亚历克斯 用于表格数据的最先进的自动机器学习python库 适用于任务： 二进制分类 回归 多类分类（正在进行中...） 基准结果 越大越好从 方案 特征 自动数据清理（自动清理） 自动化特征工程（Auto FE） 智能超参数优化（HPO） 特征生成 功能选择 型号选择 交叉验证 优化时限和提前停止 保存并加载（预测新数据） 安装 pip install automl - alex 文件 :rocket: 例子 分类器： from automl_alex import AutoMLClassifier model = AutoMLClassifier () model . fit ( X_train , y_train , timeout = 600 ) predicts = model . predict ( X_test ) 回归： from automl_alex impor

用python调用H2O.ai实现机器学习建模和AutoML, Artificial Intelligence Made Easy with H2O.ai – Towards Data Science.

超级GBM | 我们正在招聘！ 亲爱的朋友们，我们正在北京为热衷于 AutoML/NAS 的专业人士和实习生开设几个宝贵的职位，请将您的简历/简历发送至 。 （申请截止日期：待定。） 什么是 HyperGBM HyperGBM是一个支持全流水线AutoML的库，完全涵盖了数据清洗、预处理、特征生成和选择、模型选择和超参数优化的端到端阶段，是真正的表格数据AutoML工具。 概述 与大多数专注于解决机器学习算法超参数优化问题的 AutoML 方法不同，HyperGBM 可以将从数据清理到算法选择的整个过程放在一个搜索空间中进行优化。 端到端管道优化更像是一个顺序决策过程，因此 HyperGBM 使用强化学习、蒙特卡洛树搜索、进化算法结合元学习器来有效解决此类问题。 顾名思义，HyperGBM中使用的ML算法都是GBM模型，更准确的说是梯度提升树模型，目前包括XGBoost、Light

亚马逊 SageMaker Studio使用演示视频，英文字母，4个小视频，约25分钟

自动集群 autocluster是用于执行集群任务的自动化机器学习（AutoML）工具箱。 报告和演示幻灯片可在和找到。 先决条件 Python 3.5或更高版本 也可以使用Linux OS或 如何开始？ 首先，安装 ： sudo apt-get install build-essential swig conda install gxx_linux-64 gcc_linux-64 swig pip install smac==0.8.0 pip install autocluster 这个怎么运作？ autocluster自动优化集群问题的配置。 通过配置，我们的意思是 降维算法的选择 聚类模型的选择 降维算法的超参数的设置 聚类模型的超参数的设置 autocluster提供了3种不同的方法来优化配置（复杂度不断提高）： 随机优化 贝叶斯优化 贝叶斯优化+元学习（warm

Google model search demo 中的 credit_default.xls 是个数据集

天蓝色的机器学习训练营：Azure机器学习训练营

如何从头开始构建autoML，Bridging WebML to model-driven engineering: From document type definitions to meta object facility，Meta-models are a prerequisite for model-driven engineering (MDE) in general and consequently for model-driven web engineering in particular. Various web modelling languages, however, are not based on meta-models and standards, like object management group's prominent meta object facility (MOF). Instead they define proprietary languages rather focused on notational aspects. Thus, MDE techniques and tools cannot be deployed for such languages preventing to exploit the full potential of MDE in terms of standardised storage, exchange and transformation of models. The WebML web modelling language is one example that does not yet rely on an explicit meta-model in the sense of MDE. Instead, it is defined in terms of a document type definition (DTD), and implicitly within the accompanying tool. Code generation then has to rely on model-to-code transformations based of extensible stylesheet language transformations (XSLT). We propose a meta-model for WebML to bridge WebML to MDE. To establish such a meta-model, instead of remodelling WebML's meta-model from scratch, a semi-automatic approach is provided that allows generating MOF-based meta-models on the basis of DTDs. The meta-model for WebML accomplishes the following aims: first, it represents an initial step towards a transition to employ MDE techniques within the WebML design methodology. Second, the provision of a MOF-based meta-model ensures interoperability with other MDE tools. Third, it represents an important step towards a common meta-model for Web modelling in future.

有书签的 近期，由Frank Hutter, Lars Kotthoff, Joaquin Vanschoren撰写的《AUTOML：方法，系统，挑战》“AUTOML: METHODS, SYSTEMS, CHALLENGES (NEW BOOK)” 221页的草稿版本已经放出，详细讲解了所有AutoML系统背后的基础知识，以及对当前AutoML系统进行了深入描述，Auto-WEKA、Hyperopt-Sklearn、Auto-sklearn等，最后介绍了AutoML的挑战。作者当前正在完成这本新书的编辑工作，它将由NIPS 2018出版发行。