AutoML

기계 학습과 데이터 마이닝
패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 양자 기계 학습
문제 분류 클러스터 분석 회귀 분석 클러스터 분석 이상 탐지 데이터 정제 연관 규칙 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 (배깅, Boosting, 랜덤 포레스트) 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH 계층적 군집화 k-평균 알고리즘 기댓값 최대화 알고리즘 DBSCAN OPTICS Mean-shift
차원 축소 인자 분석 CCA 독립 성분 분석 LDA 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 k-최근접 이웃 알고리즘 국소 특이점 요인
인공 신경망 오토인코더 인지 컴퓨팅 딥 러닝 딥드림 생성적 적대 신경망 확산 모델 다층 퍼셉트론 순환 신경망 LSTM GRU 제한된 볼츠만 머신 변환기 비전 자기조직화지도 합성곱 신경망
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 러닝 커브 크라우드소싱 인간 참여형
모델 진단 러닝 커브
이론 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

AutoML(Automated machine learning)은 실제 문제에 기계 학습을 적용하는 작업을 자동화하는 프로세스이다.

AutoML에는 원시 데이터 세트부터 시작하여 배포 준비가 된 기계 학습 모델 구축까지 모든 단계가 포함될 수 있다. AutoML은 머신러닝 적용에 대한 점점 커지는 과제에 대한 인공지능 기반 솔루션으로 제안되었다. AutoML의 높은 수준의 자동화는 비전문가가 기계 학습 전문가가 될 필요 없이 기계 학습 모델 및 기술을 사용할 수 있도록 하는 것을 목표로 한다. 기계 학습을 엔드투엔드에 적용하는 프로세스를 자동화하면 더 간단한 솔루션을 생성하고 해당 솔루션을 더 빠르게 생성하며 종종 수동으로 설계한 모델보다 성능이 뛰어난 모델을 생성할 수 있는 이점도 제공된다.

AutoML에 사용되는 일반적인 기술에는 초매개변수 최적화, 메타 학습, 신경 아키텍처 검색이 포함된다.