作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R/Python），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于机器学习、数据可视化、应用统计建模、知识图谱等。知乎专栏：R语言数据挖掘 邮箱：huang.tian-yuan@qq.com.欢迎合作交流。
因为没有找到大神的轮子，不得已自己造一个。项目链接：
hope-data-science/full_automl
目标：实现机器学习的全自动化，从数据的特征工程（变量筛选、升维、降维、预处理），到模型选择，自动调参，集成学习。主要语言是R和Python，鉴于我的水平，估计变成R包的可能性比较大，诚征Python大神合作。
启发：算法工程师、数据科学家需不需要了解业务背景？这其实一直是个问题。以前我认为一定要知道，这样才能够推动对业务的理解，从而指导决策。但是有的时候，在比赛或者做一些项目的时候，当你发现对方动辄给你上千条特征的时候，无论是算法工程师还是数据科学家都不可能一条一条去理解这些特征究竟是表示什么意思，更不要说如何去组织这些特征来获取有用的信息了。基于此，我希望能够创造一个通用的算法或者工具箱，能够对这种高维数据的机器学习问题具有一定的处理能力。
不要会错意，我认为算法工程师和数据科学家依旧需要了解业务背景，只是对于一些特定问题的时候，也许纯粹的工具性机械探索会给我们带来更多的启示。特别有的公司要把自己的数据脱敏之后给你，你是完全不知道这些特征是什么意思的，也不可能知道。没错，你要做的就是，给你一堆数字，我就要一个准确率高能够直接部署上线的模型，就是这么简单。能做到什么地步？我们拭目以待。
如果你对这个话题也感兴趣，欢迎联系我，诚征合作者。机器学习的终极目标是让自己从简单重复劳动中解放出来，把一切交给机器。如果有现成的很好的项目可以借鉴，也请各位不吝赐教。谢谢！
原文作者：；如有侵权，请联系管理员删除。
