AutoML چیست؟ | یادگیری ماشین خودکار – به زبان ساده
AutoML یا یادگیری ماشین خودکار روش جدیدی است که در آن فرآیند ساخت یک مدل یادگیری ماشین خودکارسازی یا مکانیزه میشود. در نگاه اول ممکن است اینطور به نظر برسد که قرار است AutoML جایگزین دانشمند داده شده و او را از کار بیکار کند. اما موضوع به این سادگی و تا این حد مصیبتوار نیست. در این مطلب، ابتدا به این سوال که «AutoML چیست» به بیان ساده پاسخ داده میشود، سپس چند مورد از روشهای مختلف پیادهسازی آن شرح داده شده و در پایان هم به سوال مهم «آیا AutoML جایگزین دانشمندان داده خواهد شد»، پاسخ داده شده است.
در این نوشتار درباره این مسئله بحث خواهد شد که یادگیری ماشین خودکار یا AutoML چیست، اما، به دلیل اینکه معمولاً برداشتهای اشتباهی نسبت به AutoML وجود دارد، ابتدا بهتر است به این مسئله پرداخته شود که «یادگیری ماشین خودکار چه چیزی نیست؟». چرا که، اگر به اخبار منتشر شده در این حوزه توجه شود، ممکن است مواردی از این دست به گوش برسد:
یادگیری ماشین خودکار دانشگاه MIT دارای عملکردی ۱۰۰ برابر سریعتر نسبت به دانشمندان داده (انسان) است.
یادگیری ماشین مکانیزه (AutoML) مدلهای تحلیلی را در حالت رانش خودکار (Autopilot) قرار داده است.
هوش مصنوعی AI ساز گوگل، گامی به سوی هوش مصنوعی خودارتقادهنده (Self-Improving AI) به شمار میرود.
با خواندن این اخبار، اینطور به نظر میرسد که بشر به نقطهای رسیده است که میتواند عقب نشسته و به کامپیوترها اجازه دهد مسائل پیچیده را حل کنند. حتی برخی افراد اظهار میکنند که دانشمندان داده و مهندسین یادگیری ماشین از کار افتاده و اضافی هستند. از طرف دیگر، افرادی که در حوزه توسعه کاربردهای یادگیری ماشین فعالیت میکنند، مدعی هستند که یادگیری ماشین خودکار قدرتمند است اما هنوز توان رقابت با مشاغل این حوزه را ندارد.
بالاخره حق با چه کسی است و چه کسی راست میگوید؟ در این مطلب سعی شده است تا حد امکان به این ابهامات پاسخ داده شود. اما قبل از هر چیز، بهتر است ابتدا مروری بر تعریف و چیستی یادگیری ماشین داشت.
یادگیری ماشین چیست؟
قبل از تمرکز بر این سوال که «AutoML چیست»، ابتدا باید این مسئله مشخص شود که یادگیری ماشین در تلاش برای دستیابی به چه هدفی است؟ برای پاسخگویی به این سوال، ابتدا بهتر است تعریفی از یادگیری ماشین ارائه شود:
یادگیری ماشین یکی از کاربردهای هوش مصنوعی (AI) است که امکان یادگیری خودکار و پیشرفت به واسطه تجربه را بدون برنامهنویسی واضح و دقیق برای یک سامانه فراهم میسازد. یادگیری ماشین روی توسعه برنامههای کامپیوتری تمرکز دارد که میتوانند به دادهها دسترسی پیدا و از آنها برای یادگیری خود به صورت خودآموز استفاده کنند.
ساخت یک کاربرد و عملکرد یادگیری ماشین به طی کردن فرآیند مشخصی نیاز دارد که در ادامه در این خصوص بحث شده است.
فرآیند ساخت مدل یادگیری ماشین
در این بخش از مطلب «AutoML چیست»، روند ساخت یک مدل یادگیری ماشین به صورت فهرستوار ارائه شده است.
این کار با هدف فراهم ساختن مقدمات لازم برای پرداختن به این سوال است که دقیقاً چه چیزی قرار است در AutoML خودکارسازی شود.
- یافتن یک صورت مسئله در کسبوکار (مشکل تجاری)
- ترجمه مسئله تجاری به یک «صورت مسئله علم داده»
- یافتن مجموعه داده لازم
- تعریف هدف و معیارهای لازم برای تخمین زدن؛ این کار هم برای ساخت یک مدل یادگیری ماشین و هم استفاده از آن مدل در کسبوکار انجام میشود.
