自动机器学习（机器学习）

本篇文章给大家谈谈自动机器学习，以及机器学习对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、机器学习是什么
• 2、什么是机器学习？
• 3、名词解释机器学习
• 4、机器学习
• 5、第四范式涂威威：AutoML 回顾与展望
• 6、什么是机器学习？为什么它如此重要

机器学习是什么

机器学习和深度学习都是人工智能领域的重要分支，它们的基本思想是通过让机器模拟人类的学习过程，从而让机器能够自动地完成一些任务，例如分类、聚类、预测等。

机器学习是一种让计算机通过数据学习如何完成任务的方法。它通过从数据中学习规律和模式，然后用这些规辩轮律和模式来预测新的数据。机器学习的方法包括监督学习、无监督学习、半监督学习和强化学习等。

深度学习是机器学习的一种，它利用神经网芹乎络模型进行学习。与传统的机器学习方法相比，深度学习模型通常具有更多的层和更多的神经元，可以处理更复杂的数据和任务。深度学习在图像识别、语音识别、自然语言处理等领域取得了很大的成功。

机器学习和深度学习的联系是深度学习是机器学习的一种特殊形式。深度学习利用神经网络进行学习，而神经网络的基础是机器学习中的模型，如感知机、逻辑回归等。深度学习通常使用大量的标记数据进行训练，而机器学习方法可以使用监督、半监督和无监督等不同的方式进行训练。此外，深度学习与机器学习都需要进行数据预处理、特征提取等步骤。

机器学习和深度学习的区别在于深度学习是一种特殊的机器学习方法，它利用深层神经网络模型进行学习，可以处理更复杂的数据和任务。而传统的机器学习方法更侧重于特征提取、模型选择嫌灶悉等方面。此外，深度学习通常需要更多的计算资源和更大的数据集进行训练，而机器学习方法在一定程度上可以通过优化算法和特征提取等方式提高性能。

[img]

什么是机器学习？

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，笑祥重新组织已有的腔稿知识结构使之不断改善自身的性能。

它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

基本简介：

机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与统计推断学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习已经有了十分广泛的应用，例如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。

学习是人类具有的一种重要智能行为，但究竟什么是学习，长期以来却众说纷纭。社会学家、逻辑学家和心理学家都各有其不同的看法。比如，Langley（1996) 定义的机器学习是“机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。（Machine learning is a science of the artificial. The field's main objects of study are artifacts, specifically algorithms that improve their performance with experience.'）Tom Mitchell的机器学习(1997)对信息论中的一些概念有详细的解释,其中定义机器学习是提到，“机器学习是对能通过经验自动改进的计算机算法的研究”。（Machine Learning is the study of computer algorithms that improve automatically through experience.）Alpaydin（2004）同时提出自己对机器学习的定义，“机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”（Machine learning is programming computers to optimize a performance criterion using example data or past experience.）

尽管如此，为了便于进行讨论和估计学科的进展，有必要对机器学习给出定义，即使这种定义是不完全的和不充分的。顾名思义， 机器学习是研究如何使用机器来模拟人类学习活动的一门学科。稍为严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的学问。这里所说的“机器”，指的就是计算机；现在是电子计算机，以后还可能是中子计算机、光子计算机或神经计算机等等。

机器能否象人类一样能具有学习能力呢？1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军碰圆搏。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。

机器的能力是否能超过人的，很多持否定意见的人的一个主要论据是：机器是人造的，其性能和动作完全是由设计者规定的，因此无论如何其能力也不会超过设计者本人。这种意见对不具备学习能力的机器来说的确是对的，可是对具备学习能力的机器就值得考虑了，因为这种机器的能力在应用中不断地提高，过一段时间之后，设计者本人也不知它的能力到了何种水平。

机器学习是人工智能研究较为年轻的分支，它的发展过程大体上可分为4个时期。

第一阶段是在50年代中叶到60年代中叶，属于热烈时期。…

第二阶段是在60年代中叶至70年代中叶，被称为机器学习的冷静时期。

第三阶段是从70年代中叶至80年代中叶，称为复兴时期。

机器学习的最新阶段始于1986年。

机器学习进入新阶段的重要表现在下列诸方面：

(1) 机器学习已成为新的边缘学科并在高校形成一门课程。它综合应用心理学、生物学和神经生理学以及数学、自动化和计算机科学形成机器学习理论基础。

(2) 结合各种学习方法，取长补短的多种形式的集成学习系统研究正在兴起。特别是连接学习符号学习的耦合可以更好地解决连续性信号处理中知识与技能的获取与求精问题而受到重视。

