《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》是一本由王健宗 / 瞿晓阳著作，机械工业出版社出版的平装图书，本书定价：99.00元，页数：2019-8-20，特精心从网络上整理的一些读者的读后感，希望对大家能有帮助。

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(一)：读后感

　　看完感觉这本书的标题应该加个综述，这本书涉及的内容是很多很全，但是可能由于篇幅的原因，很多内容都是一两页纸就带过了，导致看的时候感觉就是介绍一下，没有很深入的去分析。其实感觉很多内容其实可以省略掉，比如深度学习简介的部分，其实感兴趣的读者看这本书的目的就是想跟多的去了解automl和autldl具体是怎么做的，这些基础部分其实感觉完全可以去掉，把更多的篇幅留给主要部分。

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(二)：Auto-learning读后感

　　Auto-learning成为下一个智能算法的发展方向之一，这本书紧跟算法发展的趋势，及时的将自动学习的知识总结，梳理，方便了读者的学习。开篇从人工智能引述，接着将auto-learnin分成了两段来介绍。分别是automl（auto-learning在机器学习）和autodl（auto-learning在深度学习）。书中关键地方都给了公式说明和配图介绍，按照技术书籍的惯例，每一章的末尾也列出了参考的文献，非常的方便食用！能及时的有中文的新技术讲解书籍，太nice了!

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(三)：前沿的前沿-AutoML

　　AutoML的理念就是把深度学习里那些复杂的部分都拿出去，你只需要提供数据，随后就让AutoML在神经网络设计上尽情发挥吧。这样，深度学习就变得像插件一样方便，只要有数据，就能自动创建出由复杂神经网络驱动的决策功能。 AutoML已经取得了几年前无法实现的成功，而谷歌这样的平台已经能够建立能够将数据科学家从常用机器学习流程中删除的系统。但我们仍然远离所谓的真正的自治系统很远。但是 不管怎样，这本书还是非常有意思的，可以说是前沿的前沿，值得一看。

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(四)：AutoML任重道远

　　#读书 《深入理解AutoML和AutoDL: 构建自动化机器学习与深度学习平台》，王健宗，机械工业出版社。

　　似乎是目前关于AutoML的第一本中文成书？

　　作者蜻蜓点水般的介绍了AutoML, AutoDL所涉及的繁杂的概念和技术，属于浅入浅出型，也几乎没有任何实例，但最后已经形成了相当大的篇幅。着重介绍了该领域的最新进展，让人感觉Auto太难做了，有很多开放性和悬而未决的问题，而且短期看来有相当大的解决难度。AutoML和AutoDL完全是两个量级的任务，前者似乎还没有很好的解决呢。

　　任重道远

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(五)：系统的综述了三个ML前沿方向

　　在传统的机器学习模型中，调参是非常费时又费力又非常关键的一项工作。对于模型参数的配置基本上没有一种有效的策略。为解决此类问题，AutoML学习范式近年来被提出，深受机器学习领域的关注。在TOP Conference中，是一个非常前沿的Topic。 由华章出版的《深入理解AutoML和AutoDL》，围绕着AutoML、AutoDL 和meta learning 三个前沿的ML方向，由浅入深，系统而专业的review了各主流方法，知识点描述细致。该书对AutoML和AutoDL所涉及的基础知识，概括到位，内容夯实，适合作为ML方向的研究生的入门资料。

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(六)：机器学习和深度学习的利器

　　近期华为招聘了8名“天才少年”博士生，给出了高价年薪（范围在89万-201万），羡煞大部分人，据悉这些天才多为人工智能领域。自动化机器学习（Automated Machine Learning, AutoML）是众多数据科学中的一种工具，也是机器学习领域的热点和趋势，AutoML是Google研发，是该领域主要的技术和工具，目前图书市场空白。《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》很白地填补这个空白，值得这个领域的大部分仔细研读。本书的内容详细且丰富，介绍了人工智能和AutoML的概况和未来发展前景，也介绍了自动化机器学习和自动化深度学习的基础和各种算法，最后也详细地介绍了强化算法和进化算法的详细内容和方法。

