摘要
2023.自动。 https://github.com/ClimbsRocks/auto_ml 谷歌学者 秋叶拓哉、三野昭太郎、延濑敏彦、大田武夫和小山正男。 2019.Optuna:下一代超参数优化框架。In 第25届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 谷歌学者 数字图书馆 詹姆斯·伯格斯特拉(James Bergstra)、丹尼尔·亚明斯(Daniel Yamins)和大卫·考克斯(David Cox)。 2013.建立模型搜索科学:视觉架构数百维超参数优化。 在 第30届机器学习国际会议论文集(机器学习研究论文集,第28卷) Sanjoy Dasgupta和David McAllester(编辑)。 美国佐治亚州亚特兰大市PMLR,115-123。 https://proceedings.mlr.press/v28/bergstra13.html 谷歌学者 陈田琪(Tianqi Chen)和卡洛斯·盖斯特林(Carlos Guestrin),2016年。 XGBoost:一个可扩展的树增强系统。 在 第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集 (美国加利福尼亚州旧金山) (KDD’16) .ACM,美国纽约州纽约市,785--794。 谷歌学者 数字图书馆 Francois Chollet等人,2015年。 凯拉斯。 https://github.com/fchollet/keras 谷歌学者 Piali Das、Nikita Ivkin、Tanya Bansal、Laurence Rouesnel、Philip Gautier、Zohar Karnin、Leo Dirac、Lakshmi Ramakrishnan、Andre Perunicic、Iaroslav Shcherbatyi、Wilton Wu、Aida Zolic、Huibin Shen、Amr Ahmed、Fela Winkelmolen、Miroslav Miladinovic、Cedric Archembeau、Alex Tang、Bhaskar Dutt、Patricia Grao和Kumar Venkateswar。 2020年,亚马逊SageMaker Autopilot:大规模的白盒AutoML解决方案。 在 第四届端到端机器学习数据管理国际研讨会会议记录 (俄勒冈州波特兰,美国) (DEEM'20) 美国纽约州纽约市计算机协会,第2条,共7页。 谷歌学者 数字图书馆 马蒂亚斯·费勒(Matthias Feurer)、亚伦·克莱恩(Aaron Klein)、凯萨琳娜·艾根斯佩格(Katharina Eggensperger)、约斯特·斯普林伯格(Jost Springenberg)、曼努埃尔·布鲁姆(Manuel Blum)和弗兰克·赫特。 2015.高效稳健的自动机器学习。 在 神经信息处理系统进展28(2015) . 2962--2970. 谷歌学者 数字图书馆 金海峰、宋清泉和胡霞,2019年。 Auto-Keras:一个高效的神经架构搜索系统。 在 第25届ACM SIGKDD知识发现与数据挖掘国际会议论文集 (安克雷奇,阿拉斯加州,美国) (KDD’19) 美国纽约州纽约市计算机协会,1946年至1956年。 谷歌学者 数字图书馆 加布里埃尔·科皮托·朱利安·安布拉德(Gabriel Kopito Julien Amblard),罗伯特·菲尔曼(Robert Filman)。 2023.GPStar4:遗传编程实验的灵活框架。 提交给GECCO 2023。 谷歌学者 数字图书馆 詹姆斯·马克斯·坎特(James Max Kanter)和卡尔扬·维拉马查尼(Kalyan Veeramachaneni)。 2015.深度特征合成:走向自动化数据科学工作。 2015 IEEE数据科学和高级分析国际会议(DSAA) (2015),1-10。 谷歌学者 交叉引用 唐纳德·E·克努思。 1968.上下文无关语言的语义。 数学。 系统。 理论 2, 2 (1968), 127--145. 谷歌学者 交叉引用 埃林·勒德尔和塞巴斯蒂安·波里埃。 2020年,H2O AutoML:可扩展的自动机器学习。 第七届ICML自动机器学习研讨会(AutoML) (2020年7月)。 https://www.automl.org/wp-content/uploads/2020/07/automl_2020_paper_61.pdf 谷歌学者 埃德加·加尔瓦恩·洛佩斯和卡蒂亚·罗德里格斯-巴斯克斯。 2007.一棵树中的多个交互输出:实证调查。 在 2007年4月11日至13日,西班牙巴伦西亚,第十届欧洲遗传编程会议,EuroGP 2007,会议记录(计算机科学讲稿,第4445卷) 马克·埃布纳(Marc Ebner)、迈克尔·奥尼尔(Michael O'Neill)、阿尼科·埃卡特(AnikóEkárt)、莱昂纳多·范内斯基(Leonardo Vanneschi)和安娜·埃斯帕西亚·阿尔卡扎尔(Anna Esparcia-Alcáza。 施普林格,341--350。 谷歌学者 交叉引用 Randal S.Olson、Nathan Bartley、Ryan J.Urbanowicz和Jason H.Moore。 2016.自动化数据科学的基于树的管道优化工具评估。 谷歌学者 交叉引用 Randal S.Olson、William La Cava、Patryk Orzechowski、Ryan J.Urbanowicz和Jason H.Moore。 2017.PMLB:用于机器学习评估和比较的大型基准套件。 生物数据挖掘 10、36(2017年12月11日),1-13。 谷歌学者 交叉引用 迈克尔·奥尼尔。 2009年,里卡多·波利(Riccardo Poli)、威廉·B·兰登(William B.Langdon)、尼古拉斯·麦克菲(Nicholas F.McPhee):《遗传编程实地指南:露露》(The Field Guide to Genetic Programming:Lulu)。 com,2008年,250页,ISBN 978-1-4092-0073-4。 谷歌学者 F.Pedregosa、G.Varoqueaux、A.Gramfort、V.Michel、B.Thirion、O.Grisel、M.Blondel、P.Prettenhofer、R.Weiss、V.Dubourg、J.Vanderplas、A.Passos、D.Cournapeau、M.Brucher、M.Perrot和E.Duchesnay。 2011.Scikit-learn:Python中的机器学习。 机器学习研究杂志 12 (2011), 2825--2830. 谷歌学者 数字图书馆 刘德米拉·普罗霍伦科娃(Liudmila Prokhorenkova)、格列布·古塞夫(Gleb Gusev)、阿列克桑德·沃罗贝夫(Aleksandr Vorobev)、安娜·维罗妮卡·多洛古什(Anna Veronika Dorogush)和安德烈·古林。 2018.CatBoost:无偏见的助推,具有分类功能。 在 神经信息处理系统研究进展 、S.Bengio、H.Wallach、H.Larochelle、K.Grauman、N.Cesa-Bianchi和R.Garnett(编辑),第31卷。 Curran Associates公司。 https://proceedings.neurips.cc/paper/2018/file/14491b756b3a51daac41c24863285549-paper.pdf 谷歌学者 莱奥·弗朗索索·D·P·索托、保罗·考夫曼、蒂莫西·阿特金森、罗曼·卡尔克鲁斯和马尔西奥·波尔托·巴斯加洛普。 2020年,遗传编程图形表示研究。 在 2020年遗传和进化计算会议记录 (墨西哥坎昆) (GECCO’20) 美国纽约州纽约市计算机协会,931--939。 谷歌学者 数字图书馆 尹光耀和理查德·约翰逊。 2000.一系列新的权力转换,以改善常态或对称性。 生物特征 87, 4 (12 2000), 954--959. arXiv公司: https://academic.oup.com/biomet/article-pdf/87/4/954/63321/870954.pdf 谷歌学者 交叉引用