Python ve Kodsuz Kullanıcılar için En İyi 10 AutoML Çerçevesi

Otomatikleştirilmiş Makine Öğrenimi (AutoML) çoğu zaman yanlış anlaşılır.

Teknoloji sektöründe birçok kişi, AutoML araçlarının yalnızca iş kullanıcıları veya makine öğrenimi modellerinin nasıl eğitildiğini veya dağıtıldığını anlamayan teknik olmayan ekipler için tasarlandığını varsayar. Bu varsayım yanlıştır.

Uygulamada, veri bilimciler ve makine öğrenimi mühendisleri deney süresini azaltmak, model performansını iyileştirmek ve makine öğrenimi yaşam döngüsünün tekrarlayan aşamalarını otomatikleştirmek için düzenli olarak AutoML çerçevelerini kullanır. 

Bu AutoML araçları, özellik mühendisliği, model seçimi, hiperparametre ayarlama ve uçtan uca boru hattı otomasyonu gibi görevleri destekleyerek ekiplerin daha yüksek değerli işlere odaklanmasına olanak tanır.

Bu yazıda, farklı uzmanlık düzeylerindeki kullanıcılar için tasarlanmış, günümüzde mevcut en iyi AutoML çerçevelerinden bazılarını inceleyeceğim. Araçlar üç net kategoriye ayrılmıştır:

• Açık kaynak çerçeveler
• Kodsuz ve az kodlu platformlar
• Kurumsal düzeyde AutoML çözümleri

Her çerçeve için öne çıkan özelliklerini vurguluyor ve hemen kullanmaya başlayabilmeniz için örnek kod sağlıyoruz.

AutoML Çerçeveleri Nedir?

AutoML, ham veriden eğitilmiş ve dağıtıma hazır bir modele kadar, makine öğrenimi model geliştirme sürecinin tamamını otomatikleştiren araç ve sistemleri ifade eder. 

AutoML çerçeveleri, makine öğrenimi modeli oluşturma sürecindeki birçok tekrarlı ve teknik görevi üstlenir; böylece hem uzman uygulayıcılar hem de daha az teknik kullanıcılar daha verimli çalışabilir.

AutoML İş Akışı Diyagramı

Özellikle, AutoML çerçeveleri genellikle makine öğrenimi iş akışındaki aşağıdaki adımları otomatikleştirir:

• Veri ön işleme ve doğrulama; eğitime yönelik ham verilerin temizlenmesi, normalleştirilmesi ve biçimlendirilmesini içerir.
• Özellik mühendisliği ve seçimi; anlamlı giriş değişkenlerinin otomatik olarak oluşturulması veya seçilmesi.
• Algoritma seçimi; probleme en uygun olanı bulmak için birden fazla model türünün test edilmesi.
• Hiperparametre optimizasyonu; deneme-yanılmaya gerek kalmadan model parametrelerinin performansı artıracak şekilde ayarlanması.
• Model değerlendirme ve sıralama; eğitilen modellerin temel metriklere göre karşılaştırılması ve en iyi performans gösterenin belirlenmesi.
• Dağıtım ve izleme desteği; kurumsal platformlarda, ekiplerin modelleri ölçekli olarak üretime almasını sağlar.

Bu görevleri otomatikleştirerek AutoML çerçeveleri manuel çabayı azaltır, tutarlılık ve yeniden üretilebilirliği artırır ve hem teknik hem de teknik olmayan ekiplerin yüksek kaliteli makine öğrenimi modellerini daha hızlı oluşturmasını mümkün kılar. 

Açık Kaynak AutoML Çerçeveleri

Açık kaynak AutoML çerçeveleri, uygulayıcıların veri, boru hatları ve dağıtım iş akışları üzerinde tam kontrolü korurken model oluşturmayı otomatikleştirmesine olanak tanıyan esnek, şeffaf ve geliştirici dostu araçlar sunar.

1. TPOT

TPOT; genetik programlama kullanarak uçtan uca makine öğrenimi boru hatlarını otomatik olarak keşfeden ve optimize eden açık kaynak bir Python AutoML çerçevesidir. 

