Kubeflow pour l'apprentissage automatique

Chapitre 10. Réglage des hyperparamètres etapprentissage automatique des machines

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans les chapitres précédents, nous avons vu comment Kubeflow aide aux différentes phases de l'apprentissage automatique. Mais savoir ce qu'il faut faire à chaque phase - qu'il s'agisse de la préparation des fonctionnalités ou de l'entraînement ou du déploiement des modèles - nécessite une certaine dose de connaissances d'expert et d'expérimentation. Selon le théorème "no free lunch", aucun modèle ne fonctionne mieux pour tous les problèmes d'apprentissage automatique, c'est pourquoi chaque modèle doit être construit avec soin. La construction complète d'un modèle très performant peut prendre beaucoup de temps et coûter cher si chaque phase nécessite une contribution humaine importante.

Naturellement, on peut se demander s'il est possible d'automatiser certaines parties, voire la totalité, du processus d'apprentissage automatique. Pouvons-nous réduire les frais généraux des scientifiques des données tout en maintenant une qualité de modèle élevée ?

Dans le domaine de l'apprentissage automatique, le terme générique pour résoudre ce type de problèmes est l'apprentissage automatique (AutoML). Il s'agit d'un domaine de recherche en constante évolution, qui a trouvé sa place dans l'industrie avec des applications pratiques. AutoML cherche à simplifier l'apprentissage automatique ...