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(七)：刚看完第一遍，很棒

　　AutoML可谓是AI中的AI，在人工智能发展日益成熟的今天，越来越多的互联网公司发布了AutoML平台，以前一直在新闻中看见过，也见过相关的论文，但中文的第一本详细介绍AutoML的书籍，我这还是第一次看见。能在正式出版前便能阅读到相关信息，我感觉的非常的幸运。作者构思两年多，以尽可能白话的方式，从0到1介绍AutoML，没有太多枯燥的数学公式，对新手非常友好，但又深入浅出的讲解了最新型人工智能技术的Auto方法，包括在进化算法、强化学习、深度学习、特征工程、元学习等方面的应用，兼顾广度与深度，在AutoML和AutoDL的基础上，研究“Learning to Learn"的问题，为新接触人工智能的读者开了一扇能一窥全局的窗，非常优秀的一本书。

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(八)：知识点详实缜密，适合高手读者打怪进阶

　　长久以来人工智能模型和算法最不智能的方面就是模型选型、结构、（超）参数等选择方面一点都不智能，甚至有的连自动化都没做到。为了实现机器学习模型的设计自动化，自动化机器学习（AutoML）方法应运而生，它是众多数据科学中的一种工具，可以解决数据科学任务中的某些任务。《深入理解AutoML和AutoDL》这本书同时介绍了面向机器学习的AutoML和面向深度学习的AutoDL的框架、方法和实践，全书共14章，由浅入深的将知识点和应用场景陆续铺开，比较全面的覆盖了这类技术的主要方面。难易程度方面总体对前序知识要求较高，细节描述的比较全面，适合对ML和DL技术有一定经验的人群。本人运气不好，在读期间没有赶上AutoML的出现，现在有幸能通过华章的鲜读活动阅读这本书的抢先版来跟上新技术的步伐，感谢作者王健宗和华章出版社，等正式出版后一定再仔细拜读一下温故而知新！

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(九)：AutoML新手入门的圣经

　　个人是从一个月之前进入新公司之后开始接触到AutoML的，刚开始接触一个从来没接触过的领域，遇到了很多的坑，有很多的疑惑。但是更让人心累的是网上的很多博客文章讲解的比较少，或者是大家互相转载，非常没有体系，想找一本相关的书籍，但是网上又没有相关的书籍，对于一个初学者来说用处不是很大，一直以来，有点盲人摸象。

　　前段时间在关注的公众号上面偶然之间看到这样一本书《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》，当时就特别打算买一本，后面获得一本在华章微信上面的电子书，看了一下，真的是给人一种醍醐灌顶的感觉，特别是对于我这种刚入门的小白来说，全书共有300多页，14掌，从基础的知识点到具体的项目应用，AutoML，Meta Learn，NAS，这些都是深度学习领域接下来非常热门，炙手可热的方向，希望在这本书的引领之下，让自己能更少的走弯路，学习到系统的知识，通过阅读电子版，觉得这样的任务这本书能够很好的完成，也给广大正在学习AutoML的小伙伴们强烈推荐这本书，真的很不错！

　　《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》读后感(十)：深入理解AutoML和AutoDL

　　2019年3月，ACM官宣Yoshua Bengio、Geoffrey Hinton、Yann Lecun深度学习三巨头获得了图灵奖，表彰他们以概念和工程的突破，让深度神经网络成为计算关键部件。再次引爆了深度学习领域的学习热潮。 然而，现在深度学习在调参上面临着很大的困境，甚至于深度学习的深入研究者也觉得头疼。怎样自动化调参的过程从而让更多非专业人士能够享受机器学习和深度学习带来的生产力的提高，如何学习学习，成为了现在人工智能研究的前沿性问题，而这就是AutoML和AutoDL要达成的目标。在我接触到元学习之后，就对这方面的研究保持了浓厚的兴趣，遗憾的是当时国内并没有一本讲解AutoML发展和技术的专著。可喜的是，机械工业出版社即将出版的《深入理解AutoML和AutoDL：构建自动化机器学习与深度学习平台》就是这样一本建立了完整的AutoML知识体系的启发性的书籍。我有幸通过华章分社的鲜读社区预读了本书，我重点关注了NAS（神经网络架构搜索）、基于RL的AutoDL和元学习。元学习的思想是学习“学习训练”的过程，旨在设计能够通过训练一些实例来快速学习新技能或适应新环境的模型。可以说，元学习的终极目标就是创造出一个具有学习能力的婴儿，剩下的事，交给他/她就好。 本书提供了大量的AutoML和AutoDL的启发性思路和理解角度，使我受益匪浅，确实是一本AutoML入门的好书。