智能系统与技术丛书深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台 王健宗　瞿晓阳　著 Praise赞　　誉 自动化机器学习是未来人工智能的一个重要发展方向，值得我们关注和学习。本书作者王健宗博士是机器学习方面的资深研究者和实践者，在本书中，他不仅讲解了Aut

查看更多 →

3.2　百度EasyDL1.简介不同于传统意义上的AutoML，EasyDL是一个专门针对深度学习模型训练与发布的平台。在EasyDL之前，百度就已经有了深度学习计算引擎PaddlePaddle。PaddlePaddle是一个类似于谷歌TensorFlow的专业级计算平台，目标群体

查看更多 →

1.3.4　懂你的AI近几年，深度学习领域的热门研究主要集中在以下几个方向：生成对抗网络、迁移学习、强化学习、联邦学习以及本书的主题—AutoML。其中，在算法方面，谷歌提出的注意力机制以及基于该思想衍生出的BERT模型大幅刷新了自然理解领域所有数据集的评价指标，业内对此做出这样

查看更多 →

型。如图2-19所示，深思平台定位零门槛和全程可视化的人工智能应用开发平台，用户不需要掌握任何AI相关的理论和知识，就可以轻松上手。 图2-19　智易深思平台架构图2.平台介绍深思平台是一个庞大的系统集合，包括底层的分布式集群、云基础设施；上层的AI模型研发、分布式训练架构以及大

查看更多 →

从而保证该平台的通用性。从这个角度而言，该平台既可以有效服务入门级使用者，也可以服务专家级算法工程师并与大型项目对接。Cloud AutoML中重要的一环Cloud AutoML Vision代表了深度学习去专业化的关键一步。企业不再需要招聘人工智能专家来训练深度学习模型，只需要

查看更多 →

做自动驾驶研究。在国内，百度、Momenta、Pony.ai、地平线、驭势科技、图森未来等公司也在这一领域不断发力。在深度学习出现之前，自动驾驶的水平主要停留在基于毫米波雷达及其他传感器的低阶水平，这个水平的自动驾驶是不可能真正解放司机注意力的；深度学习的出现带来了图像识别与图像

查看更多 →

3.2.2　回归问题回归（Regression）模型是指机器学习方法学到的函数的输出是连续实数值，它主要适用于预测问题，常见模型包括基础的线性回归模型和多项式回归模型。线性回归按照机器学习建模的3个步骤，首先需要确定选用的模型，基于问题我们很容易知道此处应使用线性回归（Linear

查看更多 →

模型自动设计平台DarwinML，降低人工智能的应用门槛，让各行业的IT人员、行业专家能更便捷地将人工智能相关技术落地于各种适合并需要的场景中，解决广大企业面临的人工智能人才及能力不足的问题。DarwinML是以机器学习及基因演化理论为基础的人工智能模型自动设计平台，是一种基于进

查看更多 →

ML虽然公开了相同程度的灵活性，但是结合了自定义数据和可移植性。随着每一个平台供应商都试图实现机器学习的大众化，AutoML正在成为人工智能的未来。图2-2是基于AutoML平台所具有的功能，在AutoML平台上可以实现多个领域的融 图2-2　AutoML平台具备的功能合，既可以

查看更多 →

1.3　深度学习的崛起之路1.3.1　人脸识别的起源2012年，Alex Krizhevsky等人提出了AlexNet网络结构模型，以一种结构上轻巧简单但计算量上远超传统模型的方式轻易战胜了传统的机器学习模型，并凭借它在ImageNet图像分类挑战赛上赢得了冠军。自此，在图像领域

查看更多 →

型选择以及参数优化等重要步骤进行自动化学习，使得机器学习模型无需人工参与即可被应用。从前节可见，机器学习的泛化受到了诸多条件的制约，此时急需一种更加通用的方案来解决上述问题，这就产生了AutoML。AutoML是一个将从根本上改变基于机器学习解决方案现状的方案。AutoML是一个

查看更多 →

将传统机器学习中的迭代过程综合在一起，构建一个自动化的过程，实现自动特征工程、自动管道匹配、自动参数调整、自动模型选择等功能，从而减少时间和人力等资源的浪费。图2-3所示是传统机器学习和自动化机器学习的对比。 图2-3　传统机器学习和自动化机器学习对比（1）传统机器学习是一个烦琐

查看更多 →

中心，也叫质心（centroid）。聚类与分类的最大不同是，分类的目标事先已知，而聚类则不知道分类标签是什么，只能根据相似度来给数据贴上不同的标签。相似度的度量最常用的是欧氏距离。k-means算法的基本流程如下：1）给定输入训练数据： 2）随机选择初始的k个聚类中心：

