Negli ultimi anni, sfruttare l’apprendimento automatico per elaborare dati e carichi di lavoro si è rivelato estremamente vantaggioso per diversi settori aziendali. Che si tratti di sanità, BFSI o vendita al dettaglio, i sistemi di apprendimento automatico si sono rivelati estremamente promettenti per elaborare milioni di dati e creare modelli complessi. Detto questo, il tradizionale processo di apprendimento automatico prevede che gli esseri umani si occupino delle operazioni, codifichino e costruiscano i modelli. Ma, con la crisi in mano, le aziende stanno cercando di ridurre la loro forza lavoro , alcune non sono nemmeno dotate di risorse da spendere per assumere un team esperto di data science. Ed è allora che AutoML può venire in soccorso per molti.
AutoML , noto anche come machine learning automatizzato, è un processo end-to-end automatizzato di implementazione di tecniche di machine learning per risolvere problemi aziendali complessi e creare modelli. Ebbene, il concetto di machine learning automatizzato non è nuovo; invece, è stato il discorso della città da quando Google ha rilasciato per la prima volta il suo prodotto AutoML . Non solo AutoML può essere utilizzato nel riconoscimento delle immagini e nelle attività di PNL , ma anche per il riconoscimento vocale , l’apprendimento semi-supervisionato e l’ apprendimento di rinforzo .
Con l’enorme potenziale di AutoML che lascia un segno nel settore, è il momento giusto per i professionisti del machine learning , i data scientist e i professionisti non tecnologici dell’organizzazione per ottenere una comprensione più completa di AutoML. Pertanto, in questo articolo, condivideremo sette risorse online che possono aiutarti a ottenere l’apprendimento automatico automatico.
Esercitazione sull’API di AutoML Vision
Di Google Cloud
Informazioni: questo tutorial del tutorial sull’API di AutoML Vision è fornito da Google Cloud e dimostra il modo giusto per creare un nuovo modello con il tuo set di dati di immagini di addestramento. Questo tutorial aiuterà inoltre a valutare i risultati e prevedere la classificazione delle immagini di prova utilizzando AutoML Vision. Questo tutorial di Google Cloud utilizzerà un set di dati immagine di cinque diversi tipi di fiori: girasoli, tulipani, margherite, rose e denti di leone e fasi come l’addestramento del modello personalizzato con il set di dati, la valutazione delle prestazioni del modello per una migliore precisione e la classificazione di nuovi immagini utilizzando il modello personalizzato.
Esercitazione sull’API di AutoML Natural Language
Di Google Cloud
Informazioni: il tutorial sull’API del linguaggio naturale di AutoML è fornito anche da Google Cloud, dove mostra i passaggi per creare un modello in grado di classificare i contenuti utilizzando il linguaggio naturale di AutoML. In questo tutorial, verrà evidenziato come l’applicazione addestra il modello personalizzato con un set di dati open source HappyDB. Ciò si tradurrebbe in un modello in grado di classificare i momenti felici in categorie specifiche che affermano la causa della felicità.
Utilizzo di AutoML per prevedere le tariffe dei taxi
Di Microsoft Azure
Informazioni: in questo tutorial, gli studenti possono mettere le mani su utilizzando AutoML nell’apprendimento automatico di Microsoft Azure per sviluppare un modello di regressione per prevedere le tariffe dei taxi a New York City. Questo è un tutorial per un caso di studio specifico e utilizzerà i dati di addestramento e le impostazioni di configurazione per navigare automaticamente attraverso i metodi di normalizzazione / standardizzazione e le impostazioni degli iperparametri per sviluppare il miglior modello di previsione delle tariffe. Insieme a GitHub, questo tutorial può essere eseguito anche sull’ambiente locale degli studenti.
Notebook tutorial di AutoML Tables
Di Kaggle
Informazioni su: AutoML Tables Tutorial Notebook è un tutorial passo passo sull’utilizzo della nuova integrazione di Kaggle con AutoML Tables di Google, fornito da Devrishi, un product manager di Google. In questo tutorial, il presentatore applicherà le tabelle su uno dei concorsi di Kaggle – Prezzi delle abitazioni, dove i dati verranno utilizzati per prevedere il prezzo di vendita. Questo tutorial mostrerà come l’utilizzo di AutoML Tables aiuterà a ottenere una soluzione iniziale ad alte prestazioni senza spendere molto per la progettazione delle funzionalità, la selezione del modello o l’ottimizzazione degli iperparametri.
Funzionalità AutoML della libreria H2O
Di Kaggle
Informazioni: le funzionalità AutoML della libreria H2O sono un tutorial presentato da Kaggle, in cui il presentatore, Dmitry Burdeiny, mostra una panoramica delle funzionalità AutoML della libreria H2O. L’interfaccia H2O AutoML è stata progettata con pochi parametri che rendono più facile per gli utenti puntare al proprio set di dati, identificare la colonna di risposta e, facoltativamente, specificare un vincolo di tempo per addestrare il proprio modello. Con questo tutorial, gli studenti impareranno come utilizzare le funzionalità AutoML della libreria H2O, la piattaforma ML e AI open source.
Auto ML con Auto-Keras
Di DataCamp
Informazioni su: Auto ML con auto-Keras è un tutorial fornito da DataCamp, che insegnerà agli studenti come eseguire l’apprendimento automatico automatico con la libreria auto-Keras. Copre la comprensione della pipeline di machine learning e l’automazione di quest’ultima per l’introduzione di AutoML e auto-Keras. Ha anche un’applicazione di studio di casi. Dall’inizializzazione dei modelli ML all’addestramento, al test e alla valutazione del modello, questo tutorial fornirà una conoscenza completa sul livello di astrazione che auto-Keras può offrire e su quanto sia facile utilizzarlo per l’apprendimento automatico.
Creazione di modelli di machine learning con AutoML
Di Macgyver (YouTube)
Informazioni: Infine, come suggerisce il nome, questo tutorial di YouTube mostra come utilizzare AutoML per creare modelli ML senza scrivere alcun codice. In questo video tutorial, il presentatore insegnerà come generare alcuni dati artificiali utilizzando Fogli Google e script delle app, quindi caricarli in un bucket di archiviazione cloud di Google. Pubblica questo, il tutorial insegnerà come utilizzare Tabelle / AutoML per generare un classificatore basato sui dati tabulari. Una volta fatto, il relatore mostrerà come distribuire il modello ed eseguire alcune previsioni su nuovi record di dati per valutare l’accuratezza del modello.