Boru hattı tasarımını evrimsel bir arama problemi olarak ele alır; ön işleme adımları, modeller ve hiperparametre kombinasyonlarını keşfederek yüksek performanslı çözümler belirler. 

TPOT, hızlı deney ve güçlü temel modellerin gerektiği tablo verisi görevlerinde özellikle etkilidir; aynı zamanda uygulayıcıların ortaya çıkan boru hatlarını standart scikit-learn iş akışları içinde incelemesine, dışa aktarmasına ve yeniden kullanmasına olanak tanır.

Öne Çıkan Özellikler:

1. Genetik Programlama Optimizasyonu: TPOT, geniş bir makine öğrenimi boru hattı arama alanını evrimsel algoritmalarla keşfeder ve zamanla aşamalı olarak iyileştirir.
2. Otomatik Boru Hattı Kurulumu: Ön işleme adımları, özellik seçimi yöntemleri, modeller ve hiperparametreleri uçtan uca boru hatlarında otomatik olarak birleştirir.
3. Scikit-Learn Uyumluluğu: TPOT, scikit-learn bileşenlerini kullanır; böylece ortaya çıkan boru hatlarını anlamak, genişletmek ve dağıtmak kolaydır.
4. Özelleştirilebilir Arama Alanı: Kullanıcılar, TPOT'un keşfetmesine izin verilen algoritmaları, dönüşümleri ve parametreleri kontrol edebilir.
5. Dışa Aktarılabilir Python Kodu: En iyi performans gösteren boru hattı, daha fazla inceleme veya üretim kullanımı için temiz Python kodu olarak dışa aktarılabilir.

Kod Örneği:

Bu örnek, TPOT'u kullanmak için gereken en az kurulum adımını gösterir. Veri kümesi özellikleri ve etiketleri yüklenir, bir TPOTClassifier varsayılan ayarlarla başlatılır ve fit yöntemi otomatik arama sürecini tetikler. 

Eğitim sırasında TPOT, genetik programlamayı kullanarak birden çok aday boru hattını değerlendirir ve belirtilen değerlendirme metriğine göre yüksek performanslı bir model seçer.

import tpot
X, y = load_my_data()
est = tpot.TPOTClassifier()
est.fit(X, y)Altyapı:

2. AutoGluon

AutoGluon; AWS AI tarafından geliştirilen, yüksek doğruluk, minimum kod ve tablo, metin ve görüntü verileri desteğine odaklanan açık kaynak bir Python AutoML çerçevesidir. 

Çeşitli modeller oluşturur ve farklı veri türlerinde güçlü öngörü performansı sunmak için otomatik model seçimi, hiperparametre ayarlama ve topluluk (ensemble) öğrenmeden yararlanır.

Öne Çıkan Özellikler:

• Çoklu Mod Desteği: AutoGluon; tablo verileri, metin, görüntüler ve daha fazlasıyla çalışır; tek bir kütüphanede çok yönlü kullanım sağlar.
• Otomatik Yığınlama ve Topluluklar: Doğruluğu tekil modellerin ötesine taşımak için birden çok modeli yığın topluluk yöntemiyle birleştirir.
• Hiperparametre Ayarlama: AutoGluon, model hiperparametrelerini otomatik olarak optimize eder.
• Kullanım Kolaylığı: Üst düzey API, yalnızca birkaç satır kodla güçlü modeller eğitmeye olanak tanır.
• Sağlam Ön İşleme: Verileri otomatik olarak işler ve farklı özellik türlerini tanıyarak model eğitimine hazırlar.

