Дмитрий Балабка - Практический обзор AutoML для табличных данных

Автоматизированное машинное обучение (AutoML) стало популярным в последние годы, сфокусировавшись на снижении затрат при создании моделей машинного обучения. Многие повседневные задачи могут быть частично или полностью автоматизированы: подготовка данных, конструирование признаков, обучение и оценка моделей. Мы кратко рассмотрим существующие решения AutoML, а также практический пример, основанный на решении, победившем для Sussex-Huawei Locomotion Challenge 2021. В частности, мы обсудим, как эффективно и с минимальными усилиями обучить модель с помощью Google AutoML Tables. 00:00 Вступление 02:11 Содержание доклада 03:09 О себе 04:38 О компании в числах 07:55 Задачи ML 10:49 Что такое AutoML? 13:37 Классический pipeline 20:57 Готовые решения 27:15 Решения в облаках 28:39 Личный опыт (Sussex-Huawei Locomotion Challenge 2021) 32:30 Google AutoML Tables 33:18 Dataset 37:19 Что AutoML не решает? 37:43 Дополнительный Dataset 39:53 Feature engineering 41:35 Как выглядит решение 42:29 Demo 48:00 Тренировка модели 51:19 Итоги 53:43 Вопросы Подписаться на канал: Наш сайт: Наш блог: Facebook-группа: