Auto Machine Learning (Auto ML) adalah kecerdasan buatan bisa belajar pemrograman kecerdasan buatan sendiri secara mandiri. Mesin pembelajaran ini telah mencapai keberhasilan yang cukup besar dan semakin banyak disiplin ilmu yang berkaitan dengannya. Kecerdasan buatan yang dibuat oleh manusia, kemudian dilatih secara terbimbing (supervised learning) atau tidak terbimbing (unsupervised learning) agar dapat menyelesaikan suatu masalah yang telah ditentukan. Selama dalam proses belajar agar dapat menjadi lebih pintar harus diinputkan sejumlah data latih melalui lapisan-lapisan (layer) yang direpresentasikan ke dalam persamaan matematika yang terinspirasi dari jaringan saraf biologi.

Kecerdasan buatan menciptakan model arsitektur anak jaringan saraf tiruan yang baru. Respon atau umpan balik (feedback) dari anak jaringan saraf tiruan dapat digunakan untuk memberitahu ke jaringan saraf pengendali agar meningkatkan proses pada bagian selanjutnya. Proses pengulangan dilakukan terus menerus untuk menghasilkan atau memperbarui arsitektur, menguji, dan memberikan umpan balik agar terus belajar. Hasil akhirnya dapat ditetapkan sebagai probabilitas yang paling baik ke dalam ruang arsitektur dengan tingkat akurasi yang lebih baik pada pengujian output jaringan sarafnya.

PyCaret

PyCaret adalah perpustakaan pembelajaran mesin open-source, kode rendah dan alat manajemen model ujung-ke-ujung built-in Python untuk mengotomatisasi alur kerja pembelajaran mesin. PyCaret dikenal karena kemudahan penggunaan, kesederhanaan, dan kemampuannya untuk dengan cepat dan efisien membangun dan menerapkan alur pembelajaran mesin ujung ke ujung.

Semua operasi yang dilakukan di PyCaret disimpan secara berurutan di a Pipa saluran yang sepenuhnya otomatis untuk penyebaran. Baik itu memasukkan nilai yang hilang, enkode satu-panas, mengubah data kategorikal, rekayasa fitur, atau bahkan penyetelan hyperparameter, PyCaret mengotomatiskan semuanya. Untuk mempelajari lebih lanjut tentang PyCaret

Langkah-Langkah untuk Auto Machine Learning

1. Persiapan dan konsumsi data (dari data mentah dan format lain-lain)

Deteksi jenis kolom; misalnya boolean, numerik diskrit, numerik kontinu, atau teks
Deteksi maksud kolom; misalnya target / label, bidang stratifikasi, fitur numerik, fitur teks kategorikal, atau fitur teks bebas
Deteksi tugas; misalnya klasifikasi biner, regresi, pengelompokan, atau peringkat

2. Rekayasa fitur

• Pemilihan fitur
  
• Ekstraksi fitur
  
• Pembelajaran meta dan pembelajaran transfer
  
• Deteksi dan penanganan data miring dan / atau nilai yang hilang
  

3. Pemilihan model

4. Optimalisasi hyperparameter dari algoritma pembelajaran dan fiturisasi

5. Pilihan pipeline di bawah batasan waktu, memori, dan kompleksitas

6. Pemilihan metrik evaluasi dan prosedur validasi

7. Masalah pemeriksaan

• Deteksi kebocoran
  
• Deteksi kesalahan konfigurasi
  

8. Analisis hasil yang diperoleh

9. Antarmuka pengguna dan visualisasi untuk pembelajaran mesin otomatis.

Latihan

Implementasi Data pada Day 1 menggunakan Pycaret dengan contoh penerapan seperti pada notebook berikut
https://colab.research.google.com/drive/1WH5HZeekeZUzHV77AOaoCVxZ5tjpeD8x?usp=sharing

Referensi Baca

• Auto Machine Learning (AutoML): Sebuah Kecerdasan Buatan yang Mampu Membangun Kecerdasan Buatan Sendiri dari Google (warstek.com)
• Auto Machine Learning Dari Google - Terabit Komputer
• Panduan Pemula Untuk Klasifikasi Teks Menggunakan PyCaret (zephyrnet.com)
• Bagaimana pembelajaran mesin kode rendah dapat mendukung AI yang bertanggung jawab (hitechglitz.com)
• Memprediksi Churn Pelanggan (Cara yang Benar) Menggunakan PyCaret (zephyrnet.com)