Kod Örneği:

Bu kod, eğitim ve test veri kümelerini AutoGluon tablo veri kümeleri olarak yükler. Ardından hedef etiketi belirten bir TabularPredictor nesnesi oluşturur ve fit çağrısıyla AutoGluon'u tablo eğitim verisi üzerinde eğitir. Eğitim tamamlandıktan sonra, eğitilen modeli kullanarak test kümesi üzerinde tahminler üretir.

from autogluon.tabular import TabularDataset, TabularPredictor

label = "signature"
train_data = TabularDataset("train.csv")

predictor = TabularPredictor(label=label).fit(train_data)

test_data = TabularDataset("test.csv")
predictions = predictor.predict(test_data.drop(columns=[label]))Altyapı:

3. FLAML

FLAML (Fast Lightweight AutoML), Microsoft Research tarafından geliştirilen, yüksek kaliteli makine öğrenimi modellerini otomatik ve verimli bir şekilde bulmak üzere tasarlanmış açık kaynak bir Python AutoML kütüphanesidir; hesaplama maliyeti ve kaynak kullanımını en aza indirerek hız ve verimliliğin en önemli olduğu ortamlar için idealdir.

Öne Çıkan Özellikler:

• Bütçe Farkındalıklı Optimizasyon: FLAML, önce daha ucuz yapılandırmaları önceliklendiren ve gerekirse daha karmaşık olanları keşfeden maliyet-etkin arama stratejileri kullanır; sınırlı kaynaklarla güçlü performans sağlar.
• Hızlı Hiperparametre Ayarlama: Kapsamlı arama yerine hız ve hesaplama verimliliğine odaklanarak hiperparametre ayarlamasını otomatikleştirir.
• Birden Fazla Görev Desteği: FLAML, sınıflandırma, regresyon, zaman serisi tahmini ve daha fazlası gibi yaygın makine öğrenimi görevlerini minimum kurulumla ele alabilir.
• Scikit-Learn Tarzı Arayüz: scikit-learn’in fit ve predict gibi tanıdık arayüzleriyle bütünleşir; benimsemeyi kolaylaştırır.
• Özelleştirilebilir Arama Alanı: Kullanıcılar, doğruluk ile kaynak kısıtları arasında denge kurmak için tahmin edicileri ve arama alanını özelleştirebilir.

Kod Örneği:

Bu kod örneği, FLAML’ın AutoML sınıfını kullanarak Iris veri kümesi üzerinde, eğitimden önce zaman bütçesi ve değerlendirme metriği belirlenmiş bir otomatik sınıflandırma görevinin nasıl gerçekleştirileceğini ve ardından eğitilen modelle olasılık tahminlerinin nasıl alınacağını gösterir.

from flaml import AutoML
from sklearn.datasets import load_iris

X_train, y_train = load_iris(return_X_y=True)

automl = AutoML()

automl_settings = {
    "time_budget": 1,
    "metric": "accuracy",
    "task": "classification",
    "log_file_name": "iris.log",
}

automl.fit(X_train=X_train, y_train=y_train, **automl_settings)

print(automl.predict_proba(X_train))Altyapı:

4. AutoKeras

AutoKeras; Keras derin öğrenme çerçevesi üzerine inşa edilmiş, yapılandırılmış veri, görüntü ve metin dahil geniş bir görev yelpazesi için yüksek kaliteli sinir ağlarını minimum kodla otomatik olarak arayıp eğiten açık kaynak bir AutoML kütüphanesidir. 

Uygun model mimarilerini ve hiperparametreleri bulmak için verimli sinir mimarisi araması kullanır; derin öğrenmeyi hem yeni başlayanlar hem de deneyimli uygulayıcılar için daha erişilebilir hale getirir.

Öne Çıkan Özellikler:

• Sinir Mimarisi Araması: AutoKeras, belirli göreviniz için en uygun sinir ağı yapılarını belirlemek üzere otomatik mimari araması gerçekleştirir.
• Çoklu Mod Desteği: Yapılandırılmış tablo verileri, görüntü verileri ve metin verilerini tek bir çerçeve içinde destekler.
• Kullanım Kolaylığı: StructuredDataClassifier gibi üst düzey API'ler, yalnızca birkaç satır kodla karmaşık derin öğrenme modellerinin eğitimini kolaylaştırır.
• Esnek Model Kurulumu: İleri düzey kullanımlar için arama kısıtları özelleştirilebilir ve arama alanı genişletilebilir.
• Keras ve TensorFlow Entegrasyonu: AutoKeras, Keras ve TensorFlow üzerine kurulduğu için bu yaygın derin öğrenme ekosistemleriyle sorunsuz bütünleşir.

