L'AutoML, ou Automated Machine Learning (en français : Apprentissage Machine Automatisé), désigne un processus qui automatise la conception et la mise en place de modèles d'apprentissage automatique. Le but de l'AutoML est de faciliter la création de modèles d'apprentissage machine pour des personnes qui ne sont pas nécessairement expertes dans ce domaine.
Plus précisément, l'AutoML peut inclure la prise en charge automatisée des étapes suivantes :
Prétraitement des données : transformation, imputation des valeurs manquantes, codage des variables catégorielles, etc.
Sélection de caractéristiques : identifier et choisir les caractéristiques (ou variables) les plus pertinentes pour la modélisation.
Engin d'architecture de modèle : sélection d'un algorithme adapté ou d'une architecture de réseau neuronal.
Optimisation d'hyperparamètres : recherche des meilleures combinaisons d'hyperparamètres pour le modèle choisi.
Validation du modèle : évaluation de la performance du modèle et prévention du surapprentissage.
L'intérêt majeur de l'AutoML est de réduire le temps et la complexité de développement des modèles d'apprentissage machine, en particulier pour les utilisateurs qui n'ont pas une expertise approfondie en data science ou en apprentissage machine.
Voir aussi : AutoML
