【我們為什麼挑選這篇文章】製作機器學習模型最麻煩的不外乎是資料整理和最佳化，如何簡化流程，讓整個過程更自動化呢？德國工程師花了兩周的時間開發出一個無需編寫任何程式碼，就能設計出模型的「模型包」，有網友認為可以更省時，但也有網友認為這樣做失去了寫程式的樂趣，你覺得呢？（責任編輯：賴佩萱）
本文經 AI 新媒體量子位（公眾號 ID：QbitAI）授權轉載，轉載請連繫出處
作者：量子位
做機器學習模型時，只是融合各種算法，就已經用光了腦細胞？又或者覺得，數據預處理就是在「浪費時間」？
一位畢業於哥廷根大學、做機器學習的小哥也發現了這個問題：原本只是想設計個模型，結果「實現比設計還麻煩」。
於是他自己動手做了個專案 igel （德語中意為「刺猬」，但也是 Init、Generate、Evaluate Machine Learning 的縮寫），無需編寫任何多餘程式碼，就能設計出想要的模型。
也就是說，使用者只需要知道各種機器學習模型的原理，但不需要再自己動手寫程式碼。相比於 Keras，這個專案進一步簡化了預處理、輸入輸出的工作，就像「模型包」一樣簡便。
作者用了兩週的時間，做出了項目的 1.0 版本，一天以內已有 842 Star，目前還在快速上漲中。由於只是 1.0 版本，作者表示，這個專案仍然有很大的完善空間，但就目前的功能來說，已經足夠進行基本的機器學習建模了。
讓機器學習自動化
作者建立這個專案的初衷，是希望為所有人提供機器學習模型。無論是技術面工程師、還是非技術面的其他行業用戶，都能使用機器模型讓自己的工作更簡單。
說白了，就是將機器學習變成一個「自動化」的過程，而他也這麼設計了。
項目 igel 包含了當前最新的所有機器學習模型（回歸、分類、聚類），而且作者表示，項目還在持續更新中；也就是說，後續如果還有更新的機器學習模型，也會再加進專案。
模型目前支援的功能有以下幾種：
- 所有最新的機器學習模型（甚至是預覽模型）
- 不同的數據預處理方法
- 在編寫配置時提供靈活性和數據控制
- 交叉驗證
- yaml 和 json 格式
- 不同的 sklearn 指標以進行回歸，分類和聚類
- 多輸出/多目標回歸和分類
- 多處理並行模型構建
可以看出，作者為了偷懶，讓機器學習生產變得更簡潔，也是操碎了心。
如果要上手的話，也非常簡便。
六步輕鬆上手懶人模型包
與其他程序一樣，作者為這個程序提供了「幫助」菜單，只需要輸入「igel -h」（或igel -help），就能了解它的使用方法。
學習完使用方法後，就可以開始創建配置文件了，無論是 yaml 還是 json 格式，都ok。
如果你是個「懶癌患者」（像作者一樣），可以使用「igel init」來初始化。
例如，想做個判斷「是否生病」功能的配置文件：
第一步—選擇功能、模型、目標：igel init -type “classification” -model “NeuralNetwork” -target “sick”
第二步—初始化：igel init
那麼，程序就會給你生成一份配置文件，根據需求進行修改。
在那之後，就是選擇具體的算法參數、並提供你所選的數據集了。
例如，想用隨機森林處理數據，那麼，只需要提供參數給系統（以及數據集、配置文件路徑），它就會幫你訓練：
此外，還可以對模型/預訓練模型進行評估：
感覺不錯？生成預測模型：
直接用起來：
簡單 6 步，機器模型（預覽模型）就已經生成了，非常方便。
作者廣納建議，機器學習模型包持續擴增
此外，作者也非常樂意採納各個網友的意見。
例如，一個網友指出，如果能用交叉驗證進行超參數搜索/調整，那麼會是個很好的改進，而作者本人也立即採納了這個建議。
不過，也有網友表示，「讓一切程序自動化」是沒有意義的。畢竟作者已經聲明，專案是建立在 scikit-learn 的基礎上的，但後者同樣幾行程式碼就能做機器學習，那麼 scikit-learn 和這個專案有什麼區別？
作者對此回應稱，最大的區別在於，相比於編寫程式碼，這個項目旨在以更「可讀」的方式設計想做的模型。
有網友認可這樣的觀點，畢竟對於許多做生產的機器學習工程師來說，「任何不需要做的編程工作」都是沒有意義的，是在「浪費時間和金錢」。
對於這個項目，更多的網友表示了支持，並希望看見他的新功能。
熱愛做專案的工程師
Nidhal Baccouri，於今年 4 月在德國哥廷根大學取得碩士學位，研究方向是軟體、控制工程和人工智慧。
目前，Nidhal Baccouri 在汽車行業工作，研究方向是數位雙生技術（digital twins），會同時應用人工智慧和物聯網的知識。業餘時間，他喜歡做做專案，尤其是與 AI 和 Python 相關的專案。
專案傳送門：https://github.com/nidhaloff/igel
參考資料：《ycombinator》、《nidhalbacc》
（本文經 AI 新媒體量子位 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為〈比 Keras 更好用的機器學習“模型包”：無需預處理，0 代碼上手做模型〉；首圖來源：unsplash。）
