自动化机器学习为非机器学习专家提供了机器学习的方法和过程，以提高机器学习的效率和加速机器学习的研究。 机器学习(ML)近年来取得了相当大的成功，越来越多的学科依赖于它。然而，这一成功关键依赖于人类机器学习专家执行以下任务: 对数据进行预处理和清理。 选择并构建适当的特性 选择一个合适的模型族。 hyperparameters优化模型。 设计神经网络的拓扑结构(如果使用深度学习)。 后处理机器学习模型。 严格分析得到的结果。 由于这些任务的复杂性往往超出了非ml专家的能力，机器学习应用程序的快速增长创造了对现成的机器学习方法的需求，这些方法可以轻松使用，不需要专家知识。我们将这一以渐进机器学习自动化为目标的研究领域称为AutoML

该部分涉及特征变量编码、特征相关性分析、训练集测试集拆分、PCA主成分分析、自动化特征选择及K-means聚类分析。

开发单位：鹏城实验室(PCL)，清华大学(THU) 特别感谢国防科技大学窦勇老师及其团队的宝贵意见和支持 AIPerf Benchmark v1.0 Benchmark结构设计 关于AIPerf设计理念，技术细节，以及测试结果，请参考论文： AIPerf Benchmark基于微软NNI开源框架，以自动化机器学习（AutoML）为负载，使用network morphism进行网络结构搜索和TPE进行超参搜索。 Benchmark安装说明 本文用于在容器环境下运行Benchmark 一、Benchmark环境配置、安装要求 (本文档默认物理机环境已经安装docker、nvidia-docker) Benchmark运行环境由Master节点-Slaves节点组成，其中Mater节点不参与调度不需要配置GPU/加速卡，Slave节点可配置多块加速卡。 1.物理机环境配置 (物理机执行：

机器学习+BP神经网络+北邮自动化机器学习课程作业+实验

机器学习+贝叶斯分类器+北邮自动化作业+实验+yhh大家都懂的，作业巨多的那个老师，创作不易

北邮自动化+机器学习+实验+卷积神经网络+yhh+作业居多的老师+可直接运行提交

【导读】机器学习中，调参是一项繁琐但至关重要的任务，因为它很大程度上影响了算法的性能。手动调参十分耗时，网格和随机搜索不需要人力，但需要很长的运行时间。因此，诞生了许多自动调整超参数的方法。贝叶斯优化是一种用模型找到函数最小值方法，已经应用于机器学习问题中的超参数搜索，这种方法性能好，同时比随机搜索省时。此外，现在有许多Python库可以实现贝叶斯超参数调整。文章由贝叶斯优化方法、优化问题的四个部分、目标函数、域空间、优化过程、及结果展示几个部分组成。 贝叶斯优化通过基于目标函数的过去评估结果建立替代函数（概率模型），来找到最小化目标

MTSC2021深圳大会 质量测试

图的机器学习在学术界和工业界都得到了广泛的研究。然而，随着大量新兴方法和技术的出现，关于图形学习的文献蓬勃发展，为不同的图形相关任务手动设计最优机器学习算法变得越来越困难。为了解决这一关键挑战，图上的自动机器学习（AutoML）将图机器学习和AutoML的优点结合在一起，正受到研究界的关注。因此，本文对图自动建模进行了全面的研究，主要研究了图机器学习的超参数优化（HPO）和神经结构搜索（NAS）。我们进一步概述了与自动图形机器学习相关的库，并深入讨论了AutoGL，这是第一个针对图形的AutoML的专用开源库。最后，我们分享了我们对自动化图机器学习未来研究方向的见解。本文是我们所知的第一篇关于图自动机器学习的系统和全面的综述。

本课程讲的是机器学习的重要发展方向——自动化机器学习，主要内容有AutoML的基本框架，NAS算法和超参调优算法的基本原理，现有AutoML系统介绍以及优缺点的比较，元学习的不同方法以及这些方法的基本原理