Automated Machine Learning (AutoML)

Otomatik makine öğrenimi (AutoML), bir makine öğrenimi (ML) modeli oluştururken özellikleri hazırlama, algoritma seçme, hiperparametreleri ayarlama ve bazen ağ mimarisi tasarlama ya da birkaç modeli birleştirme gibi deneme yanılma işlerinin otomatikleştirilmesidir. Bir veri kümesi, hedef metrik ve hesaplama bütçesi verildiğinde AutoML sistemi aday işlem hatlarını araştırır, her birini ayrılmış veriler üzerinde puanlar ve bulduğu en iyi seçeneği sunar. Auto-WEKA projesi, bu görevin özünü birleşik algoritma seçimi ve hiperparametre optimizasyonu (CASH) problemi olarak tanımladı; auto-sklearn gibi daha sonraki araçlar da bu formülasyonu benimsedi. AutoML, uzman olmayanlara güçlü başlangıç modelleri sunarken uzmanları deneylerin tekrarlayan işlerinden kurtarır.

AutoML Nasıl Çalışır#

Bir AutoML sisteminin üç bileşeni vardır. Arama uzayı, veri ön işleme ve özellik mühendisliği adımlarından doğrusal regresyon, XGBoost veya bir sinir ağı gibi model ailelerine ve öğrenme oranı gibi her ailenin ayarlarına kadar nelerin değişebileceğini tanımlar. Arama stratejisi; rastgele arama, uzayın hangi bölgelerinin umut verici göründüğünü modelleyen Bayesçi optimizasyon veya iyi yapılandırmaları mutasyona uğratıp yeniden birleştiren evrimsel algoritmalar kullanarak hangi adayların deneneceğini seçer. Değerlendirme adımı her adayı doğrulama verileri üzerinde veya çapraz doğrulama yoluyla puanlar. Birçok sistem ayrıca, önceki veri kümelerinden edinilen meta öğrenme bilgisini kullanarak aramaya iyi bir başlangıç sağlar ve en iyi adayları bir model topluluğu içinde birleştirerek süreci tamamlar.

Her adayı sonuna kadar eğitmek başlıca maliyettir; bu nedenle çoklu sadakat yöntemleri önce birçok yapılandırmayı düşük maliyetle eğitir ve yalnızca umut vadedenlere daha fazla kaynak ayırır. Hyperband'in temel yapı taşı olan ardışık eleme, geriye tek bir yapılandırma kalana kadar bir turu tekrarlar:

Büyük bir arama, doğrulama verilerine aşırı uyum da gösterebilir; çünkü kazanan, birçok aday arasından kısmen şansı en yaver giden seçenektir. Bu nedenle nihai model ayrı bir test kümesinde puanlanır.

AutoML Araçları#

• AutoGluon: Amazon'da geliştirilmeye başlanan açık kaynaklı bir kütüphane; tablo, metin, görüntü ve zaman serisi verileri üzerinde birçok model türünü eğitir ve bunları bir toplulukta birleştirir.
• auto-sklearn: scikit-learn işlem hatlarını Bayesçi optimizasyon, meta öğrenme ve topluluk oluşturma yöntemleriyle araştırır.
• FLAML: Microsoft'un tablo modelleri ve hiperparametreler için düşük maliyetli aramayı hedefleyen kütüphanesi.
• Optuna: Umut vadetmeyen denemeleri erken durduran budayıcıları olan bir hiperparametre optimizasyon çerçevesi; genellikle özel AutoML döngülerinde arama motoru olarak kullanılır.
• Google Cloud AutoML: Artık Gemini Enterprise Agent Platform'un parçası olan, daha önce Vertex AI olarak bilinen ve kod yazmadan görüntü sınıflandırma, nesne algılama ve tablo modelleri eğiten yönetilen bir hizmet.
• Amazon SageMaker Autopilot: AWS'nin AutoML hizmeti; arayüzü artık SageMaker Canvas'ta yer alıyor.

Küçük tablolar için tablo temel modelleri, veri kümesine özel bir arama yapmadan bağlam içindeki eğitim satırlarından tahmin üreterek aynı hedefe ulaşmanın farklı bir yolunu sunar.

YOLO için Otomatik Ayarlama#

Sabit, önceden eğitilmiş bir mimariye sahip bilgisayarlı görü modellerinde otomatik arama genellikle eğitim reçetesini hedefler. Ultralytics YOLO'nun model.tune() aracı; öğrenme oranı, momentum, kayıp katsayıları ve artırma güçleri dâhil olmak üzere varsayılan olarak 26 eğitim hiperparametresini evrimleştirir: her yinelemede şimdiye kadar bulunan en iyi yapılandırmalar mutasyona uğratılıp yeniden birleştirilir, kısa süreli eğitim yapılır ve uygunluk kaydedilir. Çalıştırma, yinelemeler boyunca uygunluk grafiklerini içeren best_hyperparameters.yaml dosyasını kaydeder. use_ray=True iletildiğinde arama bunun yerine Ray Tune aracına aktarılır.

from ultralytics import YOLO

# Ayarlamak için önceden eğitilmiş bir YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Hiperparametreleri evrimleştir: Her yinelemede şimdiye kadarki en iyi yapılandırmalar mutasyona uğratılır, eğitim yapılır ve uygunluk puanlanır
model.tune(data="coco8.yaml", epochs=30, iterations=10, plots=False, save=False, val=False)

AutoML ve İlgili Terimler#

• Hiperparametre ayarlama: Seçilmiş tek bir modelin ayarlarını optimize eder. AutoML genellikle bunu, modeli de seçen daha geniş kapsamlı aramanın bir aşaması olarak içerir.
• Sinir ağı mimarisi arama (NAS): Katman türleri, derinlikler ve bağlantılar gibi ağ mimarilerini tasarlayan AutoML dalı.
• Aktarım öğrenimi: Sıfırdan başlamak yerine önceden eğitilmiş bir modeli temel alır. AutoML sistemleri çoğu zaman önceden eğitilmiş omurga ağları üzerinde arama yapar; bu nedenle iki yaklaşım birbirini tamamlar.
• Makine öğrenimi operasyonları (MLOps): Dağıtım, izleme ve yeniden eğitim dâhil olmak üzere bir modelin tüm yaşam döngüsünü kapsar ve çoğu zaman eğitim işlem hattının bir adımı olarak AutoML'i çalıştırır.