(3) 机器学习与人工智能各种基础问题的统一性观点正在形成。例如学习与问题求解结合进行、知识表达便于学习的观点产生了通用智能系统SOAR的组块学习。类比学习与问题求解结合的基于案例方法已成为经验学习的重要方向。

(4) 各种学习方法的应用范围不断扩大，一部分已形成商品。归纳学习的知识获取工具已在诊断分类型专家系统中广泛使用。连接学习在声图文识别中占优势。分析学习已用于设计综合型专家系统。遗传算法与强化学习在工程控制中有较好的应用前景。与符号系统耦合的神经网络连接学习将在企业的智能管理与智能机器人运动规划中发挥作用。

(5) 与机器学习有关的学术活动空前活跃。国际上除每年一次的机器学习研讨会外，还有计算机学习理论会议以及遗传算法会议。

名词解释机器学习

名词解释机器学习是机器学习是指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务。

机器学习它是一门多领域交叉学科，启销专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。

机器学习有下面几种定义：机器学习是配段一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。机器学习是对能通过经验自动改进的计算机算法的研究。机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

符号学习：模拟人脑的宏现心理级学习过程，以认知心理学原理为基础，以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。符号学习的典型方法有记忆学习、示例学习、演绎学习.类比学习、解释学习等。

神经网络学习（或连接学习）：模拟人脑的微观生理级学习过程，以脑和神经科学原理为基础，以人工神经网络为函数结构模型，以数值数据为输入，以数值运算为方法，用迭代过程在系数向量空间中搜索，学习的目标为函数。典型的培旁誉连接学习有权值修正学习、拓扑结构学习。

机器学习

机器学习是人工智能的一个子集。

这项技术的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的段猛袭性能，不需要进行明确的编程。在机器学习中，算法会不断进行训练，从大型数据集中发现模式和知指相关性，然后根据数据分析结果做出最佳决策和预测。

特点

机器学习应用具有自我演进能力，它们获得的数据越多，准确性会越高。机器学习技术握兄的应用无处不在，比如我们的家居生活、购物车、娱乐媒体以及医疗保健等。

机器学习算法能够识别模式和相关性，这意味着它们可以快速准确地分析自身的投资回报率。对于投资机器学习技术的企业来说，他们可以利用这个特性，快速评估采用机器学习技术对运营的影响。

第四范式涂威威：AutoML 回顾与展望

AI 科技 评论按 ，本文作者第四范式涂威威，该文首发于《中国计算机学会通讯》第15卷第3期，AI 科技 评论获中国计算机学会授权转载。

自动机器学习的研究动机

机器学习在推荐系统、在线广告、金融市场分析、计算机视觉、语言学、生物信息学等诸多领域都取得了成功，在这些成功的应用范例中，也少不了人类专家的参与。Google、 Facebook、百度、阿里巴巴、腾讯等 科技 公司依靠其顶尖的机器学习专家团队来支撑机器学习在企业内部的各种应用，各类科研机构也在花费大量经费，维护着机器学习科学家团队。然而，对于很多传统企业、中小型企业和一般的科研机构，就很难组建出这样的机器学习专家团队，其原因是机器学习专家的缺口太大，人才短缺，人才抢夺激烈，专家团队的管理成本高昂和专家经验不可复制，等等。

为了机器学习能为更多的企业赋能，在更加广泛的场景得到应用，有没有低门槛甚至零门槛的机器学习方法，让更多的人可以在很少甚至几乎没有专业知识的情况下轻松使用，并减少机器学习应用落地对专家人才的依赖？自动机器学习(Automatic/Automated Machine Learning, AutoML)应运兆蠢而生。其研究目的就是为了使机器学习过程自动化，减少、甚至完全规避人类专家在这个过程中的参与度。

理论出发点

设计机器学习算法是一件困难重重的事情，能否找到一种通用的机器学习算法来解决所有的机器学习问题呢?这个问题在 20 多年前就被解答过，对于所有可能的问题，可以证明的是，如果所有问题同等重要，所有的算法，包括完全随机的算法，它们的期望性能是一样的，所有的算法没有优劣之分，这是著名的没有免费的午餐 (No Free Lunch, NFL)定理的一个不太严谨的直观阐述。

这个定理意味着寻求一种完全通用的机器学习算法是行不通的。于是，研究人员就开始针对不同的问题展开对应的机器学习研究，这导致了机器学习技术广泛应用不可复制的问题。在解决某个特例问题的机器学习算法和针对所有问题完全通用的机器学习算法之间，有一种可能性是存在可以解决某一类而不只是某一个特例的相对通用的机器学习算法。自动机器学习就是从这样的理论考虑出发，试图去寻找更加通用的机器学习算法。

