“AutoML，或自动机器学习，通过自动化关键任务，如架构选择、超参数调整和模型评估，简化了设计神经网络的过程。传统上，设置一个神经网络涉及许多手动步骤，包括决定层的类型和数量、激活函数和优化器。AutoML工具通过使用探索各种配置并根据定义的指标评估其性能的算法来接管这一过程，从而减少了创建有效模型所需的时间和专业知识。
AutoML的一个主要功能是使用神经结构搜索（NAS）等技术，自动识别最佳神经网络结构。实际上，这意味着数据科学家不再需要尝试不同的架构，而是AutoML工具可以分析数据并自动生成多个候选模型。例如，一种流行的方法是使用进化算法，初始随机配置经过几代演变，根据性能指标逐渐改进。这个过程可以产生不仅针对数据集量身定制的架构，而且针对特定任务进行优化，通常会导致更高的准确性或更好的泛化能力。
此外，AutoML平台通常提供用户友好的界面，使开发者能够专注于更高层次的模型目标，而不是设计过程的复杂性。例如，开发者可能只是简单地指定他们的目标变量和数据集，而AutoML工具则处理选择最佳神经网络架构和优化其性能的基础复杂性。像谷歌的AutoML、H2O.ai等工具使开发者能够在没有深入深度学习背景的情况下实现有效模型，从而使强大的机器学习能力更加大众化。”