- کاوش در مجموعه داده
- ساخت و آموزش مدل با انجام مراحل
- مهندسی ویژگیها
- انتخاب ویژگیها
- انتخاب الگوریتم
- بهینه سازی ابرپارامتر
- پشتهسازی
- تجمیع (ترتیب این مراحل میتواند متفاوت باشد).
- استقرار مدل
- ارزیابی مدل (اگر رضایت لازم وجود نداشته باشد، میتوان به مرحله شش بازگشت)
- تجاریسازی مدل (معمولاً از مدل در سایر کاربردهای تجاری نیز استفاده میشود)
- استفاده و بهکارگیری مدل
در ادامه این مطلب از مفهومی به نام ابَرپارامتر (Hyperparameter) به دفعات نام برده شده است. بنابراین، بهتر است برای درک بهتر این مطلب تعریف مختصری از ابرپارامترها در ادامه ارائه شود.
ابرپارامتر در یادگیری ماشین به چه معناست؟
در یادگیری ماشین، یک ابَرپارامتر به پارامتری گفته میشود که مقدار (ارزش) آن در مدیریت (کنترل) فرآیند یادگیری مورد استفاده قرار میگیرد. بر خلاف ابرپارامترها، مقادیر سایر پارامترها (معمولاً وزنهای گره) از طریق آموزش و یادگیری به دست میآیند.
بهینه سازی ابرپارامتر چیست؟
بهینهسازی ابر پارامتر که به آن میزانسازی (Tuning) نیز گفته میشود، فرآیند انتخاب مجموعهای از پارامترها برای یک الگوریتم یادگیری ماشین است. پردازندههای داده، بهینهسازها و الگوریتمهای یادگیری ماشین همگی دستهای از پارامترها را برای هدایت رفتارشان دریافت میکنند. اکنون کلیه پیشنیازهای لازم برای پاسخ به سوال «AutoML چیست» فراهم شده است و فرصت مناسبی است تا به تعریف یادگیری ماشین خودکار پرداخته شود.
AutoML چیست؟
AutoML سرنامی برای Automated Machine Learning به معنی یادگیری ماشین خودکار (یادگیری ماشین اتوماتیک) است. AutoML عملیات خودکارسازی فرآیند یادگیری ماشین با هدف سادهسازی و سرعت بخشیدن به وظایف آن به حساب میآید. ممکن است این سوال به وجود بیاید که چه چیزی قرار است مکانیزه و خودکارسازی شود؟
برای پاسخ به این سوال باید گفت که از ۱۰ مرحلهای که در بخش فرآیند ساخت مدل یادگیری ماشین فهرست شد، عموماً یادگیری ماشین خودکار تنها شامل مکانیزه کردن وظایف بیان شده در مرحله ششم است. با خودکارسازی و مکانیزه کردن کارهای انجام شده در مرحله ششم، فرآیند یادگیری ماشین سادهتر و سریعتر خواهد شد. بهتر است فرآیند انجام شده در مرحله ششم بار دیگر در اینجا فهرست شود:
- مهندسی ویژگیها
- انتخاب ویژگیها
- انتخاب الگوریتم
- بهینه سازی ابرپارامتر
- پشتهسازی
- تجمیع
یادگیری ماشین خودکار یک فناوری نوظهور است که همچنان در پیادهسازی آن چالشهای مختلفی وجود دارد. در ادامه مطلب «AutoML چیست» به چالشهای اصلی یادگیری ماشین خودکار پرداخته شده است.
چالش های AutoML چه هستند؟
همانطور که بیان شد، هدف استفاده از AutoML، سادهسازی و تسریع فرآیند مدلسازی یادگیری ماشین است. اما، یادگیری ماشین خودکار چالشهای جدیدی را هم به وجود میآورد. اولین چالش این است که: «چطور باید به نتیجه حاصل شده از AutoML اطمینان کرد؟» برای بسیاری از استفاده کنندگان از یادگیری ماشین خودکار این سوال وجود دارد که: «آیا این مدل واقعاً بهترین مدل ممکن است؟»
بنابراین، بسیاری از فناوریها و راهکارهای AutoML، امکان دست بردن در برخی از ابَرپارامترها را به کاربران ارائه میدهند. از این طریق، کاربران میتوانند چند مدل مختلف بسازند و این مدلها را با هم مقایسه کنند. اگرچه ایجاد امکان دستکاری ابرپارامترها قابل درک است، اما باعث میشود که برتریهای یادگیری ماشین خودکار که همان سادگی و سرعت هستند از بین بروند.
