AI تقنية الصحافة : AutoML تعلم الآلة هو حار هذا العام، والكثير من الإمكانات التقنية لتوليد قيمة كبيرة في ممارسة مهنة الهندسة. في هذه المرحلة، والصناعة الرئيسية في اتجاه مرحلة AutoML مناقشة الصعوبات، وليس هناك واحد لإطلاق برنامج منهجي. في ممارسة مهنة الهندسة، AutoML يست بعد تعلم آلة أتمتة العمليات والاستخبارات الرئيسي القوة الدافعة. في التطبيقات العملية، الأمثل للبيانات الكبيرة AutoML نماذج كبيرة تعاني من نقص في كل من البحث والهندسة. في هذه الفئة المفتوحة، وقاموا بعمل المسائل العملية إزاء خوارزميات AutoML وأرضية الهندسة وهلم جرا.
حصة رئيس مجلس النواب:
شو هاو، وعلم الدماغ والمهندسين سحابة الخوارزمية الأساسية التكنولوجيا، والتعلم الآلي وخبراء الحوسبة عالية الأداء. في التعلم الآلي، ومعالجة اللغة الطبيعية، وارتفاع الأداء والحوسبة الموزعة، مسند الحسابات، وتحسين العشوائية وغيرها من المجالات لديها أكثر من عشر سنوات من الخبرة R & D. الدكتور جامعة هندسة الحاسب الآلي من سينسيناتي نشرت أعلى 20 ورقة IEEE / ACM، وفاز المؤتمر الدولي الثامن على الأجهزة الإلكترونية الفريدة الطاقة المنخفضة جائزة أفضل ورقة. كان ANSYS برنامج كبير المهندسين، ترأس تطوير الحوسبة الموزعة احتمال نظام مليار العقد.
الفئة المفتوحة عنوان القراءة:
حصة الموضوع: AutoML ممارسة مهنة الهندسة وعلى نطاق واسع من التطبيقات الصناعية
حصة الخطوط العريضة:
-
AutoML صناعة الأخبار
-
طليعة التقدم AutoML خوارزمية
-
AutoML التطبيقات الهندسية على نطاق واسع الهبوط مشكلة
-
تكنولوجيا سحابة الدماغ ونظام فعال AutoML
-
تطبيقات في الدماغ سحابة أوصى AutoML ،، ،، المالية ومناطق أخرى من لعبة
سوف AI تقنية مشاركة وتتلخص محتوياته كما يلي:
AutoML هو موضوع المزيد من النار في عام 2018، salesforce ومايكروسوفت لديها AutoML المكتبات مفتوحة المصدر، وهناك الكثير من حزم مفتوحة برمجيات المصدر، مثل AUTO KERAS للسيارات، Sklearn وAutoWeka.
في الخوارزمية، هذا العام على البحث NAS خوارزمية هو أكثر شعبية، وتتعلق أساسا إلى هيكل بحث الشبكة العصبية. في مصطلحات البحث hyperparametric، المزيد من البحوث هو نموذج يستند متسلسل الأمثل، والفكرة الأساسية هي الأولى من نوعها في الفضاء معلمة أخذ العينات فائقة داخل النموذج، حدد احتمال أكبر لتعزيز نقطة hyperparametric، ونموذج أكثر شعبية هو بايو سري لانكا، ونموذج TPE. ورقة جوجل على "Hyperband" اللصوص وهناك طريقة بسيطة تستخدم أكثر، فإن الفكرة الأساسية هي نشر نقطة أخذ العينات في الفضاء فائقة المعلمة، ومن ثم تدريب لكل نقطة، ونتائج التدريب نقطة أفضل يمكن الحصول على المزيد من الموارد . هناك خوارزمية السكان على أساس، وهذه هي اندماجي حل مشكلة التحسين أكثر كلاسيكية.
من حيث التطبيقات الهندسية الأرض، AutoML لا يزال في المرحلة التجريبية، والتحسين والتصحيح نموذج الكفاءة لديه بعض المشاكل، ولكن يعمل امكانات كبيرة. العيب هو: كمية كبيرة من الحساب، والمشروع لا تستطيع ان تلبي احتياجات التكرار السريع، محدودة في الوقت الراهن لمشكلة مساعد، في تحسين البحث وعملية في مثل الصندوق الأسود، وأقل التفاعل بين الإنسان والحاسوب. ولذلك، AutoML في مشاريع كبيرة في الطابق تطبيق لا تزال هناك بعض المشاكل.
