民主化和自动化：降低机器学习门槛的六种工具产生有用的分析结果。但现在随着自动化工具的快速发展，数据的收集、结构化和分析变得更加容易，使用机器学习的门槛也大大降低。即使是那些不懂编程的业务人员，只要能提出正确的问题，也可以使用机器学习工具得到想要的结果。机器学习的民主化进程正在加速。一个迹象是，AutoML最近成为了一个热词。所谓AutoML就是在机器学习算法中加入一个自动化的元层。过去，机器学习算法的复杂性需要大量的选项和参数设置来“微调”，数据科学家80-99%的精力都花在了这上面。AutoML可以自动测试和调整大量参数，这不仅大大降低了算法的使用门槛，还加快了算法调整过程。AutoML很适合云计算，因为在云端AutoML可以调用足够的机器计算能力来并行处理并返回结果。同时，AutoML也非常适合机器学习新手一步步探索机器学习应用。使机器学习变得简单的6种工具。1.SplunkSplunk最初是一种搜索工具，用于搜索（或“窥探”）由网络应用程序创建的大量日志文件。今天，它已经发展成为一种能够分析所有形式数据的工具，尤其是时间序列和其他按顺序生成的数据。Splunk可以在复杂的可视化仪表盘中展示数据分析的结果。最新的Splunk版本包括将数据源与TensorFlow等机器学习工具和一些出色的Python开源工具相集成的应用程序。它们为检测异常值、标记异常和生成未来值预测提供了快速解决方案。它们经过优化，可以在非常大的数据集中大海捞针。2.DataRobotDataRobot内部的堆栈是用R、Python或其他几个平台编写的有用的开源机器库的集合。DataRobot有一个Web界面，可以显示类似流程图的工具来设置管道。DataRobot连接到所有主要数据源，包括本地数据库、云数据存储和下载的文件或电子表格。您构建一个管道来清理数据、填充缺失值，然后生成一个模型来标记异常值并预测未来值。DataRobot还可以尝试提供一个“人性化的解释”来解释为什么做出某些预测，这是一个有助于理解人工智能工作原理的功能。它可以部署在云和本地解决方案的混合体中。云实施可以通过共享资源提供最大的并行性和吞吐量，而本地安装提供更多的隐私和控制。3.H2OH2O将自己定位为“无人驾驶人工智能”，一个可用于探索各种机器学习解决方案的自动化堆栈。它将数据源（数据库、Hadoop、Spark等）连接在一起，并将它们提供给具有各种参数的各种算法。您可以控制分配给特定任务的时间和计算资源量，并在预算范围内测试各种参数组合。您还可以通过仪表板或Jupyter笔记本浏览和查看结果。H2O的核心机器学习算法和与Spark等工具的集成是开源的，但所谓的“无人驾驶”选项是出售给提供技术支持的企业客户的专有软件包之一。4.RapidMinerRapidMiner生态系统的核心是一款基于可视化图标的数据分析工作室软件。用户只需拖放图标即可生成管道，进行数据清洗，并通过各种统计算法运行。如果您想使用机器学习而不是更传统的数据科学，自动模型将从各种分类算法中进行选择并搜索各种参数，直到找到最合适的。该工具的目标是生成数百个模型，然后确定最佳模型。创建模型后，该工具可以部署它们，测试它们的成功率并解释模型如何做出决策。可以使用可视化工作流编辑器测试和调整对不同数据字段的敏感性。最近的增强功能包括更好的文本分析、更广泛的用于构建可视化仪表板的图表以及用于分析时间序列数据的更复杂的算法。5.BigMLBigML仪表板提供了数据科学中常用的基本工具，用于识别数据依赖关系，这是更复杂的机器学习工作的基础。例如，他们的Deepnets提供了用于测试和优化更精细神经网络的复杂机制。模型的质量可以与其他算法进行比较，并使用标准化的比较框架，帮助您在经典数据科学和更复杂的机器学习之间做出选择。BigML的仪表板在浏览器中运行，其分析可以在BigML云或服务器机房中运行。云版本的价格设置较低，以鼓励早期测试；甚至还有一个免费套餐。成本主要取决于数据集大小的限制和可调用的计算资源量。免费层将使用不超过两个并行运行的进程分析多达16MB的数据。较小的高级帐户的定价非常合理，每月30美元，但随着资源需求的增加，成本也会增加。6.RStudioR对非程序员用户并不友好，但它仍然是复杂统计分析最重要的工具之一，因为它很受硬核数据科学家的欢迎。RStudio是一种工具，它为用户提供了一组菜单和点击选项，可以更轻松地与内部运行的R层进行交互。借助RStudio，那些会处理电子表格的高级管理人员可以使用最简单的选项来运行基本分析，甚至是一些复杂的分析。虽然RStudio的某些部分仍然让普通用户感到困惑，但RStudio即将向任何愿意投入时间的人开放和访问。对于任何想要探索尖端工具的人来说，RStudio都值得一试。尝试。