مشکل دوم این است که فناوری معمول AutoML همچنان وابسته به دانش فنی باقی خواهد ماند. به بیان دیگر، AutoML اغلب به یک دانشمند داده نیاز دارد تا مدل ساخته شده را بررسی کرده و بهترین مدل یا مدلها را برای پیادهسازی پیدا کند. اگر چندین مدل با عملکرد مناسب در مرحله ارزیابی وجود داشته باشد، ممکن است دانشمند داده از فناوریهای دیگری نیز برای ساخت مدل نهایی جهت تجاریسازی استفاده کند. این مسئله نیز باعث از بین رفتن برتریهای AutoML در سادهسازی و سرعت بخشیدن به فرآیند یادگیری ماشین میشود. یکی از راهکارهای ارائه شده برای مقابله با این چالشها پیادهسازی AutoML در سطوح مختلف است که در ادامه مطلب «AutoML چیست» به آن پرداخته شده است.
سطوح مختلف AutoML
اکنون برخی از متخصصین در حال تقسیمبندی AutoML به سطوح مختلف هستند. شاید با تنظیم میزان استفاده از AutoML بسته به نوع و ویژگیهای یک پروژه یادگیری ماشین، بتوان به طور همزمان از مزایای آن بهره برده و تا حد امکان با چالشهای آن نیز مقابله کرد.
- سطح صفر: بدون خودکارسازی؛ کاربر، الگوریتمهای یادگیری ماشین خود را در C++ از صفر کدنویسی میکند.
- سطح یک: استفاده از APIها و الگوریتمهای سطح بالای موجود در فناوریهایی نظیر Sklearn ،Keras ،Pandas ،H2O ،XGBoost و سایر موارد
- سطح دو: تنظیم و مونتاژ ابرپارامترها و انتخاب مدل پایه به صورت خودکار
- سطح سه: مهندسی ویژگی، انتخاب ویژگی و رابط گرافیکی به صورت خودکار، افزایش دادهها به صورت فنی
- سطح چهار: دامنه و مهندسی ویژگی خاص مسئله، تشدید دادهها و یکپارچهسازی دادهها به صورت خودکار
- سطح پنج: خودکارسازی کامل؛ امکان ارائه سازِکارهای مافوق انسانی برای حل کردن مسائل دشوار یادگیری ماشین بدون هیچ گونه ورودی یا همراهی و تعامل کامل با کاربر انسانی از طریق مکالمه صوتی
تا اینجا به میزان زیادی به این سوال که «AutoML چیست» پاسخ داده و مشخص شد که AutoML تنها بخشی از فرآیند ساخت یک مدل یادگیری ماشین را در برمیگیرد. همچنین بیان شد که میتوان AutoML را بسته به کاربرد و نوع استفاده در سطوح مختلفی پیادهسازی کرد و قطعاً هنوز تا دستیابی به بالاترین سطوح خودکارسازی یادگیری ماشین فاصله زیادی وجود دارد. برای درک بهتر پاسخ سوال «AutoML چیست» و تفاوت آن با یادگیری ماشین سنتی، در ادامه توضیحات بیشتری ارائه شده است.
تفاوت یادگیری ماشین با AutoML چیست؟
تفاوت یادگیری ماشین خودکار با یادگیری ماشین سنتی چیست؟ به لحاظ فنی، تنها تفاوت این است که برخی از پارامترهایی که قبلاً ثابت و غیرقابل تغییر بودهاند، اکنون قابل یادگیری شدهاند. فقط همین؛ هیچ تفاوت پیچیدهای وجود ندارد. در ابتداییترین حالت، AutoML میتواند یک جستجوی جامع از ابرپارامترها و مدلهای ممکن انجام دهد. آیا این کار همان جستجوی فراگیر (Brute Force) نیست؟ بله، همینطور است. آیا مشکلی دارد؟ خیر.
در ادامه سه دلیل برای این موضوع که مشکلی وجود ندارد که AutoML همان جستجوی فراگیر باشد، ارائه شده است:
- با وجود پیادهسازیهای آماده (AutoML)، علاوه بر مدلهای حجیم یادگیری عمیق، میتوان سازِکارهای یادگیری بسیاری را در مدت زمانی معقول و با هزینه پایین آموزش داد.
- با وجود اینکه طراحی بهترین مدل سفارشی و شخصی برای یک کاربرد خاص زمانبر است، میتوان آزمایشهای بسیاری را در پسزمینه انجام داد. این آزمایشها میتوانند ایدههای راهگشایی را در این خصوص ارائه دهند که چه چیزی به خوبی کار میکند و چه چیزی عملکردی مناسبی ندارد.
