中國人工智能學會機器學習專業委員會主任 陳松燦
中國計算機學會大數據專家委員會副主任 陳恩紅
好未來集團副總裁兼開放平臺事業部總裁 黃琰
澳大利亞科學院院士， 悉尼大學教授 陶大程
劍橋大學教授、谷歌AI 大腦團隊負責人 卓賓•加拉馬尼

聯袂推薦

本書全面介紹自動機器學習，主要包含自動機器學習的方法、實際可用的自動機器學習繫統及目前所面臨的挑戰。在自動機器學習方法中，本書涵蓋超參學習、神經網絡架構搜索三個部分，每一部分都包括詳細的內容介紹、原理解讀、具體運用方法和存在的問題等。此外，本書還具體介紹了現有的各種可用的AutoML繫統，如Auto-sklearn、Auto-WEKA及Auto-Net等，並且本書*後一章詳細介紹了具有代表性的AutoML挑戰賽及挑戰賽結果背後所蘊含的理念，有助於從業者設計出自己的AutoML繫統。

本書英文版是國際上*本介紹自動機器學習的英文書，內容全面且翔實，尤為重要的是涵蓋了z新的AutoML領域進展和難點。本書作者和譯者學術背景扎實，保證了本書的內容質量。

對於初步研究者，本書可以作為其研究自動機器學習方法的背景知識和起點；對於工業界從業人員，本書全面介紹了AutoML繫統及其實際應用要點；對於已經從事自動機器學習的研究者，本書可以提供一個AutoMLz新研究成果和進展的概覽。總體來說，本書受眾較為廣泛，既可以作為入門書，也可以作為專業人士的參考書。

弗蘭克•亨特，德國弗萊堡大學教授，機器學習實驗室負責人。主要研究統計機器學習、知識表示、自動機器學習及其應用，獲得屆（2015/2016）、第二屆（2018/2019）自動機器學習比賽的世界冠軍。