目前自动机器学习研究的主要场景

静态闭环自动机器学习

静态闭环自动机器学习考虑的是静态机器学习问题，即给定固定的训练集，不利用外部知识，寻找在测试集上期望表现最好的机器学习模型。经典的机器学习流程包括数据预处理、特征处理和模型训练。自动机器学习在这三个流程中都有广泛的研究 :

(1) 数据预处理中，研究数据的自动清洗、样本的自动选择、数据的自动增强、数据类型的自动推断等，以达到理解原始数据和提升数据质量的目标。

(2) 对特征处理方法的研究主要包括自动特征生成和自动特征选择。自动特征生成的研究包括单特征变换、多特征组合、深度特征生成、特征学习等。自动特征选择一般会配合自动特征生成使用，先自动生成特征，再进行自动特征选择，对于复杂的特征处理，一般两者交替迭代进行。

(3) 模型训练的研究一般包括自动算法选择和自动算法配置。自动算法试图从广泛的机器学习算法中选择适合问题的某一个或者某几个算法，这些算法又有很多的超参数需要配置，自动算法配置则研究如何进行超参数选择配置，比如如何配置神经网络结构，实际应用中这两者也会配合使用。

外部知识辅助的静态自动机器学习

外部知识辅助的静态自动机器学习试图借鉴人类专家选择数据处理方法、特征处理方法、模型训练算法等的方式进行自动机器学习。昌蚂人类专家会从以往处理过的机器学习问题中积累经验，并将此推广到之后的机器学习问题中。

动态环境的自动机器学习

动态环境下的自动机器学习研究试图解决的是数据不断积累、概念发生漂移时的问题。

核心技术

自动机器学习的研究核心是如何更好地对数据处理方法、特征处理方法、模型训练方法等基础部件进行选择、组合以及优化耐猜埋，以使学习到的模型的期望性能达到最优(见图 1)。

目前该项研究主要面临三个难点 :

(1) 超参配置与效果之间的函数无法显式表达，属于“黑盒”函数;

(2) 搜索空间巨大，可能的处理方法和组合是指数级，同时不同处理方法拥有各自的超参数，当特征维度超过 20 时，其多目特征组合可能的搜索空间都将远超围棋可能的状态空间 ;

(3) 函数值的每次计算大多涉及数据预处理、特征处理、模型训练的全流程，函数值的计算代价极其昂贵。为了解决这些问题，采用的核心技术是基础搜索方法、基于采样的方法和基于梯度的方法。

图1 自动机器学习的框架

基础搜索方法

搜索方法中最常见的是格搜索方法。该方法通过遍历多维参数组合构成了网格寻求最优化，容易实现，应用广泛，但是，搜索复杂度随参数维度呈指数增长，并且会将搜索浪费在不太重要的参数维度上。随机搜索方法则是对参数空间进行随机采样，各个维度相互独立，克服了维度灾难和浪费资源搜索的问题。在实际应用中，随机搜索方法往往表现得比格搜索要优秀。

基于采样的方法

基于采样的方法是被研究得最多的方法，大多也是具有理论基础的方法，往往比基础搜索方法表现更优。这类方法一般会生成一个或者多个对样本空间的采样点，之后再对这些采样点进行评估，根据评估的反馈结果进行下一步采样，最后寻找到相对较优的参数点(见图 2)。基于采样的方法分为以下四类：

图2 基于采样的方法

该方法试图建立关于配置参数和最终效果的模型，并依据模型来寻求最优化。这类方法一般先基于已经采样到的点的效果评估建立模型，然后基于学习到的模型采用某种采样策略来生成下一个或者下一组采样点，根据新的采样点得到的效果进一步更新模型，再采样迭代，如此寻求对黑盒函数的最优化。由于待优化的函数是“黑盒”函数，在求解过程中只能获得函数值而不能直接计算函数梯度，因此也被称为零阶优化方法(零阶是相对于传统计算一阶或者二阶梯度的优化方法)或者非梯度方法。

这类方法有两个主要的关注点 : 模型和采样策略。构建的模型一般用来预测配置参数对应的效果。由于采样依据的模型仅仅是依据之前采样得到的点的反馈学习，对函数空间未 探索 区域的估计一般是不太准确的，采样策略需要在函数最优化和空间 探索 之间做出权衡，即在开发利用 (exploitation) 和 探索 (exploration) 之间做出权衡，简称 EE。