- اگر فردی مدعی باشد که تاکنون فکر نوشتن یک اسکریپت ساده برای اجرای چندین مدل و تست چند ابرپارامتر به ذهنش خطور نکرده، یا دروغ میگوید یا باید درباره فعالیت به عنوان یک دانشمند داده تجدید نظر کند.
ساخت مدلهای یادگیری ماشین، علمی مبتنی بر آزمون و خطا به حساب میآید. نمیتوان به طور قطع اطمینان داشت که چه چیزی خوب کار میکند. باید آزمون و خطا انجام داد و در این روند، نتایج را تحلیل کرد (کاری که AutoML انجام میدهد). اگر هزینه اجرای هر یک از این آزمایشها بالا باشد، باید ملاحظات لازم به دقت اعمال شوند تا در صورت ناامید کننده بودن نتایج، اتلاف منابع، حداقل باشد.
ممکن است این سوال به وجود بیاید که اگر AutoML تقریباً همان جستجوی تصادفی و جستجوی مشبک (Grid Search) است، پس چه چیزی خاصی درباره آن وجود دارد و اصلاً چرا AutoML باید چیز جدید و مهمی باشد؟ مگر این کارها قبلاً انجام نشده است؟ در ادامه مطلب «AutoML چیست»، با معرفی روشهای نوین در پیادهسازی AutoML به این سوال پاسخ داده شده است.
روش های پیادهسازی AutoML
مسئله مهم این است که امروزه روشهای مختلف بسیاری برای خودکارسازی فرآیند ساخت مدلهای یادگیری ماشین (AutoML) وجود دارد. روشهای ساده و ابتدایی جستجوی تصادفی و جستجوی مشبک دارای تأثیرهای کاربردی قابل توجهی هستند چرا که، پیادهسازی آنها بسیار ساده است. اما، این روشها لزوماً بهترین سازِکارهای یادگیری نیستند.
در حقیقت، کیفیت عملکرد این روشهای جستجو ثابت است. یعنی یادگیری از نتایج گذشته اتفاق نمیافتد و در نتیجه، در طول زمان بهبودی در سطح عملکرد آنها به وجود نخواهد آمد. امروزه، سازِکارهای نوین یادگیری فرایافته (Meta-Learning) به وجود آمدهاند که نتایج بسیار بهتری نسبت به روشهای پیشین از خود نشان میدهند. در ادامه مطالب «AutoML چیست»، درباره این رویکردها بحث شده است.
الگوریتم های تکاملی
با الهام از نظریه تکامل داروین، الگوریتمهای تکاملی برای AutoML به صورت زیر عمل میکنند:
- تولید یک جمعیت (در این مورد، مدلهای یادگیری ماشین دارای ابرپارامترهای مشخص)
- محاسبه امتیاز سودمندی (تناسب | Fitness) برای هر یک از اعضای جمعیت. به عنوان مثال محاسبه میزان دقت، F1-score، خطای میانگین مربعات (MSE) و سایر روشهای محاسبه سودمندی
- بقا و نجات بهترین اعضای جمعیت؛ به بیان سادهتر، حفظ بهترین مدلهای ML و حذف سایر مدلها
- تولید اعضای بیشتر بر اساس خصوصیات نجات یافتگان با استفاده از روشهایی مثل جفت گیری (لقاح)، اعوجاج (Crossover)، جهشیافتگی (Mutation) و سایر موارد.
- تکرار گامهای ۲ الی ۴ تا زمانی که نتایج قابل قبول به دست آید.
TPOT یک بسته پایتون بر پایه رابط برنامهنویسی scikit-learn است که AutoML را با استفاده از یک الگوریتم تکاملی پیادهسازی میکند. نحوه عملکرد TPOT در تصویر متحرک زیر نشان داده شده است.
در ادامه مطلب «AutoML چیست» به معرفی یکی دیگر از سازِکارهای فرایافته در پیادهسازی یادگیری ماشین خودکار پرداخته شده است.
بهینهسازی مبتنی بر گرادیان
روش بهینهسازی مبتنی بر گرادیان (Gradient-Based Optimization) برای آن دسته از افرادی که با الگوریتم گرادیان کاهشی (Gradient Descent) آشنایی دارند، تقریباً واضح و شفاف است. در ادامه، مراحل خودکارسازی ایجاد مدل یادگیری ماشین با استفاده از بهینهسازی مبتنی بر گرادیان ارائه شده است.