Kod Örneği:

Bu kod örneği gerekli kütüphaneleri içe aktarır ve verilen URL'lerden eğitim ve test veri kümelerini yükler. Özellikler ve etiketler ayrılır, ardından güçlü bir derin öğrenme modeli aramasını otomatik olarak yapan bir ak.StructuredDataClassifier nesnesi oluşturulur. Model belirli sayıda deneme ve epoch için eğitilir ve test kümesi üzerindeki nihai değerlendirme sonucu yazdırılır.

import keras
import pandas as pd
import autokeras as ak

TRAIN_DATA_URL = "https://storage.googleapis.com/tf-datasets/titanic/train.csv"
TEST_DATA_URL = "https://storage.googleapis.com/tf-datasets/titanic/eval.csv"

train_file_path = keras.utils.get_file("train.csv", TRAIN_DATA_URL)
test_file_path = keras.utils.get_file("eval.csv", TEST_DATA_URL)

train_df = pd.read_csv(train_file_path)
test_df = pd.read_csv(test_file_path)

y_train = train_df["survived"].values
x_train = train_df.drop("survived", axis=1).values

y_test = test_df["survived"].values
x_test = test_df.drop("survived", axis=1).values

clf = ak.StructuredDataClassifier(overwrite=True, max_trials=3)
clf.fit(x_train, y_train, epochs=10)

print(clf.evaluate(x_test, y_test))Altyapı:

Kodsuz ve Az Kodlu AutoML Platformları

Kodsuz ve az kodlu AutoML platformları, karmaşık iş akışlarını soyutlayarak model geliştirmeyi basitleştirir; hem teknik ekipler hem de iş kullanıcıları için hızlı deney ve dağıtım imkânı sunar.

5. PyCaret

PyCaret; Python'da, sınıflandırma, regresyon, kümeleme, anomali tespiti ve zaman serisi tahmini gibi görevler için uçtan uca makine öğrenimi iş akışını otomatikleştiren, yalnızca birkaç satır kodla hızlı prototipleme sağlayan ve az kodlu veya tıklayarak ilerlemeyi tercih edenler için grafik arayüz de sunan açık kaynak, az kodlu bir makine öğrenimi kütüphanesidir.

Öne Çıkan Özellikler:

• Az Kod Otomasyonu: PyCaret, veri ön işleme, model eğitimi, değerlendirme ve seçimi gibi standart makine öğrenimi adımlarını otomatikleştirerek yazmanız gereken kod miktarını önemli ölçüde azaltır.
• Çoklu ML Görev Desteği: Sınıflandırma, regresyon, kümeleme, anomali tespiti, doğal dil işleme ve zaman serisi analizi dahil çok çeşitli makine öğrenimi görevleri için yerleşik destek içerir.
• Entegre Ön İşleme: PyCaret; eksik değerlerin ele alınması, kategorik özelliklerin kodlanması ve modeller için ölçekleme gibi yaygın veri ön işleme adımlarını otomatik olarak gerçekleştirir.
• Model Karşılaştırma ve Seçim: compare_models fonksiyonu çok sayıda modeli çapraz doğrulama ile eğitir ve değerlendirir; en iyi modeli seçmeye yardımcı olmak için bir liderlik tablosu sunar.
• Genişletilebilir ve Entegrasyona Uygun: Yerleşik kütüphaneleri (scikit-learn, XGBoost, LightGBM, CatBoost vb.) sarar ve Power BI, Tableau ve diğerleri gibi BI araçlarına entegre olabilir. 

Kod Örneği:

Bu kod parçacığı, yerleşik bir veri kümesinin yüklenmesini, PyCaret regresyon modülünün setup ile başlatılmasını (veriyi ön işler ve ML ortamını kurar) ve ardından compare_models kullanılarak çeşitli regresyon modellerinin otomatik eğitimi, değerlendirmesi ve sıralanmasını gösterir; en iyi performans göstereni döndürür.

from pycaret.datasets import get_data
from pycaret.regression import *

data = get_data("insurance")

s = setup(data, target="charges", session_id=123)

best_model = compare_models()Altyapı:

6. MLJAR Studio

MLJAR Studio; yönlendirmeli bir arayüz üzerinden makine öğrenimi modellerini eğitmenizi ve karşılaştırmanızı sağlayan kodsuz ve az kodlu bir AutoML ortamıdır; ayrıca açık kaynak mljar-supervised motoru aracılığıyla isteğe bağlı bir Python iş akışı sunar. 

