AutoML yordamida avtomatik model tanlashning zamonaviy yondashuvlari va intellektual tizimlardagi roli
Kalit so'zlar:
AutoML, avtomatik model tanlash, giperparametrlarni optimallashtirish, neyron arxitektura qidiruvi, meta-o‘rganish, sun’iy intellekt tizimlariAnnotatsiya
Ushbu maqolada avtomatik mashinaviy o‘rganish (AutoML) texnologiyalarining mohiyati, ularning model tanlash jarayonidagi roli hamda zamonaviy sun’iy intellekt tizimlarida qo‘llanilish xususiyatlari tahlil qilinadi. Tadqiqotda AutoML arxitekturasi, model optimallashtirishning avtomatlashtirilgan algoritmlari, neyron arxitektura qidiruvi (NAS) va giperparametrlarni sozlash mexanizmlari chuqur o‘rganiladi. Shuningdek, an’anaviy qo‘lda model tanlash yondashuvlari bilan taqqoslanib, AutoML tizimlarining samaradorlik, aniqlik va vaqt tejamkorligi bo‘yicha ustunliklari isbotlanadi. Tadqiqot natijalari shuni ko‘rsatadiki, AutoML metodologiyasi murakkab ma’lumotlar to‘plamlarini tahlil qilishda inson omilini minimallashtirib, model tanlashning optimalligini va adaptivligini oshiradi
Библиографические ссылки
1. Feurer, M., & Hutter, F. (2019). Hyperparameter Optimization. In Automated Machine Learning: Methods, Systems, Challenges. Springer.
2. Zöller, M.-A., & Huber, M. F. (2021). Benchmarking the State of Automated Machine Learning. Journal of Artificial Intelligence Research, 70, 1119–1198.
3. Elsken, T., Metzen, J. H., & Hutter, F. (2019). Neural Architecture Search: A Survey. Journal of Machine Learning Research, 20(55), 1–21.
4. Thornton, C., Hutter, F., Hoos, H. H., & Leyton-Brown, K. (2013). Auto-WEKA: Combined Selection and Hyperparameter Optimization of Classification Algorithms. KDD Conference