查看更多 →

1.4　深度学习的发展随着深度学习的应用越来越广泛，3个成熟的研究领域逐渐形成，分别是计算机视觉、自然语言处理以及语音领域，目前AI创业公司也主要集中在这些领域。下面我们就重点展开来介绍这3大应用领域。1.4.1　计算机视觉计算机视觉（Computer Vision，CV），顾名

查看更多 →

[2] 李航.统计学习方法[M].北京：清华大学出版社，2012.[3] 周志华.机器学习[M].北京：清华大学出版社，2016.[4] 周志华.机器学习与数据挖掘[J].中国计算机学会通讯，2007, 3(12): 35-44.[5] 阿培丁.机器学习导论[M].范明，昝红英，牛常勇，译

查看更多 →

AutoML是一款覆盖了机器学习全流程的自动化产品，帮助企业低门槛、规模化拥有自主可控的AI能力，从而在广告营销、风险控制等高价值、高难度决策类场景中拥有出色的决策能力。 AI Prophet AutoML通过简洁、易理解、易操作的方式覆盖了从模型调研到应用的机器学习全流程，打通了机器学习的闭环。用

查看更多 →

中提取出来。语音识别的过程可以概括如下：根据特征提取将声音信号从时域转换到频域，从而为声学模型提供合适的特征向量；再由声学模型根据特征向量来判断其属于哪个声学符号；然后利用语言模型来判断声学符号可能属于哪个词组序列；最后根据已有字典对词组序列进行解码，从而得到最后的文本表示。在人

查看更多 →

1.6　参考文献[1] MCCARTHY J, MINSKY M L,ROCHESTER N, et al. A proposal for the Dartmouth summer research project on artificial intelligence[EB/OL]

查看更多 →

2.4　参考文献[1] OUELLETTE R. Automation impacts on industry [M]. Ann Arbor: Ann Arbor Science Publishers, 1983.[2] BENNETT S. A history of control

查看更多 →

Natural Language Processing，NLP）就是模拟人类的“语言”能力，这里的“语言”是指说话和写作能力。站在专业的角度来讲，NLP就是以一种智能高效的方式对人类创造的文本数据进行系统地分析、理解和提取信息的过程。NLP的研究任务很广泛，在本书中我们将它分为5

查看更多 →

信息并将其转化为价值。随着机器学习2.0的提出，自动化成为了未来机器学习发展的一个方向。如图2-5所示，各行各业都涉及机器学习，机器学习已经融入我们生活的方方面面，比如金融、教育、医疗、信息产业等领域。对于一个机器学习的新人来说，如果他想使用机器学习，则会遇到很多的障碍，也会受到

查看更多 →

CHAPTER 3第3章机器学习概述机器学习（Machine Learning，ML）是实现人工智能的一种方法，它来源于早期的人工智能领域，是人工智能研究发展到一定阶段的必然产物。机器学习可以分为以支持向量机为代表的统计学习和以人工神经网络为代表的深度学习。统计学习模型参数往往是可解释的

查看更多 →

机器学习中的一个庞大分支就是神经网络，严格来说深度学习属于机器学习的一个类别，但是随着近年来深度神经网络的发展，特别是深度学习应用范围的不断扩展，深度学习已经成为机器学习领域的一个重要部分。机器学习（Machine Learning）是关于计算机系统使用的算法和统计模型的科学研究

查看更多 →

个重要组成部分：机器学习和深度学习。深度学习一直在持续发展，我们将用两小节来介绍深度学习的崛起和重要应用领域，在最后一节中，我们引出了人工智能未来的重要发展方向—自动化机器学习技术（AutoML）。1.1　全面了解人工智能1.1.1　人工智能定义在计算机科学领域中，人工智能是一种

查看更多 →

特征工程提供了机器学习/深度学习平台处理能力，支持业界典型特征处理方式。用户只需要通过界面几个点击的操作，就能抽取关键特征，对关键特征进行组合、转换，生成训练样本数据，无需再依赖算法专家去写代码实现，提升特征处理效率。特征工程包括数据准备、特征选择、特征构建、特征降维、特征操作几

查看更多 →

现让人们进一步意识到了深度学习的无限可能。2019年3月，ACM正式宣布将2018年图灵奖授予Yoshua Bengio、Geoffrey Hinton和Yann LeCun，以表彰他们提出的概念和工作使得深度学习神经网络有了重大突破。这也使得人们对深度学习的热情进一步发酵，让更多的研究开始往这个领域倾斜与投入。