Öne Çıkan Özellikler:

• Kodsuz AutoML iş akışı: Veri kümesi yükleyebilir, özellikler ve hedefi seçebilir, eğitimi başlatabilir ve kod yazmadan sonuçları inceleyebilirsiniz.
• Şeffaf modelleme ve raporlar: MLJAR, bir kara kutu olmadığının altını çizer ve modellerin nasıl kurulduğunu ve nasıl performans gösterdiğini açıklayan ayrıntılı raporlar üretir.
• Otomatik eğitim ve ayarlama: AutoML motoru; ön işleme, model eğitimi ve hiperparametre ayarlamasını üstlenerek güçlü modeller bulur.
• Net çıktılarla model karşılaştırma: Birden fazla modeli eğitir ve oluşturulan özetler ile performans görünümlerini kullanarak karşılaştırmanıza yardımcı olur.
• mljar-supervised ile isteğe bağlı kod: Daha fazla kontrol isterseniz, aynı AutoML yetenekleri mljar-supervised Python paketi aracılığıyla kullanılabilir. 

Kod Örneği:

MLJAR Studio'yu kullanmak için koda ihtiyacınız yoktur; çünkü AutoML'i GUI üzerinden çalıştırabilirsiniz. Ancak aşağıdaki kod, mljar-supervised kütüphanesini kullanarak isteğe bağlı programatik yaklaşımı gösterir. Bir veri kümesi yükler, özellikler ve hedefe böler, AutoML eğitimini çalıştırır ve ardından eğitilen modeli kullanarak tahminler üretir.

import pandas as pd
from supervised.automl import AutoML

df = pd.read_csv(
    "https://raw.githubusercontent.com/pplonski/datasets-for-start/master/adult/data.csv",
    skipinitialspace=True,
)

X = df[df.columns[:-1]]
y = df["income"]

automl = AutoML(results_path="mljar_results")
automl.fit(X, y)

predictions = automl.predict(X)Altyapı:

7. H2O AutoML

H2O AutoML; H2O platformu içinde, Python, R ve H2O Flow adlı kodsuz bir grafik arayüz desteği sunan, ölçeklenebilir, otomatik makine öğrenimi yeteneğidir; teknik ve teknik olmayan kullanıcıların minimum kodla model oluşturmasına, değerlendirmesine ve seçmesine olanak tanır. Kullanıcılar, web tabanlı Flow arayüzü üzerinden veri içe aktarabilir, AutoML deneyleri çalıştırabilir, sonuçları keşfedebilir ve herhangi bir kod yazmadan modelleri dışa aktarabilir.

Öne Çıkan Özellikler:

• Otomatik Model Eğitimi ve Ayarlama: H2O AutoML, birden çok algoritmayı otomatik olarak çalıştırır, hiperparametreleri ayarlar ve manuel model seçimine gerek kalmadan en iyi modellerin bir liderlik tablosunu oluşturur.
• Kodsuz Web Arayüzü: H2O Flow grafik arayüzü, kullanıcıların tarayıcı tabanlı bir arayüzle H2O ile etkileşime geçmesine, makine öğrenimi görevlerini gerçekleştirmesine ve sonuçları kod yazmadan keşfetmesine olanak tanır.
• Birden Fazla Arayüz Desteği: Web UI'nin yanı sıra H2O AutoML, Python ve R API'leri aracılığıyla da erişilebilir; az kodlu ve kodsuz iş akışları için esneklik sağlar.
• Otomatik Ön İşleme: H2O AutoML; eksik değerlerin ele alınması, kategorik değişkenlerin kodlanması ve otomatik ölçekleme gibi yaygın ön işleme görevlerini gerçekleştirir.
• Model Açıklanabilirliği Araçları: H2O, kullanıcıların model çıktısını anlamasına ve güvenmesine yardımcı olan, model davranışı ve performansına ilişkin içgörüler üreten açıklanabilirlik özellikleri sunar. 

