मशीन सीखने में लचीलापन और स्वचालन

• एक एकल अनुकूलन प्रक्रिया के ढांचे के भीतर एक इनपुट बिंदु की उपस्थिति में बड़ी संख्या में सिस्टम मापदंडों का चयन।
• स्वचालन दिनचर्या जो शोधकर्ता या डेवलपर को "हजार कटौती" से बचाती है।
• अपने स्वचालन के माध्यम से मशीन सीखने का "डेमोक्रेटाइजेशन", जो कई गैर-विशेषज्ञों को कई तरीकों को लागू करने की अनुमति देता है।

• मापदंडों की संख्या में वृद्धि के साथ, उनका स्थान भी बढ़ता है, जो जल्दी या बाद में एक दहनशील विस्फोट की ओर जाता है, जिसके लिए एल्गोरिदम के विकास और कंप्यूटिंग संसाधनों की संख्या में वृद्धि की आवश्यकता होती है।
• पूरी तरह से स्वचालित तरीके हमेशा "ब्लैक बॉक्स" सिद्धांत के आधार पर एक लचीला समाधान प्रदान नहीं करते हैं, जो परिणाम पर नियंत्रण को कम करता है।
• पैरामीटर स्पेस ω नॉनलाइन है और इसमें एक जटिल संरचना है, जो अनुकूलन प्रक्रिया को जटिल बनाता है।

ऑटोमेशन से लेकर सेमी-ऑटोमेशन तक

	मैनुअल शिफ्ट - ड्राइवर क्लच और गियर को नियंत्रित करता है। सादृश्य: उपयोगकर्ता स्वतंत्र रूप से तरीकों का चुनाव करता है और एक पाइपलाइन बनाता है।
	स्वचालित - अपने दम पर गियर चुनने की आवश्यकता नहीं है, बस मोड सेट करें सादृश्य: उपयोगकर्ता को तैयार समाधान प्राप्त होता है।
	– , . : , .

'preprocessing': {
        'scaler': hp.choice('scaler', [
            {
            'func': RobustScaler,
            'params': {
                'quantile_range': (10, 90)
            }},
            {
            'func': StandardScaler,
            'params': {
                'with_mean': True
            }}
        ]),
},

'model': hp.choice('model', [
    {
        'func': RandomForestClassifier,
        'params': {
            'max_depth': hp.choice('r_max_depth', [2, 5, 10]),
            'n_estimators': hp.choice('r_n_estimators', [5, 10, 50]) 
        }
    },
    {
        'func': MLPClassifier,
        'params': {
            'hidden_layer_sizes': hp.choice('hidden_layer_sizes', [1, 10, 100]),
            'learning_rate_init': hp.choice('learning_rate_init', [0.1, 0.01]) 
        }
    },
])

निष्कर्ष