Imagen de pch.vector de Freepik

 

Con el aumento de los datos de la organización más destacada, las personas demostraron comprender el patrón de ventas, marketing, etc., que estaba siendo formulado por la gran cantidad de datos disponibles en la organización en particular, las personas estaban cada vez más inclinadas a aprender Machine. aprendizaje y análisis de datos que nunca antes y este impulso se mantendrá incluso después de la pandemia.

Mientras realizaba el manejo de datos y el ajuste de hiperparámetros para proyectos de aprendizaje automático, habría sentido la sed de un método automatizado que le hubiera ahorrado tiempo del concebible proceso exhaustivo de ajuste de los miles de millones de parámetros seguido de probar y probar los diferentes modelos, que se ajustaría adecuadamente a su conjunto de datos de entrenamiento.

La respuesta a esta necesidad es SÍ; en el mundo actual, muchas de estas herramientas no solo automatizarían la etapa de manejo de datos, sino que también ayudarían a elegir el modelo relevante para el análisis predictivo en el conjunto de datos de prueba.

Imagen de Analítica Vidhya
 

Por lo tanto, existe la necesidad de aprendizaje automático automático (AutoML).

Entonces, en este artículo, les daré una breve idea sobre AutoML en la actualidad.

En términos simples, puede pensar en el aprendizaje automático automatizado como la aplicación de modelos de aprendizaje automático (ML) a problemas del mundo real iniciando el proceso solo ejecutando comandos específicos. Eventualmente, el resto del trabajo, las tuberías, se encargarán. Específicamente, este proceso automatiza varios pasos en la tubería general de aprendizaje automático, como elegir el mejor modelo para nuestro conjunto de datos, el ajuste de hiperparámetros mediante validación cruzada, etc. Supongamos que tenemos curiosidad por pensar en el funcionamiento interno. En ese caso, la herramienta creará diferentes canalizaciones eligiendo los diferentes valores de hiperparámetros y luego seleccionando la canalización que proporcione mejores métricas de evaluación en el conjunto de datos de prueba.

Las soluciones AutoML empresariales y de código abierto difieren significativamente: las soluciones de código abierto solo pueden automatizar la selección de algoritmos y el ajuste de hiperparámetros, mientras que las soluciones empresariales pueden hacer mucho más (consulte la sección "¿Qué podemos esperar de una herramienta AutoML"). Además, los resultados obtenidos con soluciones de código abierto son muy inferiores a los obtenidos con soluciones empresariales.

Google Cloud AutoML, Microsoft Azure AutoML, H2O.ai y TPOT son herramientas populares de aprendizaje automático automatizado (AutoML) que brindan una manera más fácil de crear e implementar modelos de aprendizaje automático sin necesidad de conocimientos de codificación y ciencia de datos. Sin embargo, cada herramienta tiene sus puntos fuertes y sus limitaciones.

Google Cloud AutoML

1. Debido a su interfaz fácil de usar y su alto rendimiento, Google Cloud AutoML ha ganado popularidad.
2. En minutos, puede crear su modelo personalizado de aprendizaje automático.
3. Esta plataforma se integra bien con varios servicios de Google Cloud, lo que brinda escalabilidad y es fácil de usar desde el punto de vista del usuario.
4. Para encontrar el código de ejemplo, siga este Enlace

Microsoft Azure AutoML

1. Azure AutoML proporciona un proceso de selección de modelos transparente para usuarios que no están familiarizados con la codificación.
2. Es un servicio basado en la nube que le permite crear y administrar soluciones de aprendizaje automático. Azure como plataforma se puede aprender con experiencia previa en programación.
3. Esta plataforma tiene una buena integración con varios servicios de Azure, que eventualmente pueden ejecutarse en instancias de GPU y, como resultado, podemos implementar rápidamente.
4. Para encontrar el código de ejemplo, siga este Enlace

H2O.ai

1. Esta empresa ofrece un paquete de código abierto y un servicio comercial de AutoML llamado AI sin conductor.
2. Esta plataforma ha sido ampliamente adoptada en los servicios financieros y las industrias minoristas desde su creación.
3. Permite a las empresas desarrollar rápidamente modelos y aplicaciones de IA de clase mundial.
4. Esta plataforma es completamente de código abierto, proporciona muchos algoritmos para trabajar y es adecuada para manejar grandes datos con respecto a la velocidad y el volumen, etc.
5. Para encontrar el código de ejemplo, siga este Enlace 

TPOT

1. TPOT (Herramienta de optimización de tuberías basada en árboles) es un paquete gratuito de Python.
2. A pesar de ser gratuito, el paquete ha logrado resultados sobresalientes en varios conjuntos de datos, incluida una precisión de alrededor del 97 % para el conjunto de datos Iris, 98 % para el reconocimiento de dígitos MNIST y alrededor de 10 errores cuadráticos medios (MSE) para la predicción de precios de vivienda de Boston.
3. Esta plataforma es completamente de código abierto y ofrece resultados muy altos en términos de precisión y es rápida para trabajar con un gran volumen de datos.
4. Para encontrar el código de ejemplo, siga este Enlace

H20, en mi opinión, es la mejor plataforma de código abierto para democratizar el aprendizaje automático. Su amplio alcance y la interfaz basada en web de H2O Flow lo colocan en primer lugar entre las soluciones de código abierto. Creé un proyecto de aprendizaje automático para la rotación de clientes desde cero sin escribir una sola línea de código.

H20 Driverless AI es la solución empresarial más completa, personalizable y agnóstica. Mientras mantenía un alto control y comprensión del modelo, rápidamente generé un modelo para la rotación de clientes que era mejor que el de H20-3.

En conclusión, espero que hayas disfrutado este artículo y lo hayas encontrado informativo. Si tiene alguna sugerencia o comentario, comuníquese conmigo a través de Etiqueta LinkedIn.

 
 
Garg ario es un B.Tech. Estudiante de Ingeniería Eléctrica, actualmente en el último año de la carrera. Su interés radica en el campo del Desarrollo Web y el Aprendizaje Automático. Ha perseguido este interés y estoy ansioso por trabajar más en estas direcciones.
 

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://www.kdnuggets.com/2023/03/automated-machine-learning-python-comparison-different-approaches.html?utm_source=rss&utm_medium=rss&utm_campaign=automated-machine-learning-with-python-a-comparison-of-different-approaches