Otomatik Makine Öğrenimi (AutoML)

AutoML Nasıl Çalışır?

AutoML sistemleri, makine öğrenimi işlem hattının en çok tekrarlanan kısımlarını otomatikleştirir. Tipik bir AutoML süreci birkaç temel aşama içerir:

• Veri Hazırlama ve Özellik Mühendisliği: Ham verileri otomatik olarak temizleme ve model için anlamlı özellikler oluşturma. Bu, eksik değerlerin işlenmesini, normalleştirmeyi ve mevcut değişkenlerden yeni tahmin değişkenleri oluşturmayı içerebilir.
• Model Seçimi: Çok çeşitli olasılıklar arasından belirli bir problem için en uygun algoritmanın (örneğin, karar ağacı, destek vektör makinesi veya sinir ağı) seçilmesi.
• Hiperparametre Optimizasyonu: Seçilen model için optimum hiperparametrelerin otomatik olarak bulunması. Bu genellikle Bayesian optimizasyonu, ızgara arama veya evrimsel algoritmalar gibi sofistike arama stratejileri kullanılarak yapılır. Ultralytics, hiperparametre ayarlama gibi görevler için bunu araçlarına dahil eder.
• Model Değerlendirme ve Yineleme: Doğruluk veya F1-skoru gibi ölçütleri kullanarak modelin performansını değerlendirmek ve daha iyi sonuçlar elde etmek için süreç boyunca yinelemek.

Gerçek Dünya Uygulamaları

AutoML, gelişimi hızlandırmak ve sonuçları iyileştirmek için çok sayıda sektörde uygulanmaktadır.

1. Sağlık Hizmetlerinde Yapay Zeka: Tıbbi görüntü analizinde AutoML, taramalardaki tümörleri tespit etmek için farklı görüntü segmentasyon modellerini hızla test edebilir. Bir sistem, Beyin Tümörü veri kümesi gibi bir veri kümesi üzerinde çeşitli mimarileri otomatik olarak eğitebilir ve değerlendirebilir, böylece araştırmacıların konuşlandırılabilir bir teşhis aracı geliştirmeleri için gereken süreyi önemli ölçüde azaltabilir.
2. Finansal Hizmetler: Bankalar AutoML'i dolandırıcılık tespit modelleri oluşturmak için kullanıyor. Geçmiş işlem verilerini bir AutoML platformuna aktararak, dolandırıcılık modellerini yüksek hassasiyetle belirleyen modelleri otomatik olarak oluşturabilir ve optimize edebilirler; bu, aksi takdirde veri bilimcilerinin yoğun manuel çabasını gerektirecek bir görevdir. Bu konu Finans için Bilgisayarla Görme bölümünde daha ayrıntılı olarak incelenmiştir.

AutoML ve İlgili Kavramlar

AutoML'i ilgili alanlardan ayırmak faydalı olacaktır:

• AutoML vs MLOps: AutoML özellikle model oluşturma otomasyonunu (seçim, eğitim, ayarlama) hedeflerken, Makine Öğrenimi Operasyonları (MLOps) tüm ML yaşam döngüsünü kapsar. MLOps, modellerin üretimde güvenilir bir şekilde çalışmasını sağlayan dağıtım, izleme, yönetim ve yönetişimi içerir. AutoML genellikle daha büyük bir MLOps çerçevesi içinde bir bileşendir ve model dağıtımı ve model izlemeden önce ilk geliştirme aşamasını kolaylaştırır.
• AutoML ve NAS: Nöral Mimari Arama (NAS), AutoML'in özellikle sinir ağlarının mimarisini otomatik olarak tasarlamaya odaklanan bir alt alanıdır. NAS ağ tasarımını otomatikleştirirken, daha geniş AutoML araçları sadece NN'ler için değil, çeşitli model türleri için özellik mühendisliği ve hiperparametre ayarını da otomatikleştirebilir.

AutoML Araçları ve Platformları

Çok sayıda araç ve platform AutoML'i kolaylaştırır:

• Bulut Platformları: Başlıca sağlayıcılar Google Cloud AutoML, Amazon SageMaker Autopilot ve Microsoft Azure Machine Learning gibi entegre AutoML hizmetleri sunmaktadır. Bunlar ölçeklenebilir bulut bilişim kaynaklarından yararlanır. Ultralytics ayrıca Ultralytics HUB Bulut Eğitimi de sunmaktadır.
• Açık Kaynak Kütüphaneler: Popüler kütüphaneler arasında Auto-sklearn ( scikit-learn tabanlı), TPOT (genetik programlama kullanan) ve H2O AutoML bulunmaktadır. PyTorch ve TensorFlow gibi çerçeveler, AutoML araçları tarafından otomatikleştirilenler de dahil olmak üzere birçok makine öğrenimi görevi için temel altyapı sağlar.
• Entegre Platformlar: Ultralytics HUB, özellikle hiperparametre ayarlama için AutoML özelliklerini içerir ve nesne algılama gibi görevler için özel modellerin eğitilmesi sürecini basitleştirir.