查看更多 →

5　奔跑、飞行以及玩游戏的AI让机器为人类服务是人类一直以来的美好梦想，随着深度学习的发展，这个梦想正在逐渐实现。过去为了要让机器具有智能，需要人为赋予其大量的逻辑判断命令；而如今伴随着图像技术的成熟以及深度强化学习的应用，机器人在路上飞速奔跑、识别并跨越障碍物，乃至花式跳舞都已经成为

查看更多 →

计算机领域衍生出了机器学习。机器学习旨在通过计算机程序完成对数据的分析，从而得到对世界上某件事情的预测并做出决定。随着机器学习的不断发展，其复杂程度也在不断增高，如果还完全依靠人为规定，使计算机按照设定的规则运行，会耗费大量的人力资源。如果让计算机自己去学习和训练规则，是否能达到

查看更多 →

问题，而机器学习恰巧成为有效的解决方案。目前，在人类生活的各个领域，都可以看到机器学习的身影。无论是在复杂的人工智能领域，如自然语言处理、专家系统、模式识别、计算机视觉、智能机器人，还是在多媒体、网络通信、图形学、软件工程、医学领域，甚至是更常见的购物系统等，机器学习已然成为我们

查看更多 →

3.3　自动化机器学习3.3.1　机器学习面临的问题机器学习的步骤如图3-2所示，就一般情况而言，算法工程师的任务一般从特征工程开始。 图3-2　机器学习知识图谱特征工程是数据分析中最耗费时间精力的一部分工作，它不像算法和模型是确定的步骤，而大多情况下要依靠算法工程师的个人经验来

查看更多 →

3.2　机器学习的实现方法机器学习的核心是“使用算法解析数据，从中学习，然后对世界上的某件事情做出决定或预测”。这意味着，与其显式地编写程序来执行某些任务，不如教计算机如何开发一个算法来完成任务。机器学习主要可以分为3个类型：监督学习、非监督学习和强化学习。我们在这里仅介绍监督学

查看更多 →

教授意识到了专家学者在研究算法的过程中忽视了“数据”的重要性，于是开始带头构建大型图像数据集—ImageNet，图像识别大赛由此拉开帷幕。同年，由于人工神经网络的不断发展，“深度学习”的概念被提出，之后，深度神经网络和卷积神经网络开始不断映入人们的眼帘。深度学习的发展又一次掀起人

查看更多 →

成功，各种深度学习网络层出不穷，完成相关任务的准确率也不断提升。同时，深度学习神经网络朝着深度更深、结构更加巧妙复杂的方向推进，GPU的研发与应用也随着神经网络对算力要求的不断提高而持续快速向前推进。图1-7展示了近年来主要神经网络的发展。 图1-7　主要深度神经网络的发展201

查看更多 →

3　人工智能三大主义简要回顾人工智能的发展历史，我们会发现它主要由3个方面相互交织发展：符号主义、连接主义和行为主义。符号主义：旨在用数学和物理学中的逻辑符号来表达思维的形成，通过大量的“如果-就”（if-then）规则定义，产生像人一样的智能，这是一个自上而下的过程，包括专家系统

查看更多 →

号机器学习、集群机器学习和流形机器学习等代表的。本书中的重点—统计机器学习是近几年被广泛应用的机器学习方法。从广义上说，这是一类方法学。当我们从问题世界观测到一些数据，如果没有能力或者没有必要建立严格的物理模型时，可以使用数学方法从这些数据中推理出数学模型。注意，这里的数学模型一

查看更多 →

及人才。为了普及人工智能，降级人工智能的门槛，并且方便人工智能的开发，实现人人都会人工智能，自动化机器学习（AutoML）这个概念应运而生。AutoML是一个自动模型学习的平台，其核心思想是自动化创造AI模型，把中间的复杂流程与烦琐的步骤都交给机器来自动完成，使用者只要指定输入的

查看更多 →

波斯特洛姆还提到，“生物神经元的工作峰值速度约为200 Hz，比现代微处理器（约2 GHz）慢了整整7个数量级”，同时，“神经元在轴突上120 m/s的传输速度也远远低于计算机比肩光速的通信速度”。这使得超人工智能的思考速度和自我改进速度将远远超过人类，人类作为生物上的生理限制将统统不适用于机器智能。

查看更多 →

之后得出来的，也就是说，转化成一个文本，需要大量数据的训练，而数据训练就需要机器学习、深度学习等平台能力支撑。再一层是语音、自然语言，视觉等能力，包括语音转文本、自然语音、对话，视觉处理等等，自然语言是你说了一句话，转化成文本；文本的意思有很多种，在特定的场合有不同的意思，怎么理

查看更多 →