用于使机器学习自动化的设备和使机器学习自动化的方法技术

一种设备和计算机实现的方法，包括：在元素之间的关系的表示（O）中确定表示机器学习流水线（M）的第一特性的元素；在所述表示（O）中根据表示所述第一特性的元素来确定表示所述机器学习流水线（M）的第二特性的元素；输出针对表示所述第二特性的元素的输出；检测输入，特别是用户的输入；如果所述输入满足要求则根据表示所述第二特性的元素来确定所述机器学习流水线（M）的参数，或者，否则，不根据表示所述第二特性的元素来确定所述机器学习流水线（M）的所述参数。的所述参数。的所述参数。

【技术实现步骤摘要】
用于使机器学习自动化的设备和使机器学习自动化的方法


[0001]本专利技术涉及机器学习的自动化，尤其涉及流水线构造和流水线配置的自动化。

技术介绍

[0002]机器学习流水线可以将原始数据变成结论和功能机器学习模型。
[0003]机器学习流水线的开发是复杂的过程，其需要对数据的深入理解以及对领域和要解决的问题的必要理解。这需要在信息处理和数据分析中特别是在机器学习中进行专门的训练。

技术实现思路

[0004]用于使机器学习自动化的设备和使机器学习自动化的计算机实现的方法提供了一种由语义技术支持的半自动化的机器学习开发的白盒方式，其允许甚至由非机器学习专家进行的机器学习流水线的方便的场景适应性构造和配置。
[0005]该设备和方法实现了可解释、可扩展和可配置的机器学习流水线开发，其也可以由具有最少机器学习训练的非机器学习专家来使用。这是通过在机器学习流水线中利用语义技术对域知识和机器学习知识的形式表示进行编码来实现的。
[0006]可以针对多个不同的数据集来开发机器学习流水线以解决具有相似性的若干任务。机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机实现的方法，其特征在于，在元素之间的关系的表示（O）中确定（212、214、220）表示机器学习流水线（M）的第一特性的元素；在所述表示（O）中根据表示所述第一特性的元素来确定（214、220、224）表示所述机器学习流水线（M）的第二特性的元素；输出（302）针对表示所述第二特性的元素的输出；检测（304）输入，特别是用户的输入；如果所述输入满足要求则根据表示所述第二特性的元素来确定（214、220、224）所述机器学习流水线（M）的参数，或者，否则，不根据表示所述第二特性的元素来确定所述机器学习流水线（M）的所述参数。2.根据权利要求1所述的方法，其特征在于，确定（214、220、224）表示所述第一特性的元素和表示所述第二特性的元素是否具有满足条件的关系，特别地，所述条件是表示所述第二特性的元素是根据所述表示（O）中编码的语义从所述表示（O）中的表示所述第一特性的元素在语义上可得的。3.根据前述权利要求中任一项所述的方法，其特征在于，输出（302）所述输出包括提示用户做出响应，特别是喜欢或不喜欢表示所述第二特性的元素或者选择表示所述第二特性的元素。4.根据权利要求2或3中任一项所述的方法，其特征在于，利用用于评估语义可得性的功能来确定所述关系；检测所述响应；并且根据所述响应来修改所述功能的至少一个参数。5.根据权利要求4所述的方法，其特征在于，根据所述响应来确定两个元素之间的链接（L）；表示所述关系的语义可得图通过将与所述两个元素和它们之间的所述链接（L）相对应的机器学习模板（T）存储在所述语义可得图中来构造。6.根据前述权利要求中任一项所述的方法，其特征在于，确定（214、220、224）从表示所述第一特性的元素在所述表示（O）中在语义上可得的多个元素；根据所述输入...

【专利技术属性】
技术研发人员：周柏帆，E，
申请(专利权)人：罗伯特，
类型：发明
国别省市：