[討論] AutoML都出來了，以後還需要ML專家嗎？

ML的架構傳統上還是需要有經驗的人來設計，現在連人都不需要了，直接連架構都可以tr ain出來，那還要ML專家幹嘛？會不會以後大家都負責準備data就好了？ ---- 抱歉簡體字，我找不到繁體字的資料 https://zhuanlan.zhihu.com/p/42924585 在开发神经网络的过程中，架构工程事关重大，架构先天不足，再怎么训练也难以得到优 秀的结果。 设计神经网络架构，能称得上机器学习过程中门槛最高的一项任务了。想要设计出好架构 ，需要专业的知识技能，还要大量试错。 深度学习新方法AutoML 很多人将AutoML称为深度学习的新方式，认为它改变了整个系统。有了AutoML，我们就不 再需要设计复杂的深度学习网络，只需运行一个预先设置好的NAS算法。 最近，Google提供的Cloud AutoML将这种理念发挥到了极致。只要你上传自己的数据，Go ogle的NAS算法就会为你找到一个架构，用起来又快又简单。 AutoML的理念就是把深度学习里那些复杂的部分都拿出去，你只需要提供数据，随后就让 AutoML在神经网络设计上尽情发挥吧。这样，深度学习就变得像插件一样方便，只要有数 据，就能自动创建出由复杂神经网络驱动的决策功能。 --
※ 批踢踢實業坊(ptt.cc), 來自: 175.97.3.214
※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1547695786.A.B59.html

推 foodordertw: youtube有介绍影片，下面推文都是Google kill ml j 01/17 11:32

→ foodordertw: ob 01/17 11:32

推 aminoyoyo: 有人用過效果好嗎 01/17 11:33

推 Rocker5566: 其實早就可以預料得到 模型方法工具化 跟BI一樣 01/17 11:43

推 Morphee: 你應該不是這行的 01/17 11:49

→ nitu2009: 我沒有，但是光想就覺得人怎麼可能贏？這可是人力搜索 01/17 11:55

→ nitu2009: 對上機器搜索的戰爭，人必敗啊 01/17 11:55

推 jobsdone: 無聊的事情交給機器去做，專家才有時間研究更複雜的架 01/17 12:13

→ jobsdone: 構 01/17 12:13

推 w60904max: 什麼人力搜索 在沒autoML前 參數也是讓機器自己調阿 01/17 12:43

推 w60904max: 應該說這是特指google的NAS模型 但以前就有很多autoML 01/17 12:45

→ w60904max: 的應用和算法了 01/17 12:45

→ w60904max: ML專家也是70%時間在整理研究資料 之後可能變90%吧 01/17 12:47

推 gogohc: 趨勢 01/17 13:02

噓 f496328mm: 講的 ML 只有 NN 一樣.... 01/17 13:27

→ f496328mm: 最簡單，你丟股票 data 上去，train 完的結果 01/17 13:28

→ f496328mm: 你去下單，看效果如何 01/17 13:29

→ f496328mm: GOOGLE自己也養一堆 data scientist 01/17 13:30

→ f496328mm: 是不是全部 fire 01/17 13:30

→ elite840: 這種東西就跟UML 一樣，沒那麼好用。 01/17 14:04

→ Dalapa: 你把資料處理的前端放哪，PCA LDA 正規化 Feature Selecti 01/17 15:04

→ Dalapa: on，這個沒做你喂給ML拿的不過也是坨屎 01/17 15:05

推 francej: 未來趨勢應該就是要有平台(如Google)的才賺得了錢 01/17 16:16

→ francej: ML沒機器、沒資料基本上就是斷了兩隻腳 變成只能靠演算法 01/17 16:18

→ francej: 跟Google等大廠一較高下...比輸了，只能殺價競爭囉 01/17 16:19

推 Rayyh: 教ML比做ML賺的還多 01/17 17:14

噓 b81314: 太理想化 01/17 18:02

→ akwa: 看一篇文章就下結論 這是記者在做的事 01/17 23:51

推 mf99319: 我比較想知道autokeras 跟AutoML的差別在哪裡 01/18 01:30

推 x3795566: AutoML總要有人維護跟改進吧 01/18 18:28

噓 s755369: 你是記者? 01/18 19:43