贝叶斯优化是一种基于概率模型的方法，一般采用高斯过程、贝叶斯神经网络、随机森林等作为模型，然后采用提升概率、提升期望、交叉熵、GP-UCB 等作为采样策略，这些策略都在显式或者隐式地进行 EE。最常见的是基于高斯过程的贝叶斯优化方法，这类方法在参数维度较低、采样点较少时表现较优，但是在高维、采样点较多时就很难被使用，因此有学者尝试使用贝叶斯神经网络解决这样的问题。

基于分类方法的随机坐标收缩方法 (RAndom COordinate Shrinking, RACOS) 和基于随机坐标收缩分类模型来进行基于模型的零阶优化，有效地解决了贝叶斯优化方法的计算复杂度高、参数类型受限的问题，它一般采用最简单的 ε-greedy 方法来进行 EE。随机坐标收缩方法被证明在高维度场景下显著优于基于高斯过程的贝叶斯优化方法。

局部搜索方法一般定义某种判定邻域的方式， 从一个初始解出发，搜索解的邻域，不断 探索 更优的邻域解来完成对解空间的寻优。最常见的方法有爬山法、局部集束搜索等。局部搜索简单、灵活并易于实现，但容易陷入局部最优，且解的质量与初始解和邻域的结构密切相关。

启发式方法主要是模拟生物现象，或者从一些自然现象中获得启发来进行优化，最典型的就是基于演化计算方法。这类方法由于很少有理论依据，实际工作中很难对方法的效果进行分析。

这类方法能够发现一些新的神经网络结构，并被验证具有一定的迁移能力，但是由于强化学习自身的学习算法研究尚未成熟，其优化效率相对低下。

基于梯度的方法

由于对优化部件以及超参数的可微性要求较高，并且计算复杂度也高，因此，直接对优化目标进行梯度求解的方法很少使用。

研究热点

自动机器学习的研究热点是效率和泛化性。解决自动机器学习的效率问题是自动机器学习技术落地的关键之一。效率优化包括六类 :

(1) 混合目标优化，将参数点的评估代价也作为优化目标的一部分，在计算代价和效果之间做权衡。

(2) 同步并行化和异步并行化。

(3) 提前停止迭代，在训练早期就剔除一些表现不太好的参数，节省计算资源，比如最经典的逐次减半策略，每过一段时间都剔除其中一半不好的参数，极大地节省了计算资源(见图 3)。

(4) 对模型训练进行热启动，复用类似参数的训练结果，降低超参数的评估代价。

(5) 对数据进行采样，采用小样本上的参数搜索来代替全样本的参数搜索，由于小样本和全样本最优参数之间可能存在着差异，有一些研究人员试图学习小样本和全样本之间的关系来进行多保真度的自动机器学习(见图 4)。

(6) 将超参数搜索和机器学习过程结合起来，进一步提升效率和效果，比如基于种群的方法。

机器学习关注的核心是泛化性，自动机器学习的目的也是为了提升最终学习到的模型的泛化性。

图3 逐次减半策略

图4 多保真度的自动机器学习

如何判断自动机器学习是否提升了泛化性，一般采用切分训练集和验证集的方式进行估计。为了进一步降低过拟合到验证集的风险，有一些研究关注如何对模型的泛化效果进行更合理的估计。除此之外，由于自动机器学习往往伴随着很多次不同参数的模型学习，与最终只选择一个“最优”的模型不同，选择其中一些模型进行集成学习也是一种提升泛化性的方式。越来越多的工作混合多种效率优化和提升泛化性的策略对自动机器学习算法进行优化。

落地应用

来自不同数据之间解决问题手段的可迁移性 / 可复制性为自动机器学习的落地增加了难度。解决不同问题的手段相似性或者可迁移性 / 可复制性越高，自动化越容易，反之越难。目前自动机器学习落地的应用场景主要有图像数据和表数据。

图像数据

深度学习取得成功的领域来自图像。深度学习的核心在于“自动”学习层次化特征。以前的图像分析需要人工来做，要从原始像素中提取非常多的特征，而深度学习很好地解决了这个问题。深度学习使得特征可学习，同时将人工特征设计转变成了人工神经网络结构设计。对于这类数据，自动机器学习研究的核心是使图像领域的神经网络结构设计自动化。图像数据之间的相似性较大，原始输入都是像素，问题解决方案的可迁移性和可复用性也大，因此，自动机器学习在图像数据上的落地相对容易。

表数据

表数据是抽象数据，不同的表数据之间没有很强的相似性，不同表数据各列的含义千差万别，表数据还与实际业务密切相关，需要解决时序性、概念漂移、噪声等问题，因此自动机器学习在表数据上落地的难度较大，仅仅是自动神经网络结构设计是远远不够的。目前研究的热点还包括如何将分布在多个表中的数据自动转化成最终机器学习所需要的单个表数据。

