本书全面介绍自动机器学习，主要包含自动机器学习的方法、实际可用的自动机器学习系统及目前所面临的挑战。在自动机器学习方法中，本书涵盖超参优化、元学习、神经网络架构搜索三个部分，每一部分都包括详细的内容介绍、原理解读、具体运用方法和存在的问题等。此外，本书还具体介绍了现有的各种可用的AutoML系统，如Auto-sklearn、Auto-WEKA及Auto-Net等，并且本书最后一章详细介绍了具有代表性的AutoML挑战赛及挑战赛结果背后所蕴含的理念，有助于从业者设计出自己的AutoML系统。 本书英文版是国际上第一本介绍自动机器学习的英文书，内容全面且翔实，尤为重要的是涵盖了最新的AutoML领域进展和难点。本书作者和译者学术背景扎实，保证了本书的内容质量。 对于初步研究者，本书可以作为其研究自动机器学习方法的背景知识和起点；对于工业界从业人员，本书全面介绍了AutoML系统及其实际应用要点；对于已经从事自动机器学习的研究者，本书可以提供一个AutoML最新研究成果和进展的概览。总体来说，本书受众较为广泛，既可以作为入门书，也可以作为专业人士的参考书。

作者简介弗兰克•亨特，德国弗莱堡大学教授，机器学习实验室负责人。主要研究统计机器学习、知识表示、自动机器学习及其应用，获得第一届（2015/2016）、第二届（2018/2019）自动机器学习比赛的世界冠军。拉斯•特霍夫，美国怀俄明大学助理教授。主要研究深度学习、自动机器学习，致力于构建领先且健壮的机器学习系统，领导Auto-WEKA项目的开发和维护。华昆•万赫仁，荷兰埃因霍温理工大学助理教授。主要研究机器学习的逐步自动化，创建了共享数据开源平台OpenML.org，并获得微软Azure研究奖和亚马逊研究奖。译者简介何明，中国科学技术大学博士，目前为上海交通大学电子科学与技术方向博士后研究人员、好未来教育集团数据中台人工智能算法研究员。刘淇，中国科学技术大学计算机学院特任教授，博士生导师，中国计算机学会大数据专家委员会委员，中国人工智能学会机器学习专业委员会委员。

前 言 近十年来，不管是机器学习相关的应用还是研究，都迎来了爆发式增长。尤其是深 度学习，使得很多应用领域都取得了关键性突破，如计算机视觉、语音处理和游戏。然而， 多数机器学习方法的性能在很大程度上依赖于过量的模型设计策略，这导致新手难以较 快地掌握和应用机器学习。在深度学习上更是如此，如果人类工程师想要让神经网络在 特定的任务上取得理想的表现性能，就需要很好地选择和设计网络结构、学习过程、正 则化方法及超参等。另外，随着任务的不同，工程师需要重复上述过程。需要说明的是， 即使是专家，在一个特定的数据集上，也需要经过多次的迭代和试错才能找到一组良好 的网络配置参数，新手更是如此。 自动机器学习（AutoML）旨在以一种数据驱动、目标导向及自动化的方法实现上 述过程。换言之，用户只需要提供数据，AtuoML系统就能够自动学习出使得该应用取 得最佳性能的机器学习模型。因此，自动机器学习能够让那些想要使用机器学习方法但 是缺乏机器学习资源或背景知识的领域科学家使用到最新的机器学习模型。这可以被视 为一种机器学习的民主化，即通过AutoML，每个人都能获得定制化的且达到行业最新 水准的机器学习模型。 正如本书所展现的，自动机器学习方法已经成熟到可以与人类机器学习专家相竞争 的水平，甚至在有些时候，自动机器学习的表现可以超越人类机器学习专家。简单来说， 机器学习专家一方面比较稀缺，另一方面人力成本较高，而自动机器学习却可以在节省 大量时间和金钱的前提下提升算法性能。自动机器学习的这种优势使得自动机器学习的 商业关注度在近几年得到极大提升，...