Kod Örneği:

Bu örnek, H2O AutoML'in Python üzerinden nasıl kullanılacağını gösterir. H2O ortamı başlatılır, eğitim ve test veri kümeleri içe aktarılır, özellik ve hedef sütunları belirtilir, model sayısı sınırıyla bir AutoML çalışması başlatılır ve ardından en iyi performans gösteren modelleri sıralayan bir liderlik tablosu görüntülenir. 

Not: Bu programatik yaklaşımdır; aynı görevler H2O Flow web arayüzü üzerinden hiçbir kod yazmadan tamamlanabilir.

import h2o
from h2o.automl import H2OAutoML

h2o.init()

train = h2o.import_file(
    "https://s3.amazonaws.com/h2o-public-test-data/smalldata/higgs/higgs_train_10k.csv"
)
test = h2o.import_file(
    "https://s3.amazonaws.com/h2o-public-test-data/smalldata/higgs/higgs_test_5k.csv"
)

x = train.columns
y = "response"
x.remove(y)

train[y] = train[y].asfactor()
test[y] = test[y].asfactor()

aml = H2OAutoML(max_models=20, seed=1)
aml.train(x=x, y=y, training_frame=train)

aml.leaderboardAltyapı:

Kurumsal Düzeyde AutoML Çözümleri

Kurumsal düzeyde AutoML çözümleri; üretim dağıtımı, uyumluluk ve büyük ölçekli operasyonel kullanım için tasarlanmış, ölçeklenebilir, güvenli ve yönetişimi olan makine öğrenimi platformları sağlar.

8. DataRobot

DataRobot; iş kullanıcıları, analistler ve veri ekiplerinin kapsamlı programlama olmadan makine öğrenimi modelleri oluşturmasına, dağıtmasına ve yönetmesine olanak tanıyan, kurumsal düzeyde kodsuz ve az kodlu bir AutoML platformudur. 

Platform, veri alımından ve özellik mühendisliğinden model eğitimine, dağıtımına ve izlemeye kadar tüm makine öğrenimi yaşam döngüsünü otomatikleştirirken, düzenlemeye tabi ortamlarda gereken güçlü yönetişim, açıklanabilirlik ve operasyonel kontrolleri sağlar.

Öne Çıkan Özellikler:

• Kodsuz Model Geliştirme: Kullanıcılar, veri kümeleri yükleyebilir, modelleme görevlerini yapılandırabilir, modelleri eğitebilir ve tamamen grafik arayüz üzerinden kod yazmadan tahminler üretebilir.
• Otomatik Makine Öğrenimi: DataRobot, algoritmaları otomatik olarak keşfeder, özellik mühendisliği yapar, hiperparametreleri ayarlar ve modelleri performans ve iş metriklerine göre sıralar.
• Yerleşik Açıklanabilirlik: Platform; özellik etkisi, tahmin açıklamaları ve uyum raporları dahil küresel ve yerel model açıklanabilirliği araçları sağlar.
• Uçtan Uca MLOps: DataRobot; model dağıtımı, izleme, kayma (drift) tespiti, performans takibi ve yeniden eğitim iş akışlarını aynı platform içinde destekler.
• Kurumsal Yönetişim ve Güvenlik: Platform; düzenlemeye tabi sektörler için tasarlanmış rol tabanlı erişim kontrolü, onay iş akışları, denetim günlükleri ve uyum raporlaması içerir.

