論文の概要: Implementation of an Automated Learning System for Non-experts

• arxiv url: http://arxiv.org/abs/2203.15784v1
• Date: Sat, 26 Mar 2022 00:28:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-03 03:20:57.007536
• Title: Implementation of an Automated Learning System for Non-experts
• Title（参考訳）: 非専門家のための自動学習システムの実装
• Authors: Phoenix X. Huang, Zhiwei Zhao, Chao Liu, Jingyi Liu, Wenze Hu, Xiaoyu Wang
• Abstract要約: 本稿では,YMIRと呼ばれる自動機械学習システムの実装について詳述する。 トレーニング/検証データをシステムにインポートした後、AI知識のないユーザは、データをラベル付けし、モデルをトレーニングし、単にボタンをクリックするだけでデータマイニングと評価を行うことができる。 システムのコードはGitHubにすでにリリースされている。
• 参考スコア（独自算出の注目度）: 26.776682627968476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated machine learning systems for non-experts could be critical for industries to adopt artificial intelligence to their own applications. This paper detailed the engineering system implementation of an automated machine learning system called YMIR, which completely relies on graphical interface to interact with users. After importing training/validation data into the system, a user without AI knowledge can label the data, train models, perform data mining and evaluation by simply clicking buttons. The paper described: 1) Open implementation of model training and inference through docker containers. 2) Implementation of task and resource management. 3) Integration of Labeling software. 4) Implementation of HCI (Human Computer Interaction) with a rebuilt collaborative development paradigm. We also provide subsequent case study on training models with the system. We hope this paper can facilitate the prosperity of our automated machine learning community from industry application perspective. The code of the system has already been released to GitHub (https://github.com/industryessentials/ymir).
• Abstract（参考訳）: 非専門家向けの自動機械学習システムは、業界にとって人工知能を自身のアプリケーションに導入する上で非常に重要である。 本稿では,ユーザと対話するためのグラフィカルインターフェースに完全に依存するYMIRという自動機械学習システムのエンジニアリングシステム実装について詳述する。 トレーニング/検証データをシステムにインポートした後、AI知識のないユーザは、データをラベル付けし、モデルをトレーニングし、単にボタンをクリックするだけでデータマイニングと評価を行うことができる。 論文は以下の通り。 1)dockerコンテナによるモデルトレーニングと推論のオープン実装。 2)タスクおよびリソース管理の実装。 3)ラベルソフトウェアの統合。 4)HCI(Human Computer Interaction)を再構築した共同開発パラダイムによる実装。 また,本システムを用いたトレーニングモデルのケーススタディも提供する。 この論文は、業界アプリケーションの観点から、自動機械学習コミュニティの繁栄を促進することを願っています。 システムのコードはGitHubにすでにリリースされている(https://github.com/industryessentials/ymir)。

関連論文リスト

• Planning for Learning Object Properties [117.27898922118946]
  我々は、物体特性を象徴的な計画問題として認識するために、ニューラルネットワークを自動的に訓練する問題を定式化する。 トレーニングデータセット作成と学習プロセスを自動化するための戦略を作成するために,計画手法を使用します。 シミュレーションと実環境の両方で実験的な評価を行う。
  論文  参考訳（メタデータ） (2023-01-15T09:37:55Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• An Automated Robotic Arm: A Machine Learning Approach [0.0]
  現代の産業は、手動によるシステムの制御から自動化へと急速にシフトしている。 コンピュータベースのシステムは、品質と生産性を向上させることができるが、作業には柔軟性がない。 工業的重要性の1つは、ある場所から別の場所へ物を選んで配置することである。
  論文  参考訳（メタデータ） (2022-01-07T10:33:01Z)
• Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• Agility in Software 2.0 -- Notebook Interfaces and MLOps with Buttresses and Rebars [9.327920030279586]
  本稿では,機械学習開発の基本となる2つの現代的発展現象について論じる。 まず、統合開発環境への容易な移行をサポートすることにより、ノートブックにおける作業の本質的な弱点を解消できるソリューションを提案する。 第2に、MLOpsコンテキストにメタファ的な執着と残響を導入することで、AIシステムの強化エンジニアリングを提案する。
  論文  参考訳（メタデータ） (2021-11-28T13:40:30Z)
• GenNI: Human-AI Collaboration for Data-Backed Text Generation [102.08127062293111]
  Table2Textシステムは、機械学習を利用した構造化データに基づいてテキスト出力を生成する。 GenNI (Generation Negotiation Interface) は、対話型ビジュアルシステムである。
  論文  参考訳（メタデータ） (2021-10-19T18:07:07Z)
• AutoGL: A Library for Automated Graph Learning [67.63587865669372]
  グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。 AutoGLはオープンソースで、使いやすく、拡張も柔軟です。 また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
  論文  参考訳（メタデータ） (2021-04-11T10:49:23Z)
• Automated Machine Learning on Graphs: A Survey [81.21692888288658]
  本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。 グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。 最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
  論文  参考訳（メタデータ） (2021-03-01T04:20:33Z)
• AutoDS: Towards Human-Centered Automation of Data Science [20.859067294445985]
  本稿では,データサイエンスプロジェクトを支援する自動機械学習(AutoML)システムであるAutoDSを紹介する。 予想通り、autodsは生産性を向上させる。しかし驚くべきことに、autods groupが生成するモデルは品質が高く、エラーが少ないが、人間の信頼度スコアは低い。
  論文  参考訳（メタデータ） (2021-01-13T08:35:14Z)
• A Development Cycle for Automated Self-Exploration of Robot Behaviors [4.449139319395159]
  Q-Rockは、自動的な自己探索とロボットの振る舞いの資格のための開発サイクルである。 Q-Rockは、ロボットシステムの設計における複雑さの増加に対応するために、いくつかの機械学習と推論技術を組み合わせている。
  論文  参考訳（メタデータ） (2020-07-29T16:01:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。