一、Google Cloud AutoML

Google Cloud AutoML是Google推出的一款自动机器学习产品，它可以根据用户提供的数据自动生成高质量的模型。

二、Microsoft Azure AutoML

Microsoft Azure AutoML是Microsoft Azure平台上的一个自动机器学习服务，支持多种机器学习任务，如分类、回归、时间序列预测等。

三、H2O.ai’s Driverless AI

H2O.ai’s Driverless AI是一个企业级的自动机器学习平台，支持数据预处理、特征工程、模型训练和优化等全流程自动化。

四、DataRobot

DataRobot是一款商业化的自动机器学习平台，提供了全自动的数据预处理、特征工程、模型训练和优化等功能。

五、Auto-WEKA

Auto-WEKA是基于WEKA的一款自动机器学习工具，通过贝叶斯优化方法自动选择优异的机器学习算法和参数。

六、TPOT

TPOT是一个使用遗传算法进行模型选择和参数优化的Python库，它可以作为scikit-learn的一个扩展来使用。

延伸阅读

AutoML的挑战和未来发展

尽管AutoML已经在许多任务中表现出色，但仍面临一些挑战。例如，如何处理大规模数据、如何优化复杂模型的超参数、如何在保持模型性能的同时保证模型的解释性等。解决这些问题需要进一步的研究和开发。未来，随着技术的发展，AutoML有望实现更全面的自动化，包括数据采集、模型部署、模型维护等环节。此外，AutoML也有可能在更多领域得到应用，比如在医疗、金融、零售等领域，帮助企业更快更好地利用数据，实现智能化决策。

上一篇

为什么交叉熵可以用于计算代价?

下一篇

生成对抗网络(GAN)相比传统训练方法有什么优势?