Обзор группы инструментов Анализ объектов и табличных данных

Набор инструментов Анализ объектов и табличных данных содержит инструменты, предназначенные для применения алгоритмов машинного обучения и глубокого обучения к объектам или табличным данным.

Инструмент Обучение с использованием AutoML использует автоматизированное машинное обучение (AutoML) для тренировки и точной настройки моделей машинного обучения с учетом доступных данных и вычислительных ресурсов. Обученные модели можно использовать инструментом Обучение с использованием AutoML для прогнозирования как категорийных (классификация), так и непрерывных переменных (регрессия).

Обучение моделей машинного обучения (ML) традиционно представляло собой сложный процесс, требующий специальных знаний о различных типах моделей и способах точной настройки их параметров (известных как гиперпараметры) для получения наилучших результатов. Это итеративный процесс, который требует проведения ряда экспериментов, прежде чем можно будет вычислить наиболее точную модель и соответствующие ее гиперпараметры. Инструменты AutoML позволяют автоматизировать этот процесс без необходимости написания кода. При этом они обеспечивают видимость производительности и гиперпараметров обученных моделей, а также понимание того, какие объекты оказывают наибольшее влияние на результаты модели.

Инструменты группы Анализ объектов и табличных данных

Инструмент	Описание
Прогноз с использованием AutoML	Прогнозирует непрерывные переменные (регрессия) или категориальные переменные (классификация) на невидимых совместимых наборах данных, используя обученную модель .dlpk, созданную инструментом Обучение с использованием AutoML.
Обучение с использованием AutoML	Тренирует модель глубокого обучения путем создания конвейеров обучения и автоматизации большей части процесса обучения. Это включает в себя исследовательский анализ данных, выбор объектов, разработку обработку объектов, выбор модели, настройку гиперпараметров и обучение модели. Его выходные данные включают показатели производительности лучшей модели на обучающих данных, а также обученный пакет модели глубокого обучения .dlpk, которую можно использовать в качестве входной в инструменте Прогнозирование с помощью AutoML для прогнозирования нового набора данных.