It's now time to conclude our discussion on automation with a short introduction to Automated ML or AutoML in the final section. Summary In the past decade, deep learning has made incredible progress. Every as Auto Keras, Auto WEKA, NNI and auto-sklearn have gone even further and adopted the doctrine of AutoML which aims to automate most of the steps involved in the machine learning pipelines to reduce the the dependency on ML experts and to promote large-scale adoption of machine learning. An AutoML pipeline assumes all the responsibilities which traditionally required ML experts. Imagine that we are developing

赛题介绍与问题分析 AutoGraph 问题概述 自动化图表示学习挑战赛（AutoGraph）是有史以来第一个应用于图结构数据的 AutoML 挑战，是 AutoML 与 Graph Learning 两个前沿领域的结合。KDD Cup 算法 < 143 2020 中的 AutoML 赛道挑战，由第四范式、ChaLearn、斯坦福大学和 Google 提供。 图结构数据在现实世界中无处不在，例如社交网络、论文网络、知识图谱等。图表 因此，由于人类专家在调参过程需要付出大量时间和精力，进而限制了现有图表示 模型的应用。 AutoML[6] 是降低机器学习应用程序中人力成本的一种有效方法，并且在超参数调整、 模型选择、神经体系结构搜索和特征工程方面都取得了令人鼓舞的成绩。 为了使更多 的人和组织能够充分利用其图结构数据，KDD Cup 2020 AutoML 赛道举办了针对 图结构数据的 AutoGraph 竞赛。在这一竞赛中，参与者应设计一个解决方案来自动 稀疏图、带特征图 / 无特征图等。 ● 超短时间预算：大部分数据集的时间限制在 100s 左右，在图结构和参数的搜 索上需要有一个快速搜索的方案。 算法 < 147 ● 鲁棒性：在 AutoML 领域，鲁棒性是非常重要的一个因素，最后一次提交要求 选手在之前没见过的数据集上进行自动化建模。 竞赛技术方案 针对以上三个挑战，我们设计了一个自动化图学习框架，如下图 5 所示，我们对输入

YOLOv6 全面升级，更快更准的 2.0 版本来啦 13 通用目标检测开源框架 YOLOv6 在美团的量化部署实战 17 7 次 KDD Cup&Kaggle 冠军的经验分享：从多领域优化到 AutoML 框架 37 图神经网络训练框架的实践和探索 66 图技术在美团外卖下的场景化应用及探索 83 大规模异构图召回在美团到店推荐广告的应用 102 美团搜索粗排优化的探索与实践 116 本文作者 庆源、李亮、奕铎、张勃、王新、祥祥等，来自美团基础研发平台数据科学与平台部和视觉智 能部。 算法 < 37 7 次 KDD Cup&Kaggle 冠军的经验分享： 从多领域优化到 AutoML 框架 作者：胡可 1. 背景与简介 反馈快速、竞争激烈的算法比赛是算法从业者提升技术水平的重要方式。从若干行业 核心问题中抽象出的算法比赛题目具有很强的实际意义，而比赛的实时积分榜促使参加 年左右开始，专注于互联网的热点推荐系统方面 问题，包括推荐、广告，行为预测等；第二阶段聚焦在传统行业问题，比较关注教育、环 境、医疗等领域；而在第三阶段，自 2019 年以来，重点关注非监督问题，例如 AutoML、 Debiasing、强化学习等问题，这类比赛的共同特点是通过以前方法难以解决现有的 新问题。这三个阶段趋势也一定程度反应着当前工业界与学术界的难点与重点，无论 从方式、方法，还是从问题

TensorFlow 等主流计算框架，支持自 定义镜像、支持模型及服务标准化。 便捷易用 模型开发、训练、调度可视化管控，内置 100+算子，支持模型一键式部署，降低 AI建模门槛。 AutoML 支持端到端 AutoML，自动化完成特征 治理、参数寻优、模型筛选流程，智能化 加速数据价值产出。 全流程管控 一站式覆盖数据导入、特征治理、模型 开发、模型训练、推理服务建模全流程， 提升 AI 建模效率。

Showcase AI SaaS Showcase AI 通用物品识别平台架构 品 识 AI 中 台 AI 算法库 AI 核心模块 AI 行业模型 数据集 模型训练 模型管理 AutoML AI 物品库 服务管理 模型压缩 棚格图识别 货架巡检 商品推荐 陈列审核 入库审计 货物盘点 构件识别 CAD解析 规则审查 户型图识别 视频盘点 自动分拣 细粒度识别

SparkBench  Array Databases: GenBase  #3 Machine Learning Systems  SLAB, DAWNBench, MLPerf, MLBench, AutoML Bench, Meta Worlds, TPCx-AI Experiments and Result Presentation [http://www.tpc.org/tpch/] (See

128,64,10]，可以自由配置，如[256,256,64,10]或 [512,64,32,10]等都是可行的。至于哪一组超参数是最优的，这需要丰富的领域经验知识和 大量的实验尝试，或者可以通过 AutoML(Auto Machine Learning)技术搜索出较优设定。 输入：[?, 784] 隐藏层1：[256] 隐藏层2：[128] 隐藏层3：[64] 输出层：[?, 10] 图 6