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 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
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
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
8. Analisis hasil yang diperoleh
9. Antarmuka pengguna dan visualisasi untuk pembelajaran mesin otomatis.
Implementasi Data pada Day 1 menggunakan Pycaret dengan contoh penerapan seperti pada notebook berikut
https://colab.research.google.com/drive/1WH5HZeekeZUzHV77AOaoCVxZ5tjpeD8x?usp=sharing