Un equipo de investigadores de Google Brain presenta una nueva forma de programar el aprendizaje automático automatizado (AutoML) basado en la programación simbólica. Al mismo tiempo, el equipo también presenta una nueva biblioteca de Python llamada PyGlove de python que demuestra los resultados prometedores del nuevo paradigma.
En la actualidad, las redes neuronales se están adoptando ampliamente en varios campos. Sin embargo, determinar la arquitectura de red neuronal correcta para una tarea en particular requiere tiempo y recursos debido a la creciente complejidad de su arquitectura, con la consecuencia en su desarrollo de Python. Las más complicadas también conducen a dificultades en la selección de hiperparámetros. Se recomienda encarecidamente el aprendizaje automático automatizado (AutoML) para estas opciones de selección. Por eso, Google acuñó AutoML para su búsqueda de arquitectura neuronal (NAS). El enfoque es ampliamente aceptado en la comunidad de investigación de ML para automatizar las opciones de arquitectura y hiperparámetros de red.
Por esa razón y muchas otras más no menos importantes, es que te recomendamos este curso de python profesional, el cual lo imparten de manera presencial o en linea, con instructores expertos en este lenguaje de programación.
Sin embargo, las bibliotecas de Python y de software de AA actuales son bastante inadecuadas para manejar las interacciones dinámicas entre los componentes de AutoML. Por ejemplo, los algoritmos NAS más populares requieren implementación para acoplar el espacio de búsqueda de AutoML y el algoritmo de búsqueda. Pero implementar flujos de búsqueda complejos para manejar las interacciones dinámicas entre dichos componentes de AutoML es un desafío.
Por lo tanto, los investigadores de Google Brain han reformulado la lógica del programa para AutoML como un proceso automatizado para manipular simbólicamente los programas de ML.
En AutoML, la selección de arquitecturas e hiperparámetros se formula como un problema de búsqueda. El programa secundario es uno de los componentes cruciales de AutoML. Se refiere a un programa eficaz que podría ser una arquitectura de red neuronal o una estrategia de aumento de datos. Se define un espacio de búsqueda para representar todas las selecciones posibles. AutoML tiene como objetivo identificar programas secundarios de rendimiento fuera del espacio de búsqueda. A continuación, el algoritmo de búsqueda muestra de forma iterativa varios programas secundarios para encontrar y evaluar las opciones más adecuadas. Se proporciona un estándar numérico para la recompensa de anuncios de calidad al algoritmo de búsqueda para mejorar el muestreo de programas secundarios en el futuro. Todo esto es posible gracias a los desarrollo de Python.
El enfoque de programación simbólica para AutoML permite la manipulación de la representación basada en árboles que codifica los elementos críticos de un programa de aprendizaje automático. Los programas ML, por lo tanto, se convirtieron en objetos mutables y se pueden clonar y modificar después de su creación. Por lo tanto, no es necesario crear repetidamente los objetos de los programas ML. La programación simbólica hace que AutoML sea más flexible, ya que las interacciones, el espacio de búsqueda y los algoritmos de búsqueda del programa secundario ya no son estáticos.
Los investigadores también presentaron una biblioteca de programación simbólica general para Python denominada PyGlove para probar el potencial de su nueva reformulación. PyGlove de python permite que las técnicas de AutoML se publiquen rápidamente en las canalizaciones de ML preexistentes. Esto permite modificar fácilmente los espacios de búsqueda, los algoritmos de búsqueda y los flujos de búsqueda con solo unas pocas líneas de código.
Diseño Web Grupo Codesi