АВТОМАТИЧЕСКОЕ МАШИННОЕ ОБУЧЕНИЕ И АВТОМАТИЗАЦИЯ ПРОЦЕССА МОДЕЛИРОВАНИЯ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004

Узких Г.Ю.

студент 4 курса САФУ Северный (Арктический) федеральный университет (Россия, г. Архангельск)

АВТОМАТИЧЕСКОЕ МАШИННОЕ ОБУЧЕНИЕ И АВТОМАТИЗАЦИЯ ПРОЦЕССА МОДЕЛИРОВАНИЯ

Аннотация: в данной научно-исследовательской статье рассматривается актуальная проблема автоматизации процесса моделирования в контексте машинного обучения. С постоянным ростом объемов данных и сложности задач становится ясно, что традиционные методы моделирования становятся недостаточно эффективными. В ответ на это, автоматическое машинное обучение входит на сцену, предлагая новые инновационные подходы к разработке моделей.

Ключевые слова: автоматическое машинное обучение, автоматизация, процесс моделирования, методы оптимизации, архитектура модели, гиперпараметры, аугментация данных, преимущества, ограничения, интерпретируемость, роль человека, этические аспекты, интеллектуальная автоматизация, будущие перспективы

С развитием технологий сбора данных и вычислительных ресурсов машинное обучение становится всё более важной дисциплиной для решения сложных задач в различных областях. Однако, разработка и настройка моделей машинного обучения является трудоемким и сложным процессом, требующим экспертных знаний. В свете этого автоматическое машинное обучение приобретает значительное значение как способ упрощения и ускорения этого процесса [2].

Одной из ключевых областей автоматизации является автоматический выбор архитектуры модели. Методы, основанные на алгоритмах оптимизации, позволяют системам самостоятельно выбирать наилучшие комбинации слоев и

параметров модели на основе заданной задачи и доступных данных. Это особенно актуально в задачах глубокого обучения, где количество параметров может быть огромным.

Важным элементом автоматизации является оптимизация гиперпараметров. Алгоритмы автоматической оптимизации помогают найти оптимальные значения параметров модели, такие как скорость обучения, количество скрытых слоев и другие, что может существенно повысить качество модели [1].

Автоматическое машинное обучение предоставляет ряд преимуществ. Оно позволяет снизить зависимость от экспертных знаний, ускорить процесс разработки моделей и повысить качество результатов. Кроме того, автоматические системы могут работать в непрерывном режиме, обновляя модели по мере получения новых данных [3].

Однако следует отметить и ограничения автоматизации. Неконтролируемое использование автоматических методов может привести к выбору субоптимальных моделей или некорректной интерпретации результатов. Этому могут способствовать особенности конкретной задачи, а также ограничения алгоритмов оптимизации.

Будущее автоматического машинного обучения связано с разработкой более сложных и интеллектуальных систем, способных адаптироваться к разнообразным задачам и условиям. Возможны направления исследований, направленные на повышение интерпретируемости автоматических моделей, а также на создание гибридных подходов, объединяющих экспертные знания и автоматизацию.

Автоматическое машинное обучение становится ключевым фактором в развитии машинного обучения и моделирования. Это позволяет ускорить процесс создания моделей, снизить порог вхождения и повысить общее качество решений. Однако требуется баланс между автоматизацией и экспертным

вмешательством для достижения наилучших результатов в разнообразных задачах.

СПИСОК ЛИТЕРАТУРЫ:

1. Гибкость и автоматизация в машинном обучении [Электронный ресурс] -URL: https://habr.com/ru/companies/deutschetelekomitsolutions/articles/491900/

2. Википедия [Электронный ресурс] - URL: https: //ru. wikipedia. org/wiki/Автоматическое_машинное_обучение

3. Викиконспекты [Электронный ресурс] - URL: https://neerc.ifmo.ru/wiki/mdex.php?titie= Автоматическое_машинное_обучение

Uzkikh G.I.

4th year student of NArFU Northern (Arctic) Federal University (Russia, Archangelsk)

AUTOMATIC MACHINE LEARNING AND THE AUTOMATION OF MODELING PROCESS

Abstract: this research article addresses the timely issue of automating the modeling process in the context of machine learning. With the continuous growth in data volume and task complexity, it becomes evident that traditional modeling methods are becoming less effective. In response, automatic machine learning comes into play, offering innovative approaches to model development.

Keywords: automatic machine learning, automation, modeling process, optimization methods, model architecture, hyperparameters, data augmentation, benefits, limitations, interpretability, human role, ethical aspects, intelligent automation, future perspectives.