未来展望

算法方向

在自动机器学习算法方面，未来的工作如果能在 5 个方向上取得突破，将会有较大的价值。

1. 效率提升。效率可从时间复杂度和样本复杂度两方面考量。在给定的计算资源下，更高的效率在一定程度上决定了自动机器学习的可行性，意味着可以进行更多 探索 ，还可能会带来更好的效果。另外，获取高质量有标记的样本往往是非常昂贵的，因此样本复杂度也是影响机器学习落地的关键因素之一。在外部知识辅助的自动机器学习中引入学件 (学件 = 模型 + 模型的规约)，利用迁移学习，是未来有效降低样本复杂度的可能方向 (见图 5)。

图5 迁移学习与学件

2. 泛化性。目前自动机器学习在泛化性上考虑较少，泛化性是机器学习最重要的研究方向，未来需要加强。

3. 全流程的优化。与目前大部分自动机器学习只研究机器学习的某一个阶段(比如自动特征、自动算法选择、自动算法配置)不同，实际应用需要全流程的自动机器学习技术。

4. 面对开放世界。现实世界不是一成不变的， 自动机器学习技术需要面对开放的世界，解决数据的时序性、概念漂移、噪声等问题。

5. 安全性和可解释性。为使自动机器学习具有安全性，需要解决攻击应对、噪声抵抗、隐私保护等问题。如果自动机器学习系统被部署到实际系统中与人交互，则需要更好的可解释性。

理论方向

在自动机器学习理论方面，目前研究的甚少，对自动机器学习的泛化能力及适用性也知之甚少。因而，我们一方面要回答目前自动机器学习算法的适用性和泛化能力，另一方面也要回答哪些问题类存在通用的机器学习算法上和更广泛问题空间上的自动机器学习算法的可行性。

作者简介

涂威威

第四范式资深机器学习架构师、资深科学家。第四范式先知平台大规模分布式机器学习框架 GDBT 的设计者，带领团队将 AutoML 及迁移学习应用到工业界并取得显著的效果提升。

邮箱：tuweiwei@4paradigm.com

更多有关强化学习的学术和论文话题，欢迎点击 阅读原文 加入 AI 研习社强化学习论文小组~

什么是机器学习？为什么它如此重要

导读：机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。 机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。 什么是机器学习？ 机器学习是一种数据分析方法，它可以自动分析模型的建筑。通过使用迭代学习数据的算法，机器学习可以使电脑在没有被明确编程看哪里的情况下，发现隐藏的领域。 迭代在机器学习中是非常重要的，由于它的存在，模型在遇到新的数据时，就可以独立地适应数据。它们可以从先前产生的可隐派靠计算，重复的决定和结果中袜毕进行学习。机器学习并不是一个全新的学科-而是获得新动力的学科。 由于新型计算技术的产生，如今的机器学习与以往大不相同。尽管很多机器学习算法已经存在了很长时间，但自动将复杂的数学计算应用到大数据的能力（一个又一个，越来越快）是最新的进展。下面这些广泛宣传的机器学习应用程序的例子，你可能非常熟悉： ·大量的炒作，Google自动驾驶汽车？机器学习的本质。 ·像Amazon和Netflix的在线推荐服务？机器学习在日常生活中的应用 ·知道客户在Twutter上说了什么关于你的事吗？机器学习与语言规则创造结合。 ·欺诈检测？在我们现今生活中，告携芹一个更明显的，重要的用途。 为什么越来越多人对机器学习感兴趣？ 人们在机器学习方面兴趣的复兴，也是由于同样的因素，即数据挖掘和贝叶斯分析比以往更受欢迎。在类似数量增长和可用数据这方面，计算处理更实惠，更强大，且负担得起数据存储。 以上所有的因素都暗示着：机器学习可以更快且自动的产生模型，以分析更大，更复杂的数据，而且传输更加迅速，结果更加精准——甚至是在非常大的规模中。结果是？在现实中无人类干涉时，高价值（ High-value）的预测可以产生更好的决定，和更明智的行为。 自动模型的建立是在现实中生成明智行动的一大关键。分析思想领袖Thomas H. Davenport在华尔街日报上写道，日新月异，不断增长的数据，"…你需要快速移动的建模流（ fast-moving modeling streams）来保持。"而你可以通过机器学习做到这些。他还说道"人类通常一周可以创建一个或两个好的模型；而机器学习一周就可以创造出成千上万的模型."

关于自动机器学习和机器学习的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。