TransmogrifAI:云端的 ML 框架 TransmogrifAI 是一个基于 Apache Spark 引擎的 ML 框架,可以进行特征工程、特征选择和模型训练。 最近,他们开源了 TransmogrifAI。 该公司搭建的 AI 平台 Einstein(爱因斯坦)是目前业内最大的机器学习项目之一,拥有先进的机器学习算法和自然语言处理,及智能数据挖掘能力。 让 Einstein 做到这一切的,就是 TransmogrifAI。 ? TransmogrifAI 借鉴了 AutoML 原理,目的在于简化机器学习操作流程,提高开发者工作效率。 TransmogrifAI 有四个基本原则:模块化、编译安全性、透明性和自动化。 这四项原则已经被转化成一个简单的编程模型,工程师只需要编写几行代码就能完成数据整理、特征工程和模型选择等任务。 目前,TransmogrifAI 和 GraphPipe 可以在 GitHub 上免费获取。
Salesforce Einstein产品管理总监Mayukh Bhaowal表示,TransmogrifAI实质上将原始数据集转换为自定义模型。 使用TransmogrifAI,用户为其数据指定模式,库使用该模式自动提取功能(例如电话号码和邮政编码)。 “从信任和数据隐私的角度来看,生成的模型不是’黑匣子’很重要,TransmogrifAI显示了每个特征的全局效应。” 而那只是冰山一角。 TransmogrifAI拥有的工具可以更容易地调整超参数变量,如采样率和滤波器,影响和优化机器学习模型。 TransmogrifAI:github.com/salesforce/TransmogrifAI
近日,软件行业巨头 Salesforce 开源了其 AutoML 库 TransmogrifAI。 GitHub 链接:https://github.com/salesforce/TransmogrifAI TransmogrifAI 官网:https://transmogrif.ai/ 在过去的十年中 将数十种不同的特征类型自动转换成数值向量,这就是 TransmogrifAI 名字的由来。 此外,TransmogrifAI 还引入了特征抽象。 想要获取更多 TransmogrifAI 的入门资料,请查看项目链接:https://github.com/salesforce/TransmogrifAI。 ?
最近磐创AI寻找“深大锦鲤”活动是2018年10月15日准时开奖哦~听说除了送520现金之外,在文末留言点赞第一名还可以获得200元当当购书券欸,快去留言叫小伙伴帮你点赞吧~ ▌No.1 TransmogrifAI :用于建立机器学习工作流的 AutoML 库 TransmogrifAI 是用 Scala 编写的 AutoML 库,运行在 Spark 上。 项目链接: https://github.com/salesforce/TransmogrifAI?
让机器先做出Baseline 受TransmogrifAI 启发,我觉得可从另外一个维度去减轻算法工程师的负担,基本思路就是,机器先做出前面的工作,找出最好的特征组合和算法,然后给出详细的结果细节,这包括 TransmogrifAI给了我一个极大的启发,就是我们需要知道我们数据的本源是什么,我们应该往数据的源头再前进一步,比如到网页端去,用户选择了下拉列表,提交了文本款,点击了一个checkbox,在特定时间做了一次点击
Saleforce开源给结构化数据做ML的项目,支持自动选模型,自动调参,炼丹必备 Open Sourcing TransmogrifAI: Automated Machine Learning for Structured Data 链接: https://engineering.salesforce.com/open-sourcing-transmogrifai-4e5d0e098da2
▌No.2 TransmogrifAI:用于建立机器学习工作流的 AutoML 库 TransmogrifAI 是用 Scala 编写的 AutoML 库,运行在 Spark 上。 项目链接: https://github.com/salesforce/TransmogrifAI?