拉斯•特霍夫，美國懷俄明大學助理教授。主要研究深度學習、自動機器學習，致力於構建領先且健壯的機器學習繫統，領導Auto-WEKA項目的開發和維護。

華昆•萬赫仁，荷蘭埃因霍溫理工大學助理教授。主要研究機器學習的逐步自動化，創建了共享數據開源平臺OpenML.org，並獲得微軟Azure研究獎和亞馬遜研究獎。

譯者簡介

何明，中國科學技術大學博士，目前為上海交通大學電子科學與技術方向博士後研究人員、好未來教育集團數據中臺人工智能算法研究員。

劉淇，中國科學技術大學計算機學院特任教授，博士生導師，中國計算機學會大數據專家委員會委員，中國人工智能學會機器學習專業委員會委員。

目 錄

自動機器學習方法

第1章 超參優化 2

1.1 引言 2

1.2 問題定義 4

1.2.1 優化替代方案：集成與邊緣化 5

1.2.2 多目標優化 5

1.3 黑盒超參優化 6

1.3.1 免模型的黑盒優化方法 6

1.3.2 貝葉斯優化 8

1.4 多保真度優化 13

1.4.1 基於學習曲線預測的早停法 14

1.4.2 基於Bandit的選擇方法 15

1.4.3 保真度的適應性選擇 17

1.5 AutoML的相關應用 18

1.6 探討與展望 20

1.6.1 基準測試和基線模型 21

1.6.2 基於梯度的優化 22

1.6.3 可擴展性 22

1.6.4 過擬合和泛化性 23

1.6.5 任意尺度的管道構建 24

參考文獻25

第學習 36

2.1 引言 36

2.2 模型評估中學習 37

2.2.1 獨立於任務的推薦 38

2.2.2 配置空間的設計 39

2.2.3 配置遷移 39

2.2.4 學習曲線 42

2.3 任務特性中學習 43

2.3特征 43

2.3特征的學習 44

2.3.3 基於相似任務熱啟動優化過程 46

2.3模型 48

2.3.5 管道合成 49

2.3.6 調優與否 50

2.4 先前模型中學習 50

篇

 
XVI

2.4.1 遷移學習 51

2.4.2 針對神經學習 51

2.4.3 小樣本學習 52

2.4.4 不止於監督學習 54

2.5 總結 55

參考文獻56

第3章 神經網絡架構搜索 68

3.1 引言 68

3.2 搜索空間 69

3.3 搜索策略 73

3.4 性能評估策略 76

3.5 未來方向 78

參考文獻80

自動機器學習繫統

第4章 Auto-WEKA 86

4.1 引言 86

4.2 準備工作 88

4.2.1 模型選擇 88

4.2.2 超參優化 88

4.3 算法選擇與超參優化結合
（CASH） 89

4.4 Auto-WEKA 91

4.5 實驗評估 93

4.5.1 對比方法 94

4.5.2 交叉驗證性能 96

4.5.3 測試性能 96

4.6 總結 98

參考文獻98

第5章 Hyperopt-sklearn 101

5.1 引言 101

5.2 Hyperopt背景 102

5.3 Scikit-Learn模型選擇 103

5.4 使用示例 105

5.5 實驗 109

5.6 討論與展望 111

5.7 總結 114

參考文獻114

第6章 Auto-sklearn 116

6.1 引言 116

6.2 CASH問題 118

6.3 改進 119

6.3學習步驟 119

6.3.2 集成的自動構建 121

6.4 Auto-sklearn繫統 121

6.5 Auto-sklearn的對比試驗 125

6.6 Auto-sklearn改進項的評估 127

6.7 Auto-sklearn組件的詳細分析 129

6.8 討論與總結 134

6.8.1 討論 134

第二篇

 
XVII

6.8.2 使用示例 134

6.8.3 Auto-sklearn的擴展 135

6.8.4 總結與展望 136

參考文獻136

第7章 Auto-Net 140

7.1 引言 140

7.2 Auto-Net 1.0 142

7.3 Auto-Net 2.0 144

7.4 實驗 151

7.4.1 基線評估 151

7.4.2 AutoML競賽上的表現 152

7.4.3 Auto-Net 1.0與Auto-Net 2.0的對比154

7.5 總結 155

參考文獻156

第8章 TPOT 160

8.1 引言 160

8.2 方法 161

8.2.1 機器學習管道算子 161

8.2.2 構建基於樹的管道 162

8.2.3 優化基於樹的管道 163

8.2.4 基準測試數據 163

8.3 實驗結果 164

8.4 總結與展望 167

參考文獻168

第9章 自動統計 170

9.1 引言 170

9.2 自動統計項目的基本結構 172

9.3 應用於時序數據的自動統計 173

9.3.1 核函數上的語法 173

9.3.2 搜索和評估過程 175

9.3.3 生成自然語言性的描述 175

9.3.4 與人類比較 177

9.4 其他自動統計繫統 178

9.4.1 核心組件 178

9.4.2 設計挑戰 179

9.5 總結 180

參考文獻180

自動機器學習挑戰賽

第10章 自動機器學習挑戰賽分析 186

10.1 引言187

10.2 問題形式化和概述 190

10.2.1 問題的範圍 190

10.2.2 全模型選擇 191

10.2.3 超參優化 192

10.2.4 模型搜索策略 193

10.3 數據197

10.4 挑戰賽協議 201

10.4.1 時間預算和計算資源 201

10.4.2 評分標準 202

10.4.3 挑戰賽2015/2016中的輪次和階段 205

第三篇

 
10.4.4 挑戰賽2018中的階段 206

10.5 結果207

10.5.1 挑戰賽2015/2016上的得分 207

10.5.2 挑戰賽2018上的得分 209

10.5.3 數據集/任務的難度 210

10.5.4 超參優化 217

10.5學習 217

10.5.6 挑戰賽中使用的方法 219

10.6 討論224

10.7 總結226

參考文獻229