Kod Örneği:

DataRobot esas olarak kodsuz arayüz üzerinden kullanılsa da, programatik kontrol ve otomasyon için bir Python API de sağlar. Aşağıdaki örnek, DataRobot ile kimlik doğrulamanın, bir veri kümesinden proje oluşturmanın ve AutoPilot'u çalıştırarak modelleri otomatik olarak eğitip değerlendirmenin nasıl yapıldığını gösterir.

import datarobot as dr
dr.Client(config_path="./drconfig.yaml")

dataset = dr.Dataset.create_from_file("auto-mpg.csv")

project = dr.Project.create_from_dataset(
    dataset.id,
    project_name="Auto MPG Project"
)

from datarobot import AUTOPILOT_MODE
project.analyze_and_model(
    target="mpg",
    mode=AUTOPILOT_MODE.QUICK
)

project.wait_for_autopilot()Altyapı:

9. Amazon SageMaker Autopilot

Amazon SageMaker Autopilot; AWS'nin, özellikle Amazon SageMaker Canvas veya SageMaker Studio'daki web arayüzü üzerinden kodsuz veya az kodlu bir deneyimle, uçtan uca makine öğrenimi iş akışını otomatikleştirmenizi sağlayan tamamen yönetilen bir AutoML çözümüdür. 

Kullanıcılar verileri içe aktarabilir, hedef değişkeni yapılandırabilir, aday modelleri değerlendirebilir ve konsolda birkaç tıklamayla modelleri dağıtabilir; Python SDK ve API'ler ise deneyleri yeniden üretilebilir kılmak veya diğer sistemlerle entegre etmek için isteğe bağlı olarak kullanılabilir.

Öne Çıkan Özellikler:

• Web Tabanlı Kodsuz İş Akışı: Veri kümesi yükleme, deney kurulumu, model eğitimi, değerlendirme ve dağıtım gibi görevlerin çoğu, SageMaker Canvas veya SageMaker Studio'daki web arayüzü üzerinden kod yazmadan yapılabilir.
• Otomatik Veri Analizi ve Ön İşleme: Autopilot, problem türü için veri kümesini inceler, temizler ve ön işler; model eğitimine hazırlanmak üzere özellik mühendisliği yapar.
• Model Seçimi ve Optimizasyonu: Autopilot, birden çok makine öğrenimi algoritmasını keşfeder ve hiperparametreleri ayarlayarak yüksek performanslı modeller bulur; ardından bunları bir liderlik tablosunda sıralar.
• Açıklanabilirlik ve İçgörüler: Platform, oluşturduğu modellere ilişkin görünürlük sağlar; özelliklerin tahminleri nasıl etkilediği ve karşılaştırmalı performans gibi bilgiler sunar.
• Üretim Dağıtımı: Seçilen model, arayüzden minimum adımla doğrudan dağıtılabilir ve çıkarım için uç noktalar oluşturulur.

Kod Örneği: 

Aşağıdaki kod, Amazon SageMaker Autopilot'un Python SDK kullanılarak programatik olarak nasıl çalıştırılacağını gösterir. Bu yaklaşım isteğe bağlıdır; sonuçları yeniden üretmek veya otomatik boru hatlarına entegre etmek için kullanılabilir.

from sagemaker import AutoML, AutoMLInput

automl = AutoML(
    role=execution_role,
    target_attribute_name=target_attribute_name,
    sagemaker_session=pipeline_session,
    total_job_runtime_in_seconds=3600,
    mode="ENSEMBLING",
)

automl.fit(
    inputs=[
        AutoMLInput(
            inputs=s3_train_val,
            target_attribute_name=target_attribute_name,
            channel_type="training",
        )
    ]
)Altyapı:

10. Google Cloud AutoML

Google Cloud AutoML; kullanıcıların tamamen yönetilen altyapı üzerinde yüksek kaliteli modeller oluşturmasına, eğitmesine, değerlendirmesine ve dağıtmasına olanak tanıyan, Google Cloud’un birleşik makine öğrenimi platformu Vertex AI'nın bir parçasıdır. 

Vertex AI AutoML; tablo verileri, doğal dil işleme, bilgisayarla görme ve video görevlerini destekler ve Google Cloud Konsolu'nda kodsuz bir web arayüzü üzerinden erişilebilir olacak şekilde tasarlanmıştır.

 Veri kümesi oluşturma, görev seçimi, eğitim, değerlendirme ve dağıtım gibi temel adımların tümü, herhangi bir kod yazmadan arayüz üzerinden tamamlanabilir.