في ممارسة مهنة الهندسة ما العوامل في الاعتبار الهبوط ذلك؟ الأول هو الدقة والسرعة الهندسة التكرارية، ضغط خدمة، ثم إذا كان التعلم العميق، ولكن أيضا النظر في عمق التعلم لتسريع الأمثل، وأخيرا، يحتاج نموذج خط تأثير دينامية أيضا إلى النظر فيها، لأنه قد لا يكون هناك في المعرض على الانترنت وغير متصل نموذج نفس الشيء. ثم، يتم ترك العينة صلة الأمثل المقابلة من الكفاءة FIG، وخصائص الكفاءة، واختيار نموذج والاستراتيجيات على الانترنت لكفاءة الأمثل والكفاءة.
الدماغ سحابة الأمثل في هذه القطاعات هو كيف نفعل؟
-
كفاءة عينة
كفاءة عينة واحدة من المشاكل الأساسية للتعلم الآلة، آلة التعلم هو في جوهره عملية أخذ العينات بالإضافة إلى تركيب، ولكن العملية ليست في كثير من النظم في عملية واحدة. في كثير من الحالات، وتجهيز العينات بسيط جدا، مع عدد كبير من العينات لا أو أقل كفاءة. تأثير أكبر على دقة اختيار العينة، وتأثير عدد تستغرق وقتا طويلا هو خطية.
نحن عينة كمية كبيرة من المعلومات إلى البقاء، لإزالة كمية صغيرة من المعلومات. كيفية قياس المعلومات عينة؟ لا يمكن أبدا أن الرقابة زاوية المنظور المعلومات التجارية والعينات.
دعونا ننظر على سبيل المثال. وفيما يلي البيانات على الانترنت ألعاب الزيارات. هذا هو من النقرات لاعب وانطباعات خطيرة للألعاب المختلفة في 11 يوما ولان اللعبة. إذا نحن بحاجة إلى تحليل تفضيلات المستخدم، اكتب فقط بضع مئات أو حتى عشرات من نقاط العينة، دون الحاجة إلى إدخال جميع النقاط عينة 3000، وهو كفاءة ثابتة من العينة يمكن أن يكون مجالا للتحسين.
صعوبة عينة هو عامل مهم يؤثر على كفاءة العينة، والمفتاح لتحسين دقة النموذج هو الحصول على عينات أكثر تعقيدا. ثانيا، نحن بحاجة لإزالة عينات الضوضاء. فكيف لتحليل عينات الصعبة؟ الاستخدام العام من القيمة التنبؤية نموذجية والتسمية الحقيقية عبر الكون. الحفاظ على توزيع البيانات الأصلية مهم جدا في عملية التدريب للعينة.
-
ميزات الكفاءة
الميزات (وخاصة ميزة متفرق) تأثير كبير على كفاءة بيانات التدريب. في العصور مدة المشروع من التوتر، كل الميزات ألقيت في نموذج التعلم ليست عملية، لذلك أجرينا التحليل الكمي. أثر الخصائص البعد كبيرة من التدريب هو كبير جدا. يركز أيضا على ضرورة متفرق الميزات. لخفض القيم المميزة متفرق جدا ويمكن أيضا تحسين معالجة خصائص الكفاءة. ونحن نضع الآن مزيد من التركيز على التلاعب ملامح متغيرة الطول. حيث طول متغير عادة متوسط أو تلخيص بعد التضمين، ويعد تأثير طول أكبر على خصائص دفعة من العينة.
-
AutoML تلقائيا يحسن كفاءة
5 هو توزيع مشترك AutoML في الفضاء داخل أبعاد كبيرة للعثور على معظم المزايا: أبعاد البيانات، وأبعاد الميزة، نموذج البعد، لتحسين أبعاد والسياسة خط البعد. داخل الطريقة التقليدية، والشخص المسؤول عن أخذ العينات البيانات، وميزة تعديل المعلمة يعمل فقط نموذج التعلم العميق هو التعلم التلقائي. الحافة الأمامية من الخوارزمية: نموذج أساس النمذجة الأمثل متسلسل زيادة كبيرة طريقة أخذ العينات، فمن المفترض أن كامل المساحة مستمر على مدى المرجعية؛ خوارزمية مقرها اللصوص هي عينة نقية، والذي يفترض أن تحسين دقة مساحة عملية التحسين من مستمرة، والعيب أنه هو عينة نقية، لا يوجد نموذج. المشروع الفعلي لأسباب مختلفة، والحل الأمثل العالمي هو مسألة معقدة للغاية.
في الهندسة العملية، وآلة التعلم يحتاج أيضا إلى النظر في عملية التحسين كله. وتتضمن السجلات بيانات التطهير، والهندسة كفاءة متكررة والميزات الهندسية التصحيح النموذجي. نحن بحاجة أيضا إلى النظر في كفاءة خط خدمة، والتحسين واستراتيجية العمق على الانترنت لتسريع التعلم مشكلة التحسين.
كما هو مبين نظام الصورة أدناه AutoML سحابة الدماغ.
الدماغ سحابة لها تطبيقات في العديد من المجالات AutoML:
