如今，机器学习(ML)正在广泛地影响着商业、工程、以及研究等领域。通常，机器学习水平的进步，与软件和自动化的深入迭代有着密切的关系。只要人类的某项活动，需要依赖计算机去进行重复性和判断性的处理，我们就可以通过机器学习来执行与实现。当然，面对各种不确切的待解决问题，我们需要通过定义搜索空间、以及具体的学习算法，来训练计算机去自行判定与解决。
目前，机器学习已经凭借着有效的深度学习，进入了2.0的时代。它们不但可以更好地预测蛋白模型的数据拟合，而且能够在围棋、DotaII、星际争霸II等方面击败专业的人类玩家，以及创建各种十分连贯的文本和语音交互式响应。您可以通过链接，进一步了解机器学习对于不同行业的影响。当然，这些也都离不开各种被称为AutoML的开源工具、以及将ML进行实际应用的优秀实践。
什么是AutoML?作为一大类技术和工具，AutoML可以被用于各种自动化的搜索与学习场景中。例如，我们将贝叶斯优化应用于统计学习算法的超参数(hyperparameter)，或是将深度学习模型运用于神经架构的搜索。这些多样化的生态系统，目前已被编录到了AutoML.ai中。其中，最著名的AutoML软件包之一便是：Auto-SciKit-Learn(或称Auto-Sklearn)。它荣获了年至年的ChaLearnAutoML挑战赛的获胜者。
Auto-Sklearn是由德国的自动化机器学习研究小组所开发。作为一个Python包，Auto-Sklearn的构建密切遵循了SciKit-Learn的使用模式，这也是它得名为“Auto-SciKit-Learn”的原因。
除了Auto-Sklearn，Freiburg-Hannover的AutoML小组还开发了Auto-PyTorch库。在下面的简单示例中，我们将使用这两个代码库，作为进入AutoML的切入点。
AutoML的演示首先，我们来设置所需要的软件包和依赖项。在此，我们使用Python3的virtualenv，来管理演示项目的虚拟环境。当然，您也可以使用Anaconda(译者注：一种开源的Python发行版本)和pip，它们的工作方式都是类似的。
下面是在Ubuntu等基于Unix的系统上，设置运行环境的各种命令。如果您使用的是Windows，则可以从Anaconda提示符中通过输入命令，来设置环境。虽然Auto-Sklearn的文档建议用户，从它们的requirements.txt依赖文件处开始安装，但是就本例中的代码而言，并不需要如此。
#createandactivateanewvirtualenvironmentvirtualenvautoml--python=python3sourceautoml/bin/activate#installauto-sklearnpipinstallauto-sklearn值得注意的是，如果您对两个AutoML库使用相同的环境，那么可能会发生冲突。因此我们需要为Auto-PyTorch创建第二个环境。而且该环境中的Python应不低于3.7版本。
deactivatevirtualenvautopt–-python=python3.7sourceautopt/bin/activate#installauto-pytorchfromthegithubrepogitclone转载请注明：http://www.0431gb208.com/sjszyzl/6535.html
