前言

因为最近想找一下AutoML的文章看看，正好看到了这个仓库，有兴趣的小伙伴可以去打个星追踪一下，顺便支持一下作者。这个仓库是关于AutoML一些最新研究成果的整理，README前面也有一些关于AutoML的介绍，正好可以做个翻译，方便理解AutoML。

这个账号定位是中国，不过仓库竟然没有中文翻译，如果翻译有什么不足欢迎指出。

Awesome-AutoML-Papers

Awesome-AutoML-Papers是一个自动化机器学习相关论文、文章、教程、幻灯片和项目的精选列表。给这个仓库打上星，你就能了解这个正在飞速发展的研究领域的最新动态。

什么是AutoML

自动化机器学习(Automated Machine Learning，AutoML)提供了一些能使机器学习被非机器学习专家所掌握方法和过程，以此来提高机器学习的开发效率并加速机器学习领域的研究进程。

机器学习(Machine Learning，ML)在近些年取得了巨大的成功，越来越多的学科依赖于它。但是成功关键取决于人类机器学习专家执行以下几个任务：

1. 预处理数据
2. 选取合适的特征
3. 选择一个合适的模型
4. 优化模型超参数
5. 后期处理机器学习模型
6. 严格分析获取的结果

通常来说这些任务的复杂度超出了非机器学习专家的能力范围，而机器学习应用程序的快速增长产生了对现成、可轻松使用且无需专家知识的机器学习方法的需求。我们将最终的这个研究领域称为针对于机器学习的渐进式自动化，即AutoML。作为机器学习的一个新子领域，不仅仅在机器学习领域，在计算机视觉、自然语言处理、图计算领域，AutoML也获得了关注。

AutoML没有一个正式的定义。从众多文章的描述来看，AutoML的基本流程展示如下：

AutoML方法已经足够成熟，可以和人类机器专家相媲美，甚至有时能够超越。简而言之，因为机器学习专家又贵又难找，AutoML可以在提升性能的同时节约大量的时间金钱。因此，近年来对AutoML的商业兴趣急剧增长，几家大型的科技公司和初创企业都在研发自己的AutoML系统。下面表格是一份关于他们系统的概述对比：

Company	AutoFE	HPO	NAS
4paradigm	√	√	×
Alibaba	×	√	×
Baidu	×	×	√
Google	√	√	√
H2O.ai	√	√	×
Microsoft	×	√	√
RapidMiner	√	√	×
Tencent	×	√	×
Transwarp	√	√	√

Awesome-AutoML-Paper包含了我们在AutoML中所需基本技术的最新概述，包括：

1. 自动数据清洗(Auto Clean)
2. 自动特征工程(Auto FE)
3. 超参数优化(HPO)
4. 元学习(Meta-Learning)
5. 神经网络架构搜索(NAS)

后记

原文后面就是各个分支的相关资料了，可以说整理得很详细了，推荐去看一下。
感谢作者。