AutoMLを学ぶ (Japanese Edition)

第3部： さまざまなデータ型に対応したAutoML

実世界の機械学習の問題は、単一の形態で現れるわけではない。構造化されたデータベースレコードから顧客の離反を予測したり、生のテキストからサポートチケットを分類したり、数千の製品にわたる需要を予測したり、製品カタログの画像を分類したりする場合があるだろう。データ型ごとに固有の課題があり、AutoMLフレームワークはそれぞれに特化したアプローチを進化させてきた。

このパートでは、本番環境で遭遇する4つの主要なデータモダリティにおける、実践的でハンズオンな実装について深く掘り下げる。表形式データについては、なぜ勾配ブースティングアンサンブルが依然として主流なのか、そしてAutoMLがそれらをどのようにオーケストレーションするのかを探る。テキストについては、ディープラーニングの専門家にならなくてもトランスフォーマーベースのモデルを活用する方法を学ぶ。時系列予測では、標準的な機械学習とは根本的に異なる時間的依存関係と評価戦略が紹介される。 コンピュータビジョンでは、かつては専門チームを必要とした機能が、AutoMLによっていかに民主化されるかを示す。各章には、本番環境で検証済みのコード、パフォーマンスベンチマーク、そして本番環境に導入されることのない印象的なデモと、成功したデプロイメントを分ける、苦労の末に得た教訓が含まれている。

このパートの内容

• 第7章「表形式データのためのAutoGluon」

• 第8章「テキストおよび自然言語処理のためのAutoML」

• 第9章「AutoGluonによる時系列予測」

• 第10章「AutoGluonを用いたコンピュータビジョン」