Accueil > Dossiers > AutoML : top des meilleurs outils de Machine Learning automatisé
automl top outils

AutoML : top des meilleurs outils de Machine Learning automatisé

Les outils AutoML permettent d’automatiser le Machine Learning pour pouvoir l’exploiter avec des compétences techniques minimales. Découvrez une sélection des dix meilleurs outils de cette catégorie.

Le Machine Learning offre de nombreuses possibilités pour les entreprises de toutes les industries. Cependant, il s’agit d’une technologie complexe qui nécessite à la base des connaissances mathématiques approfondies.

Fort heureusement, afin de démocratiser l’apprentissage automatique et de permettre au plus grand nombre d’en profiter, de nombreuses entreprises développent et proposent désormais des solutions de type  » AutoML  » permettant d’automatiser le Machine Learning. Voici notre sélection des meilleurs outils.

Auto-Keras, l’outil AutoML open source

La bibliothèque open source Auto-Keras, développée par DATA Lab à la Texas A&M University, est consacrée à l’automatisation du Machine Learning. Elle permet notamment de chercher automatiquement des architectures et des hyperparamètres de modèles Deep Learning. De plus, en tant que solution open source, elle profite d’une large communauté de contributeurs qui ne cessent de l’améliorer…

H20 AutoML, l’AutoML pour les véhicules autonomes

Grâce à l’interface H2O AutoML, les développeurs peuvent tester leurs données pour les véhicules autonomes. La plateforme regroupe des modèles permettant un test initial, évitant aux utilisateurs de devoir développer un modèle en partant de zéro.

SMAC, l’outil d’optimisation des hyperparamètres

SMAC (sequential model-based algorithm configuration) est un outil dédié à l’optimisation des paramètres d’algorithmes. Il se révèle très efficace pour l’optimisation des hyperparamètres d’algorithmes de Machine Learning.

AUTO-SKLEARN, l’AutoML pour le Machine Learning supervisé

L’outil Auto-sklearn est principalement dédié au Machine Learning supervisé. Il est basé sur la bibliothèque de Machine Learning scikit-learn, et permet de chercher automatiquement un ensemble de données ou d’optimiser les hyperparamètres.

ROBO, le framework modulaire d’optimisation bayésienne

RoBo (Robust Bayesian Optimization) est un framework rédigé en Python. Il s’agit d’un framework modulaire, permettant d’ajouter et d’échanger facilement les composants de l’optimisation bayésienne tels que les différentes fonctions d’acquisition ou les modèles de régression. On retrouve différents modèles de régression tels que les réseaux de neurones bayésiens ou les forêts d’arbres décisionnels.

Amazon Lex, l’AutoML pour les applications de chatbots

Grâce à Amazon Lex, les développeurs peuvent profiter de fonctionnalités avancées de Deep Learning pour la reconnaissance automatique de discours (ASR), la conversion speech to text, et le traitement naturel du langage. Ainsi, les utilisateurs peuvent développer des applications de type chatbots basées sur Alexa en toute simplicité.

AUTOFOLIO optimise la sélection d’algorithmes

Grâce à la configuration d’algorithmes, AutoFolio optimise les performances des systèmes de sélection d’algorithme en déterminant la meilleure approche pour la sélection et les hyperparamètres.

AUTOWEKA choisit le meilleur algorithme et optimise ses hyperparamètres en même temps

Plutôt que d’effectuer ces deux tâches séparément, Auto-WEKA choisit le meilleur algorithme tout en optimisant ses hyperparamètres. L’outil opte pour une approche entièrement automatisée, et exploite les dernières innovations réalisées dans le domaine de l’optimisation bayésienne.

AUTO-PYTORCH

Là encore, Auto-PyTorch vise à optimiser le choix de l’architecture et la configuration des hyperparamètres des algorithmes de Machine Learning. Cependant, la plateforme se démarque en optant pour l’optimisation multi-fidélité et l’optimisation bayésienne pour y parvenir.

FLEXFOLIO le framework unifié de sélection d’algorithmes

Flexfolio est une architecture modulaire regroupant différentes techniques et approches de sélection d’algorithmes. Elle offre un framework unifié pour la comparaison et la combinaison d’approche de sélection d’algorithmes.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Send this to a friend