简介：什么是AutoML？
Machine Learning近年来已经取得了相当大的成功，一大批学科的前进都依赖于它。但是，这些成功都需要机器学习专家去执行以下任务：
Preprocess the data（数据预加工）
Select appropriate features（选择合适的特征）
Select an appropriate model family（选择一个合适的模型族）
Optimize model hyperparameters（优化超参数模型）
Postprocess machine learning models（机器学习模型后处理）
Critically analyze the results obtained（严谨地分析所得结果）
当任务的复杂度经常会令非机器学习专家头疼的时候，一大批机器学习的应用应运而生。这些现成的机器学习方法不需要专家的知识，同时可以简单的使用。我们将由此产生的领域称之为Targets progressive automation of machine learning，AutoML。
虽然它聚焦于让用户不需要专业的机器学习知识。AutoML同样为机器学习专家提供了新工具，比如：
Perform architecture search over deep representations（在深度学习中执行框架搜索）
Analyse the importance of hyperparameters（分析超参数的重要性）
通过编程中优化的范式，AutoML主张开发灵活的数据包。这些数据包可以通过数据驱动的方式自动实例化。
AutoML的一些例子
AutoML的目标是可以让机器学习的菜鸟来编写一些立即可用的软件。以下的一些例子说明了这是可行的：
众所周和，Deep neural networks（深度神经网络）依赖于其中众多的超参数，并且模型优化程序在设置超参数方面取得的结论已经比人类的更好。(Bergstra et al, Snoek et al)
Making a science of model search：一个复杂型计算机视觉框架可以自动进行实例化，并且可以产生3种类型的任务结果：face matching（人脸对比），face identification（人脸识别），object recognition（物体识别）
方法
AutoML用到了很多机器学习的学科，最显著的包括：
Bayesian optimization（贝叶斯优化）
Regression models for structured data and big data（结构化数据和大数据的回归模型）
Meta learning（元学习）
Transfer learning（迁移学习）
Combinatorial optimization（组合优化）
超参数优化系统
当今一些使用贝叶斯优化来优化机器学习超参数的系统极大促进了AutoML。它们包括：
Hyperopt, including the TPE algorithm
我们同样提供了两个函数包用来优化超参数：
SMAC3 – a python re-implementation of the SMAC algorithm