TransmogrifAI TransmogrifAI 是 Salesforce 的一个开源自动化机器学习库。该公司的旗舰 ML 平台名为 爱因斯坦,也由 TransmogrifAI 驱动。 在以下场景中,TransmogrifAI 特别有用: 快速训练高质量机器学习模型,只需极少的手动调节 构建模块化、可重用、强类型的机器学习工作流 安装 先决条件是需要安装 Java 和 Spark : #Install JAVA 1.8 #Get Spark 2.3.x git clone https://github.com/salesforce/TransmogrifAI.git cd TransmogrifAI 演示 用 TransmogrifAI 预测泰坦尼克号幸存者,在 https://transmogrif.ai/ 查看整个示例。 BinaryClassificationModelSelector().setInput(survived, checkedFeatures).getOutput() // Setting up a TransmogrifAI
GitHub 地址: https://github.com/google/dopamine ▌2.TransmogrifAI TransmogrifAI 是一个用 Scala 编写的端到端的 AutoML GitHub 地址: https://github.com/salesforce/TransmogrifAI ▌3.OpenNRE OpenNRE 是基于 Tensorflow 开发的,一个用于神经网络关系提取的工具包
GitHub 地址: https://github.com/google/dopamine ▌2.TransmogrifAI TransmogrifAI 是一个用 Scala 编写的端到端的 AutoML GitHub 地址: https://github.com/salesforce/TransmogrifAI ▌3.OpenNRE OpenNRE 是基于 Tensorflow 开发的,一个用于神经网络关系提取的工具包
GitHub 地址: https://github.com/google/dopamine ▌2.TransmogrifAI TransmogrifAI 是一个用 Scala 编写的端到端的 AutoML GitHub 地址: https://github.com/salesforce/TransmogrifAI ▌3.OpenNRE OpenNRE 是基于 Tensorflow 开发的,一个用于神经网络关系提取的工具包
utm_source=mybridge&utm_medium=blog&utm_campaign=read_more 2.TransmogrifAI 一个AutoML库,用于在Spark上构建模块化,它的开发重点是通过机器学习自动化加速机器学习开发人员的工作效率 项目:github.com/salesforce/TransmogrifAI?
Python Commercial Homepage SMAC3 HPO Python License Github TPOT AutoFE, HPO Python LGPL-3.0 Github TransmogrifAI
除了这5个常见的库以外还有一些其他 AutoML 库,例如 AutoGluon、MLBoX、TransmogrifAI、Auto -WEKA、AdaNet、MLjar、TransmogrifAI、Azure
官方文档 https://github.com/r-tensorflow/autokeras 以下是用Scala实现 TransmogrifAI TransmogrifAI(发音为trăns-mŏgˈrə-fī 如果您需要机器学习库来执行以下操作,请使用TransmogrifAI: 数小时而不是数月内即可构建生产就绪的机器学习应用程序 在没有博士学位的情况下建立机器学习模型在机器学习中 构建模块化,可重用,强类型的机器学习工作流程 官方链接 https://github.com/salesforce/TransmogrifAI 以下是用Java实现 Glaucus Glaucus是基于数据流的机器学习套件,它结合了自动机器学习管道
官方文档 https://github.com/r-tensorflow/autokeras 以下是用Scala实现 TransmogrifAI TransmogrifAI(发音为trăns-mŏgˈrə-fī 如果您需要机器学习库来执行以下操作,请使用TransmogrifAI: 数小时而不是数月内即可构建生产就绪的机器学习应用程序 在没有博士学位的情况下建立机器学习模型在机器学习中 构建模块化,可重用,强类型的机器学习工作流程 官方链接 https://github.com/salesforce/TransmogrifAI 以下是用Java实现 Glaucus 图片 Glaucus是基于数据流的机器学习套件,它结合了自动机器学习管道
RoBO HPO Python Scikit-Optimize HPO Python SigOpt HPO Python SMAC3 HPO Python TPOT AutoFE, HPO Python TransmogrifAI
对于机器学习初学者,建议从Ludwig、AutoKeras或TPOT开始;对于需要处理大规模数据的应用场景,H2O.ai或TransmogrifAI更为合适;对于追求最先进模型性能的项目,AutoGluon