مراحل پیادهسازی AutoML مبتنی بر گرادیان
مختصر و مفید اینکه، پیشنیازهای چندانی برای درک نحوه عملکرد این رویکرد وجود ندارد و پیادهسازی AutoML مبتنی بر گرادیان به گامهای زیر خلاصه میشود:
- نمونهبرداری مجموعهای از ابرپارامترها
- آموزش یک مدل با این ابرپارامترها
- بهدست آوردن امتیاز سودمندی این مدل
- با داشتن گرادیان امتیاز سودمندی، یک مجموعه جدید از ابرپارامترها انتخاب میشوند که امتیاز سودمندی را بهبود دهند.
- تکرار مراحل ۲ الی ۴ تا زمانی که نتایج رضایتبخش بهدست آید.
پیچیدگی یا آنطور که گفته میشود، «معجزه» در بهینهسازی مبتنی بر گرادیان، از محاسبه بهینگی گرادیان و ساخت توابع سودمندی دیفرانسیلپذیر نشأت میگیرد. نحوه کارکرد این روش در تصویر متحرک زیر تا حدودی مشخص شده است.
در ادامه مطلب «AutoML چیست»، به بررسی یک روش دیگر برای پیادهسازی AutoML پرداخته شده است.
بهینه سازی بیز
در این بخش، یکی دیگر از الگوریتمها و رویکردهای بهینهسازی برای به کارگیری در AutoML به نام بهینهسازی بیز (Bayesian Optimization) معرفی شده است. برای درک بهتر نحوه عملکرد این روش بهینهسازی، بهتر است کار را با یک مثال ساده آغاز کرد.
مثال ساده برای درک بهتر بهینه سازی بیز
فرض میشود که یک ورزشکار رزمی بخواهد از رتبه خود در جهان مطلع شود. این فرد به تواناییهای خود اطمینان داشته و میتواند تا حد زیادی برد و باخت خود را در برابر رقیبان پیشبینی کند. همچنین، این ورزشکار یک مدیر استخدام کرده که وظیفه او حصول اطمینان از کسب بالاترین رتبه ممکن است. برای انجام این کار، مدیر باید مطمئن شود که این ورزشکار برای کسب نتایج مناسب در رقابتهای آسان شرکت کند. اما از طرف دیگر، این ورزشکار باید با رقیبانی مسابقه بدهد که رتبه بالاتری نسبت به خودش دارند. زیرا این تنها راه برای ارتقاء رتبه جهانی به حساب میآید.
سازِکار بهینه سازی بیز
مثال بالا خلاصهای از نحوه عملکرد بهینهسازی بیز است. در این روش، دو تابع به صورت موازی استفاده میشوند تا تعیین کنند که کدام مجموعه از ابرپارامترها باید مورد آزمایش قرار بگیرد. اولی، تابع Surrogate است که تخمین میزند در صورت به کار گیری یک مجموعه از ابرپارامترها، مدل تا چه میزان بهینه خواهد بود. این اقدام، به میزان اطمینان ورزشکار از برد یا باخت در یک مسابقه (در مثال بالا) شباهت دارد.
تابع دوم، تابع گزینش (تابع انتخاب | Selection Function) است. این تابع مشخص میکند که مجموعه ابر پارامترهای انتخاب شده احتمالاً مدل را بهبود میبخشند یا خیر. چرا که، استفاده از پارامترهایی که به طور حتم عملکرد ضعیفتری دارند، کار منطقی به نظر نمیرسد. این بخش، مشابه نقش مدیر در مثال بالا است که مسابقات قابل برنده شدن و در عین حال چالشی را برای ورزشکار انتخاب میکند. در ادامه مطلب «AutoML چیست» مراحل پیادهسازی AutoML از طریق بهینهسازی بیز شرح داده میشود.
پیاده سازی AutoML با استفاده از بهینه سازی بیز
در ادامه، گامهای اجرا AutoML به وسیله بهینهسازی بیز فهرست شده است:
- انتخاب یک مجموعه از ابرپارامترها
- آموزش دادن و ساخت یک مدل با استفاده از مجموعه ابرپارامترهای انتخاب شده و آموزش دادن تابع Surrogate
- انتخاب ابرپارامترها بر اساس تابع Surrogate و تابع گزینش
- تکرار مراحل ۲ الی ۳ تا زمان دستیابی به نتایج رضایتبخش
نحوه عملکرد الگوریتم بهینهسازی بیز در تصویر متحرک زیر بهتر مشخص شده است.
