SVM發明者推出的自動機器學習競賽

譯者：WZL， （36大數據專稿，轉載必須標明來源）

在機器學習界叱咤風云多年的支撐向量機算法(SVM)，其發明人不單有奠基統計學習理論的Vapnik（最近跳槽去了非死book 的FAIR人工智能研究實驗室)，還有Boser和Guyon等人。

Guyon是位女科學家，但許多年來都自由行走在學術圈和工業圈之間，擔任機器學習頂級雜志JMLR的評委，也給不少企業做顧問。她持續推進的一個項目，則是通過競賽平臺來推動機器學習的進展：從特征選擇競賽，到因果學習，到生物數據挖掘。

最近她又有新創意，帶來一個名為Chalearn 無人工干預全自動機器學習(AutoML)競賽的東東。

她在邀請信里說：新年伊始，愿你們開年大吉。想必你們各種忙碌，但有個機遇已經來臨，數據科學領域許多研究者所夢想的可能將實現，那就是創造出 “完美黑盒”——無需任何人工干預卻能從實例中學習。從現在開始到六月，我們將激進地推出30個分類及回歸學習任務。這些任務來自不同的領域，有不同的數 據類型和分布。

作為第一輪任務，2月14日前我們準備了兩個獎項：

第0輪（預備輪）屬于“調優馬拉松”：針對知名的樣本數據集提交代碼和結果。

第1輪（新手輪）屬于“自動機器學習”：針對二元分類問題提交結果和代碼。

后續則會像圖中描繪那樣，從新手晉級到中級，從中級到高級，從高級到專家，從專家到大師。

中級輪屬于調優馬拉松，高級屬于自動機器學習輪，依次輪換。

聽起來很有意思吧，就像一個不斷打怪，成為機器學習高手的養成計劃。

讓我們看看 http://www.codalab.org/AutoML 更細節的描述：

我們聚焦在機器學習的“監督學習”，從70多個不同組織捐贈的數據集里我們挑選出30個，特征表達已經處理好。而你要攻克的挑戰，就是解決這其中的分類和回歸分析問題， 無需任何人工干預 。

這些數據類型跟分布非常不一樣（有不均衡類別、稠密稀疏特征、有的有遺漏值、有的是非數值特征、衡量指標各個不同、數據量也差異很大）。

這些任務來自不同領域（有的是醫療診斷，有的是語音識別，還有信用打分、藥品毒性預測、文本分類、客戶滿意度估計、模式識別、蛋白質結構分析、視頻動作識別等）。

雖然已有的不少機器學習包能處理上述數據，但給定一批數據、任務、衡量指標和計算時間需求，總需要投入相當多的人力來尋找一批方法和超參數。

這次的競賽獨特之處在于： 消除這個循環中的人為干預，創造出“完美黑盒”。

這批比賽有一條路線是提交代碼模式：在競賽服務器上，自動運行你提交的代碼，看這些算法在未知的數據集上表現如何，優異者獲得獎勵。

但你也可以不提交代碼。可以只提交預測結果。

比賽分成預備、新手、中級、高級、專家、大師六輪，每輪有5個數據，難度逐步提升。但也可以跳過任何一輪，參與你感興趣的特定輪比賽。每一輪會單 獨設立獎項，頒發600-1500美金的獎勵。并采取眾包模式合作撰寫論文，促進研究成果的傳播，組織參與IJCNN/ICML/NIPS研討會環節。

競賽還提供上手程序包，盡量減少學習難度，規范競賽流程。

這的確是個有創意的機器學習競賽，從易到難，從小到大，是快速成長、提升水平的好平臺。并有不少機器學習大神站臺，不容錯過的觀摩和學習的機會。

報名請點擊： http://www.codalab.org/AutoML

</div>