编者按：给诸位如是说八个手动机器学习架构，期望有用。
那些年，机器学习（Machine Learning）的使用量愈来愈高，数学模型给民营企业增添一连串良机，也给今后遗留下更快的放飞。但，机器学习的可视化业务流程天数长且繁杂，现代人依然在谋求布署更多机器学习数学模型。
民营企业须要预估的某一统计数据子集时，现代的方式须要继续执行下列操作方式：
1、处置统计数据
2、表述控制技术优点
3、优先选择数学模型
4、强化超模块
5、对模块的体能训练
没适用于于大部份各项任务的演算法，数据分析相关人员须要为每一某一各项任务优先选择和实用性演算法。
除此之外，为的是预备统计数据，须要展开如下表所示关键步骤：
1、确认列类别，语法文本
2、检验软件产业重新分配和它的名列
对于IT民营企业来讲，花钱与花天数并非优势 ，手动机器学习（Auto Machine Learning）才更有效。
手动学习架构之名列
手动学习架构能够实现大部份或几乎大部份关键步骤的手动化，为民营企业提供准确的预估。它的最大优势就是能将很多业务业务流程和统计数据挖掘相关人员从琐事中解脱出来，把天数花在项目的创意方面。
Gartner曾经发布一个统计数据报告，它预估在2020年，40%的大统计数据专家将会被手动化机器学习所取代。
为此，须要我们现在未雨绸缪，从现在就开始学习手动化机器学习架构，并优先选择最佳数学模型以及所需的模块实用性。
下列是我们精选的七款手动化机器学习架构，期望诸位喜欢。
ML Box
ML Box一款基于Python的统计数据库，它提供如下表所示之功能：
1、预读取，读取，清理和格式化统计数据；
2、优先选择某一功能并检验遗漏；
3、强化超模块
4、对预估最先进的数学模型展开分类与回归
5、展开预估与数学模型解析
ML Box最适合在Linux上运行，而Windows和Mac用户在安装时可能会遇到一点困难。
ML Box GitHub：https://github.com/AxeldeRomblay/MLBox
ML Box 文档：https://mlbox.readthedocs.io/en/latest/
Auto Sklearn
Auto Sklearn 是一个基于贝叶斯强化、元学习和组合构造的手动机器学习架构，用来查找类似的统计数据片断。
该软件包含有15种分类演算法，还有14个预处置特征，用来表述正确的演算法并强化其模块，精度超过98%。
Auto Sklearn特别适合中小型统计数据集，大型统计数据集的可扩展性略弱。
Auto Sklearn GitHub：https://github.com/automl/auto-sklearn
Auto Sklearn 文档：https://automl.github.io/auto-sklearn/master/
TPOT
TPOT在2018年8月被GitHub列为最受欢迎的手动机器学习架构。TPOT使用遗传演算法来搜索某一各项任务实现的数学模型。
TPOT可以同时分析数千个管道，并提供Python的接口。
与 Auto Sklern相比，TPOT提供了自己的回归和分类演算法。但，由于它是一个基于基因编程的架构，每次运行相同的各项任务，数学模型都可以提供不同的结果。
TPOT GitHub：https://github.com/EpistasisLab/tpot
TPOT 文档：https://automl.info/tpot/
H2O Auto ML
http://h2o.ai
H2O Auto ML架构是深度学习用户的最佳优先选择，它可以继续执行大量须要同时继续执行多行代码之各项任务。
H2O使用统计机器学习演算法，并有阶梯方式提升机器学习和繁杂的学习系统。
H2O GitHub：https://github.com/h2oai
H2O 文档：http://docs.h2o.ai/h2o/latest-stable/h2o-docs/automl.html
Auto Keras
https://autokeras.com
Auto Keras是一款开源的深度学习架构，推动贝叶斯演算法强化。此架构可以手动搜索繁杂数学模型的体系结构和超模块
Auto Keras使用神经架构搜索（NAS）演算法展开搜索，不须要深度学习工程师参与。
Auto Keras GitHub：https://github.com/keras-team/autokeras
Auto Keras 文档：https://autokeras.com/tutorial/overview/
Google Cloud Auto ML
Google Cloud Auto ML是谷歌云开发的自动机器学习与神经网络架构。它的图形用户界面（GUI)非常易于处置数学模型，特别适合对机器学习知识掌握有限的开发相关人员，让现代人也能够处置业务所需的数学模型。
值得一提的是，Google Cloud Auto ML并非开源库，使用时须要付费，它的价值取决于体能训练数学模型时所花费的天数以及要预估的图片统计数据。
Google Cloud Auto ML的学习与开发是免费的。
Goolge Cloud ML文档：https://services.google.com/fb/forms/cloudautomlalphaprogram/
TransmogrifAI
https://transmogrif.ai/
TransmogrifAI是基于Apache Spark架构的Salesforce库，用于Scala语言编写的结构化统计数据。
TransmogrifAI可以帮助开发者实现深度学习型的准确预估，同时将过程缩短100倍以上。TransmogrifAI棤glks支持处置大规模统计数据集，亦能够处置Scala上的虚拟机软件产业。
TransmogrifAI GitHub：https://github.com/salesforce/TransmogrifAI
TransmogriAI 文档：https://docs.transmogrif.ai/
小结
手动化机器学习是民营企业努力提高性能，更快预估数学模型的重要工具。
通过了解7个手动机器学习架构，开发者可以根据业务需求和操作方式规模优先选择，让它来完成自己的手动化机器学习各项任务。
作者：小洛
推荐阅读：
