深度學習的發展促進了相關應用的涌現。但是，深度學習模型往往具有非常大的參數搜索空間，為了保證模型的效果，經常需要機器學習專家耗費大量的時間構建深度學習模型。

為了降低深度學習模型的設計成本和難度、提高模型構建效率，學界提出了一個新的概念： Automated Machine Learning（AutoML）。目前 AutoML 這一概念并無統一定義，主要理念是：通過使用 AutoML 方法，用戶只需向模型輸入數據，之后模型會自動完成架構選擇和參數訓練。

2018年初， Google 發布的深度學習模型自動構建工具—— Cloud AutoML ，引發了針對 AutoML 更為廣泛的討論。本文中，營長將為大家推薦 GitHub 上一項針對 AutoML 的資源整理項目。項目作者對 AutoML 和傳統深度學習的特點進行了對比，并提供了關于 AutoML 的完整資源列表，包括論文、教程、教材、模型及項目、 PPT 等。

地址：

https://github.com/hibayesian/awesome-automl-papers

整體介紹

在傳統深度學習的模型構建中，主要包含以下步驟：數據處理、特征工程、模型架構選擇、超參數優化、模型后處理、結果分析。這些步驟往往會耗費大量人力和時間。在 AutoML 中，則可以對大部分步驟進行自動處理。在該項目中，作者對相關的 AutoML 類別進行了總結，包括：

自動數據清洗（Automated Data Clean, Auto Clean）

自動特征工程（Automated Feature Enginnering, Auto FE）

超參數優化（Hyperparameter Optimization, HPO）

元學習（Meta-Learning）

神經網絡架構搜索（Neural Architecture Search, NAS）

此外，細心的項目作者還提供了一個詳細的結構圖，以及部分現有模型的實現情況分析表。有興趣的讀者可以找到該項目地址以查看更多詳細內容。

論文

在這一部分，該項目針對于上述幾個 AutoML 類別提供了涉及 AutoML 的完整論文列表。

自動特征工程

模型架構搜索

超參數優化

混合模型

教程

這一部分，作者提供了關于貝葉斯優化和元學習的兩個教程，內容如下：

博客

書籍

項目

這一部分提供了一些相關模型和項目的官網或開源代碼鏈接：

PPT

最后是三個相關的 PPT 資源：

以上就是此次分享內容，希望對大家有所幫助！