自动机器学习（AutoML）：方法、系统与挑战

近十年来，不管是机器学习相关的应用还是研究，都迎来了爆发式增长。尤其是深度学习，使得很多应用领域都取得了关键性突破，如计算机视觉、语音处理和游戏。然而，多数机器学习方法的性能在很大程度上依赖于过量的模型设计策略，这导致新手难以较快地掌握和应用机器学习。在深度学习上更是如此，如果人类工程师想要让神经网络在特定的任务上取得理想的表现性能，就需要很好地选择和设计网络结构、学习过程、正则化方法及超参等。另外，随着任务的不同，工程师需要重复上述过程。需要说明的是，即使是专家，在一个特定的数据集上，也需要经过多次的迭代和试错才能找到一组良好的网络配置参数，新手更是如此。

网络搜索和随机搜索的对比示例

自动机器学习（AutoML）旨在以一种数据驱动、目标导向及自动化的方法实现上述过程。换言之，用户只需要提供数据，AtuoML系统就能够自动学习出使得该应用取得最佳性能的机器学习模型。因此，自动机器学习能够让那些想要使用机器学习方法但是缺乏机器学习资源或背景知识的领域科学家使用到最新的机器学习模型。这可以被视为一种机器学习的民主化，即通过AutoML，每个人都能获得定制化的且达到行业最新水准的机器学习模型。

正如《自动机器学习（AutoML）：方法、系统与挑战》所展现的，自动机器学习方法已经成熟到可以与人类机器学习专家相竞争的水平，甚至在有些时候，自动机器学习的表现可以超越人类机器学习专家。简单来说，机器学习专家一方面比较稀缺，另一方面人力成本较高，而自动机器学习却可以在节省大量时间和金钱的前提下提升算法性能。自动机器学习的这种优势使得自动机器学习的商业关注度在近几年得到极大提升，而且几家有影响力的科技公司目前正在开发自己的AutoML系统。需要强调的是，让机器学习民主化的最好方式是通过开源的自动机器学习系统，而非专营付费的黑盒服务。

连续对半算法示例

《自动机器学习（AutoML）：方法、系统与挑战》对正在快速发展的自动机器学习领域进行了整体介绍。值得说明的是，目前大家都非常关注深度学习，导致很多研究者错误地将自动机器学习和神经网络架构搜索（NAS）画上了等号。如果你阅读《自动机器学习（AutoML）：方法、系统与挑战》，你就会了解到，NAS只是自动机器学习的一个极佳案例，而自动机器学习实际所涵盖的内容远不止NAS。《自动机器学习（AutoML）：方法、系统与挑战》一方面可以为那些想要研究出自己的自动机器学习方法的研究者提供背景知识和起点；另一方面可以为那些想要将自动机器学习应用到实际问题的实践者提供可用的AutoML系统。而对于那些已经从事自动机器学习的研究者而言，《自动机器学习（AutoML）：方法、系统与挑战》可以提供一个AutoML最新研究成果和进展的概览。

单维函数上的贝叶斯优化示例

《自动机器学习（AutoML）：方法、系统与挑战》全面介绍自动机器学习，主要包含自动机器学习的方法、实际可用的自动机器学习系统及目前所面临的挑战。在自动机器学习方法中，《自动机器学习（AutoML）：方法、系统与挑战》涵盖超参优化、元学习、神经网络架构搜索三个部分，每一部分都包括详细的内容介绍、原理解读、具体运用方法和存在的问题等。此外，《自动机器学习（AutoML）：方法、系统与挑战》还具体介绍了现有的各种可用的AutoML系统，如Auto-sklearn、Auto-WEKA及Auto-Net等，并且《自动机器学习（AutoML）：方法、系统与挑战》最后一章详细介绍了具有代表性的AutoML挑战赛及挑战赛结果背后所蕴含的理念，有助于从业者设计出自己的AutoML系统。

据我们所知，这是第一本全面介绍自动机器学习系统的书，主要包含自动机器学习的方法、实际可用的自动机器学习系统及目前所面临的挑战。《自动机器学习（AutoML）：方法、系统与挑战》能够为实践者提供开发自己的AutoML系统所需的背景知识和方法，同时提供能够快速应用到广泛的机器学习任务中的自动机器学习系统的详细内容。自动机器学习领域的发展可谓一日千里，我们希望通过《自动机器学习（AutoML）：方法、系统与挑战》能够对近期的众多进展进行组织和梳理。同时，我们希望诸位读者能够喜欢《自动机器学习（AutoML）：方法、系统与挑战》，加入日益壮大的自动机器学习队伍中。