स्वचालित मशीन लर्निंग

स्वचालित यंत्र अधिगम  (ऑटोएमएल) मशीन लर्निंग को वास्तविक दुनिया की समस्याओं पर लागू करने के कार्यों को स्वचालित करने की प्रक्रिया है। ऑटोएमएल में संभावित रूप से कच्चे डेटासेट की शुरुआत से लेकर तैनाती के लिए तैयार मशीन लर्निंग मॉडल के निर्माण तक हर चरण शामिल है। मशीन लर्निंग को लागू करने की बढ़ती चुनौती के लिए ऑटोएमएल को एक कृत्रिम बुद्धिमत्ता-आधारित समाधान के रूप में प्रस्तावित किया गया था। ऑटोएमएल में स्वचालन की उच्च डिग्री का उद्देश्य गैर-विशेषज्ञों को मशीन लर्निंग में विशेषज्ञ बनने की आवश्यकता के बिना मशीन लर्निंग मॉडल और तकनीकों का उपयोग करने की अनुमति देना है। मशीन लर्निंग को एंड-टू-एंड लागू करने की प्रक्रिया को स्वचालित करने से अतिरिक्त रूप से सरल समाधान, उन समाधानों के तेज़ निर्माण और मॉडल का लाभ मिलता है जो अक्सर हाथ से डिज़ाइन किए गए मॉडल से बेहतर प्रदर्शन करते हैं।. ऑटोएमएल में उपयोग की जाने वाली सामान्य तकनीकों में हाइपरपैरामीटर अनुकूलन, मेटा-लर्निंग (कंप्यूटर विज्ञान) |मेटा-लर्निंग और  तंत्रिका वास्तुकला खोज  शामिल हैं।

मानक दृष्टिकोण से तुलना
एक विशिष्ट मशीन लर्निंग एप्लिकेशन में, चिकित्सकों के पास प्रशिक्षण के लिए उपयोग किए जाने वाले इनपुट डेटा बिंदुओं का एक सेट होता है। कच्चा डेटा उस रूप में नहीं हो सकता है जिस पर सभी एल्गोरिदम लागू किए जा सकें। डेटा को मशीन लर्निंग के लिए उपयुक्त बनाने के लिए, एक विशेषज्ञ को उचित डेटा प्री-प्रोसेसिंग, फ़ीचर इंजीनियरिंग, फीचर निष्कर्षण और फीचर चयन विधियों को लागू करना पड़ सकता है। इन चरणों के बाद, चिकित्सकों को अपने मॉडल के पूर्वानुमानित प्रदर्शन को अधिकतम करने के लिए एल्गोरिदम चयन और हाइपरपैरामीटर अनुकूलन करना होगा। यदि गहन शिक्षण का उपयोग किया जाता है, तो तंत्रिका नेटवर्क की वास्तुकला को भी मशीन लर्निंग विशेषज्ञ द्वारा चुना जाना चाहिए।

इनमें से प्रत्येक चरण चुनौतीपूर्ण हो सकता है, जिसके परिणामस्वरूप मशीन लर्निंग का उपयोग करने में महत्वपूर्ण बाधाएँ आ सकती हैं। ऑटोएमएल का लक्ष्य गैर-विशेषज्ञों के लिए इन चरणों को सरल बनाना और उनके लिए मशीन लर्निंग तकनीकों का सही और प्रभावी ढंग से उपयोग करना आसान बनाना है।

ऑटोएमएल स्वचालित डेटा विज्ञान के व्यापक दृष्टिकोण में एक महत्वपूर्ण भूमिका निभाता है, जिसमें डेटा इंजीनियरिंग, डेटा अन्वेषण और मॉडल व्याख्या जैसे चुनौतीपूर्ण कार्य भी शामिल हैं।

स्वचालन के लक्ष्य
स्वचालित मशीन लर्निंग मशीन लर्निंग प्रक्रिया के विभिन्न चरणों को लक्षित कर सकती है। स्वचालित करने के चरण हैं:
 * डेटा तैयार करना और अंतर्ग्रहण (कच्चे डेटा और विविध प्रारूपों से)
 * कॉलम सांख्यिकीय डेटा प्रकार का पता लगाना; उदाहरण के लिए, बूलियन, असतत संख्यात्मक, सतत संख्यात्मक, या पाठ
 * कॉलम आशय का पता लगाना; उदाहरण के लिए, लक्ष्य/लेबल, स्तरीकृत नमूनाकरण फ़ील्ड, संख्यात्मक सुविधा, श्रेणीबद्ध पाठ सुविधा, या मुफ़्त पाठ सुविधा
 * कार्य का पता लगाना; उदाहरण के लिए, बाइनरी वर्गीकरण, प्रतिगमन विश्लेषण, क्लस्टर विश्लेषण, या रैंक करना सीखना
 * फ़ीचर इंजीनियरिंग
 * फीचर चयन
 * सुविधा निकालना
 * मेटा-लर्निंग (कंप्यूटर विज्ञान)|मेटा-लर्निंग और सीखने का स्थानांतरण
 * विषम डेटा और/या गुम मूल्यों का पता लगाना और संभालना
 * मॉडल चयन - यह चुनना कि किस मशीन लर्निंग एल्गोरिदम का उपयोग करना है, जिसमें अक्सर कई प्रतिस्पर्धी सॉफ़्टवेयर कार्यान्वयन शामिल होते हैं
 * सामूहिक शिक्षण - सर्वसम्मति का एक रूप जहां कई मॉडलों का उपयोग अक्सर किसी एक मॉडल की तुलना में बेहतर परिणाम देता है
 * लर्निंग एल्गोरिदम और फीचराइजेशन का हाइपरपैरामीटर अनुकूलन
 * समय, स्मृति और जटिलता बाधाओं के तहत पाइपलाइन चयन
 * मूल्यांकन मेट्रिक्स और सत्यापन प्रक्रियाओं का चयन
 * समस्या की जाँच
 * रिसाव (मशीन लर्निंग) का पता लगाना
 * गलत कॉन्फ़िगरेशन का पता लगाना
 * प्राप्त परिणामों का विश्लेषण
 * यूजर इंटरफेस और विज़ुअलाइज़ेशन बनाना

यह भी देखें

 * तंत्रिका वास्तुकला खोज
 * तंत्रिका विकास
 * स्व ट्यूनिंग
 * न्यूरल नेटवर्क इंटेलिजेंस
 * ऑटोएआई
 * मॉडलऑप्स

अग्रिम पठन

 * Ferreira, Luís, et al. "A comparison of AutoML tools for machine learning, deep learning and XGBoost." 2021 International Joint Conference on Neural Networks (IJCNN). IEEE, 2021. https://repositorium.sdum.uminho.pt/bitstream/1822/74125/1/automl_ijcnn.pdf
 * Ferreira, Luís, et al. "A comparison of AutoML tools for machine learning, deep learning and XGBoost." 2021 International Joint Conference on Neural Networks (IJCNN). IEEE, 2021. https://repositorium.sdum.uminho.pt/bitstream/1822/74125/1/automl_ijcnn.pdf