الوصف
auto-sklearn هي مجموعة أدوات قوية للتعلم الآلي الآلي (AutoML) مصممة لتبسيط عملية بناء نماذج التعلم الآلي. إنها تعمل كبديل مباشر لمقدرات scikit-learn، مما يسمح للمستخدمين بدمجها بسلاسة في سير عملهم الحالي. الهدف الأساسي من auto-sklearn هو تحرير ممارسي التعلم الآلي من المهام التي تستغرق وقتًا طويلاً لاختيار الخوارزميات وضبط المعلمات الفائقة.
قراءة المزيد
من خلال استخدام تقنيات متقدمة مثل التحسين البايزي والتعلم الوصفي وبناء المجموعات، يستكشف auto-sklearn بذكاء المساحة الواسعة للنماذج والتكوينات الممكنة لتحديد الحل الأكثر فعالية لمجموعة بيانات معينة. تعمل هذه الأتمتة على تسريع دورة حياة تطوير النموذج بشكل كبير ويمكن أن تؤدي إلى تحسين أداء النموذج، خاصة للمستخدمين الذين قد لا يكونون خبراء في كل جانب من جوانب التعلم الآلي.
يعد الدعم المقدم لميزات النص تحسينًا حديثًا ملحوظًا. يسمح هذا التوسع لـ auto-sklearn بمعالجة مجموعة واسعة من أنواع البيانات، مما يجعله أكثر تنوعًا لمهام معالجة اللغة الطبيعية. توفر مجموعة الأدوات وثائق شاملة، بما في ذلك أدلة التثبيت والأمثلة ومراجع واجهة برمجة التطبيقات (API) وقسم الأسئلة الشائعة، لمساعدة المستخدمين في البدء وتعظيم إمكانياتها.
تم ترخيص auto-sklearn بموجب ترخيص BSD ذي 3 بنود، مما يعكس ترخيص scikit-learn. يشجع المشروع المساهمات من المجتمع، ويرحب بتقارير الأخطاء وتحسينات الوثائق والميزات الجديدة. يُنصح المطورون بالاطلاع على دليل المساهمة وفتح مشكلة على GitHub قبل البدء في عمل كبير لتجنب الازدواجية وضمان التوافق مع أهداف المشروع. يوفر المشروع أيضًا موارد مثل الشرائح والدفاتر من المحادثات والبرامج التعليمية لمزيد من التعلم.
- الفئةمنصّات تعلّم الآلة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ auto-sklearn
اختيار الخوارزميات الآلي
ضبط المعلمات الفائقة الآلي
بديل مباشر لمقدرات scikit-learn
يستفيد من التحسين البايزي
يستخدم تقنيات التعلم الوصفي
يدعم بناء المجموعات
يشمل الدعم لميزات النص
يوفر أمثلة برمجية للتصنيف
يقدم وثائق التثبيت واليدوية
يشجع مساهمات المجتمع
مرخص بموجب ترخيص BSD ذي 3 بنود
البدء مع auto-sklearn
التثبيت: قم بتثبيت auto-sklearn باستخدام مدير الحزم.
التكوين: استورد AutoSklearnClassifier أو AutoSklearnRegressor.
التدريب: قم بتدريب المقدر باستخدام بيانات التدريب الخاصة بك (X_train, y_train).
التنبؤ: قم بإنشاء تنبؤات على بيانات الاختبار (X_test).
التقييم: قم بتقييم أداء النموذج باستخدام المقاييس المناسبة.
حالات استخدام auto-sklearn
- التصنيف الآلي
- الانحدار الآلي
- معالجة ميزات النص
- تحسين المعلمات الفائقة
- اختيار الخوارزميات
- بناء نماذج المجموعات
