少的正是这类重复劳动，也降低了对专业技能的要求。
- 注意力回到问题本身：有了 AutoML，你可以专注核心的机器学习问题与数据，而不会被模型开发周期里的手工活儿困住。
- 本模块讲什么：在假定你已经掌握基础机器学习概念的前提下，将 AutoML 的好处与局限、常见的几种模式，以及怎么把它们用到自己的机器学习项目里。
预计整个模块学习时长： 30 分钟
学习目标：
把机器学习工作流中的重复任务自动化。
判断在自己的机器学习模型上使用 AutoML 能带来哪些好处、又有哪些局限。
列举常见的 AutoML 模式，并把它们用到自己的 ML 项目里。
先修要求：
本模块假设你已经熟悉以下模块中介绍的概念：
如果你正要开启一个新的机器学习（ML）项目，心里多半会先嘀咕一句：除了手动训练，真的没有别的办法把模型搭出来了吗？
手动训练的做法是：拿一个 ML 框架写代码，把模型建起来，在这个过程中你自己挑要试哪些算法，再一轮轮地调超参数，直到找到合适的那个模型。
当然，训练模型只是你要考虑的事情之一。实际上，把一个机器学习模型从原型一路推到生产环境，这一路上全是重复性任务和对专业技能的要求。
一个简单的探索式机器学习工作流大致长这样：
重复性任务：机器学习工作流里装着大量重复劳动和反复试验。
举个例子，开发模型的时候，你通常得试遍各种算法与超参数的组合，才能找出最合适的那个。手动训练时，你要写专门的代码来训练模型，再改代码去跑不同算法、不同超参数的实验，一轮轮地找最好的那个。对小型或探索性的项目来说，这套手工流程不算问题；可项目一大，这些重复任务就很耗时间。
专业技能：手工开发一个 ML 模型要动用专业技能。
现实中，并不是每个打算做机器学习模型的团队都具备这些技能；如果团队里没有专职的数据科学家，手工干这件事甚至可能根本行不通。
好消息是，模型开发中的某些步骤是可以自动化的，这样既能减轻重复劳动的负担，也能降低对专业技能的要求。把这些任务自动化，正是本模块要讲的自动化机器学习（AutoML）。
AutoML 到底是什么#
AutoML 是把机器学习工作流中的某些任务自动化的过程。你可以把它理解成一整套工具与技术，让构建机器学习模型这件事更快，也让更多普通用户用得上。虽然自动化能帮到工作流里的各个环节，但通常被归到 AutoML 名下的，是图 1 里「模型开发」这一圈要做的事。这些重复任务包括：
- 数据工程
特征工程
特征选择
- 训练
挑出合适的机器学习算法
选出最优的超参数
- 分析
- 基于测试集与验证集，评估训练过程中产生的各项指标。
有了 AutoML，你可以把注意力放回到 ML 问题本身和数据上，而不是耗在特征选择、超参数调优和挑算法这些事上。
关键术语：
- AutoML