برتری بارز بهینهسازی بیز این است که بر خلاف سایر رویکردها، مثلاً روشهای مبتنی بر گرادیان، میتوان از روش بیز در اکثر مدلهای یادگیری ماشین استفاده کرد. به همین دلیل، تاکنون بهینهسازی بیز در میان راهکارهای متنباز (AutoML ،Auto-Sklearn ،Auto-Keras ،HyperOpt ،GPyOpt و سایر موارد) به عنوان محبوبترین رویکرد یادگیری ماشین خودکار شناخته میشود.
در انتهای مطلب «AutoML چیست»، به عنوان یک جمعبندی و نتیجهگیری به این سوال مهم پاسخ داده میشود که آیا AutoML واقعاً تهدیدی برای شغل دانشمند داده به حساب میآید یا خیر؟
آیا AutoML جایگزین دانشمندان داده خواهد شد؟
پاسخ این سوال منفی است. AutoML جایگزین علم داده نخواهد شد، حداقل، دانشمندان واقعی و برجسته از این خطر در امان خواهند بود. حتی اگر تحقیقات به جایی برسد که روشی برای ساخت AutoML بینقص و کامل پیدا شود، که تا کنون چنین چیزی رخ نداده است و چنین اتفاقی بعید به نظر میرسد، باید به این نکته توجه داشت که وظایف یک دانشمند داده تنها محدود به ساخت مدل یادگیری ماشین نیست.
وظایف دانشمند داده چیست؟
یک دانشمند داده خوب وظایفی فراتر از ساخت مدلهای یادگیری ماشین دارد و باید کارهای بیشتری را انجام دهد. دانشمندان داده حرفهای، اعتبار یک راهحل را ارزیابی میکنند و به ساخت ابزاری برای نظارت و بهبود مدلها و ادغام آنها با سامانههای فعلی کمک میکنند. آنها در دستیابی به ملزومات غیرعملکردی همچون سرعت، وضوح و قابلیت اطمینان نقش دارند.
دانشمندان داده خوب به طراحی راهکارها و خطوط ارتباطی اطلاعات کمک کرده و از ادامه بهبود و ارتقاء مدلهای ساخته شده اطمینان حاصل میکنند. در ادامه مطلب «AutoML چیست» برخی از آموزشهای ویدئویی مرتبط با یادگیری ماشین و الگوریتمهای تکاملی در هوش مصنوعی برای علاقهمندان معرفی شده است.
جمعبندی و نتیجهگیری
برای افراد سازنده مدلهای یادگیری ماشین، AutoML باید به عنوان بخشی از جعبهابزار آنها مورد استفاده قرار گیرد. AutoML روش مهمی برای دستیابی به نتایج حداقلی اما معقول، با سرعت بالا و هزینه پایین به حساب میآید. ممکن است بتوان نتایج حاصل شده از AutoML را با کمی تغییر و دستکاری بهبود بخشید.
تغییر در نتایج حاصل شده از AutoML میتواند کار مفیدی باشد؛ اما نباید در انجام آن زیادهروی کرد و بهتر است به موارد ابتدایی بسنده شود. میتوان برای چنین رویکردی از AutoML به عنوان یک روش مناسب بهره جست. در پایان، میتوان نتیجه گرفت که AutoML بیشتر به عنوان یک دستیار، دانشمندان داده را در پیشبرد اهداف یاری کرده و روند انجام کارها را تسهیل میبخشد و تا مدتها تهدیدی برای جایگزینی و حذف شغل دانشمند داده به حساب نخواهد آمد. در بخش پایانی مطلب «AutoML چیست»، برخی از فیلمهای آموزشی مرتبط با یادگیری ماشین و هوش مصنوعی برای علاقهمندان و مخاطبین محترم معرفی شده است.
تا آخر خوندم ولی خداییش چیزی نفهمیدم.
از این جور مطالب علمی که نیاز به هوش بالایی دارند سر در نمیارم اما خیلی به تکنولوژی علاقه دارم چون می دونم دنیا رو دگرگون خواهد کرد و زندگی خیلی بهتری در انتظارمون خواهد بود.
دست شما و دانشمندان درد نکنه که این قدر زحمت میکشید تا علم پیشرفت کنه???
با سلام و احترام؛
صمیمانه از همراهی شما با مجله فرادرس و ارائه بازخورد سپاسگزاریم.
برای شما آرزوی سلامتی و موفقیت داریم.