Öne Çıkan Özellikler:

• Kodsuz Web Arayüzü: Kullanıcılar, veri kümeleri yükleyebilir, AutoML görevlerini yapılandırabilir, modelleri eğitebilir, metrikleri inceleyebilir ve tamamen Vertex AI Konsolu üzerinden modelleri dağıtabilir.
• Çoklu Veri Kipleri Desteği: AutoML; tablo sınıflandırma ve regresyon, görüntü sınıflandırma ve tespit, metin sınıflandırma ve çıkarım ile video analizini destekler.
• Uçtan Uca Otomatik Eğitim: Vertex AI AutoML; ön işleme, özellik mühendisliği, model mimarisi seçimi ve hiperparametre ayarlamasını otomatik olarak üstlenir.
• Yönetilen Altyapı: Tüm eğitim ve dağıtım, yerleşik ölçeklendirme ve kaynak yönetimi olan Google tarafından yönetilen altyapıda çalışır.
• Üretime Hazır Dağıtım: Eğitilen modeller, çevrimiçi veya toplu tahminler için uç nokta olarak arayüzden doğrudan dağıtılabilir.

Kod Örneği: 

Vertex AI AutoML esas olarak kodsuz iş akışları için tasarlanmış olsa da, Python SDK deneyleri yeniden üretilebilir kılmak veya AutoML eğitimini otomatik boru hatlarına entegre etmek için kullanılabilir. 

Aşağıdaki kısa kod, bir Vertex AI projesini başlatır, Cloud Storage'ta saklanan bir CSV indeksinden bir görüntü veri kümesi oluşturur ve bir AutoML görüntü eğitim işi başlatır.

from google.cloud import aiplatform

aiplatform.init(
    project="YOUR_PROJECT_ID",
    location="us-central1",
    staging_bucket="gs://YOUR_BUCKET",
)

dataset = aiplatform.ImageDataset.create(
    display_name="flowers",
    gcs_source=["gs://cloud-samples-data/ai-platform/flowers/flowers.csv"],
    import_schema_uri=aiplatform.schema.dataset.ioformat.image.single_label_classification,
)

training_job = aiplatform.AutoMLImageTrainingJob(
    display_name="flowers_automl",
    prediction_type="classification",
)

model = training_job.run(
    dataset=dataset,
    model_display_name="flowers_model",
    budget_milli_node_hours=8000,
)Altyapı:

AutoML Çerçeve Karşılaştırma Tablosu

Bu tablo, popüler AutoML çerçevelerini otomasyon düzeyi, arayüz stili ve açık kaynak deneyleri, az kodlu iş akışları ve kurumsal ölçekli dağıtım için uygunluklarına göre karşılaştırır.

Son Düşünceler

AutoML çerçeveleri, makine öğrenimi yaşam döngüsünün tamamında ekipleri destekleyen üretim düzeyinde araçlara dönüştü. Pratikte, yalnızca deney veya prototiplemeyle sınırlı değiller. 

AutoML çerçevelerini Kaggle yarışmalarına katılmak, gerçek projeler için uçtan uca makine öğrenimi boru hatları kurmak ve hatta teknik mülakatlara hazırlanıp başarılı olmak için kullandım.

Bir veri bilimci bakış açısından, AutoML çok az ek yükle güçlü ve önyargısız bir temel model oluşturmanın etkili bir yoludur. 

Yalnızca veriyi sağlayarak, bu çerçeveler özellik mühendisliği, model seçimi, hiperparametre ayarlama ve değerlendirme adımlarını üstlenir. Bu da uygulayıcıların sıfırdan model araştırıp denemeye aşırı zaman harcamak yerine, problemi anlamaya, varsayımları doğrulamaya ve sonuçları iyileştirmeye odaklanmasını sağlar. 

AutoML uzmanlığın yerini almaz. Bunun yerine, yinelemeli olarak iyileştirilebilen güvenilir bir başlangıç noktası sunarak iş akışını hızlandırır.

Modeli oluşturmak yalnızca ilk adımdır. AutoML modellerinizi üretimde nasıl dağıtacağınızı ve izleyeceğinizi MLOps Kavramları kursuyla öğrenin.