AutoML是一个很宽泛的术语，理论上来说，它囊括从数据探索到模型构建这一完整的数据科学循环周期。但是，我发现这个术语更多时候是指自动的特征预处理和选择、模型算法选择和超参数调优，这些步骤处在数据科学流程的末端。流程中的早期步骤，即数据探索、清理和特征工程很难自动化，因为它们既需要专业知识，也需要人为判断。令人高兴的是，AutoML可让模型选择和开发等工作中冗长单调的步骤实现自动化，从而解放数据科学家，让他们关注更有趣的工作。下面我将详细介绍部署AutoML服务的经验。1.AutoML可为模型选

运作机器学习 在这个项目中，我们将使用葡萄牙银行机构的银行营销数据集。 主要任务是分类，我们必须预测客户是否将订阅定期存款。 数据集包含20个要素和32,950行。 数据集的链接为我们正在使用Azure配置基于云的机器学习生产模型，对其进行部署和使用。 然后，我们创建，发布和使用管道。 在此项目中，我们执行以下步骤： 自动化ML实验 部署最佳模型 启用记录 Swagger文档 消耗模型端点 创建和发布管道 建筑图 首先，我们必须选择并上传银行营销数据集。 然后配置一个新的计算集群，我们使用1

AutoML是一个很宽泛的术语，理论上来说，它囊括从数据探索到模型构建这一完整的数据科学循环周期。但是，我发现这个术语更多时候是指自动的特征预处理和选择、模型算法选择和超参数调优，这些步骤处在数据科学流程的末端。流程中的早期步骤，即数据探索、清理和特征工程很难自动化，因为它们既需要专业知识，也需要人为判断。令人高兴的是，AutoML可让模型选择和开发等工作中冗长单调的步骤实现自动化，从而解放数据科学家，让他们关注更有趣的工作。下面我将详细介绍部署AutoML服务的经验。1.AutoML可为模型选