自动学习

Auto sklearn提供开箱即用的有监督的机器学习。auto-sklearn围绕scikit-learn机器学习库构建,自动为新的机器学习数据集搜索正确的学习算法,并优化其超参数。因此,它将机器学习从业者从这些乏味的任务中解放出来,并使她能够专注于真正的问题。


zbMATH参考文献(14篇文章引用)

显示第1至14个结果,共14个。
按年份排序(引用)

  1. Sandeep Singh Sandha,Mohit Aggarwal,Igor Fedorov,Mani Srivastava:MANGO:A Python Library for Parallel Hyperparameter调优(2020)阿尔十四
  2. van Engelen,Jesper E.;Hoos,Holger H.:半监督学习调查(2020)
  3. Xavier-Júnior,João C.;Freitas,Alex A.;Ludermir,Teresa B.;Feitosa Neto,Antonino;Barreto,Cephas A.S.:一种侧重于分类器集成的自动机器学习进化算法:改进算法和扩展结果(2020)
  4. Candelieri,Antonio;Giordani,Ilaria;Archetti,Francesco;Barkalov,Konstantin;Meyerov,Iosif;Polovinkin,Alexey;Sysoyev,Alexander;Zolotykh,Nikolai:通过并行全局优化调整基于SVM的需水量预测系统的超参数(2019年)
  5. Lindauer,Marius;van Rijn,Jan N.;Kotthoff,Lars:2015和2017(2019)算法选择竞赛
  6. Braddil,Pavel(编辑);Giraud Carrier,Christophe(编辑):金属学习和算法选择:进展、技术现状和2018年特刊简介(2018年)
  7. Eggensperger,Katharina;Lindauer,Marius;Hoos,Holger H.;Hutter,Frank;Leyton Brown,Kevin:通过基于模型的代理对算法配置器进行有效的基准测试(2018年)
  8. Li,Lisha;Jamieson,Kevin;DeSalvo,Giulia;Rostamizadeh,Afshin;Talwalkar,Ameet:基于bandit的超参数优化新方法(2018)
  9. Bayesian-Taälyko,和Malinälyki网络预测;Bayesian-Taäläläläläläläkäläläläkäy kälälä
  10. Melnikov,Vitalik;Hüllermeier,Eyke:关于启发式学习嵌套二分法的有效性:实证分析(2018)
  11. Mohr,Felix;Wever,Marcel;Hüllermeier,Eyke:ML计划:通过分层规划实现自动机器学习(2018)
  12. Wistuba,Martin;Schilling,Nicolas;Schmidt Thieme,Lars:基于可伸缩高斯过程的超参数优化传输代理(2018)
  13. Hutter,Frank;Lindauer,Marius;Balint,Adrian;Bayless,Sam;Hoos,Holger;Leyton Brown,Kevin:可配置SAT解算器挑战赛(CSSC)(2017)
  14. Bischl,Bernd;Kerschke,Pascal;Kotthoff,Lars;Lindauer,Marius;Malitsky,Yuri;Fréchette,Alexandre;Hoos,Holger;Hutter,Frank;Leyton Brown,Kevin;Tierney,Kevin;Vanshoren,Joaquin:ASlib:算法选择的基准库(2016)