以后参加Kaggle竞赛，可以直接派出AutoML自动训练AI怪兽参赛了。谷歌今天宣布，将Cloud AutoML服务深度集成到Kaggle平台，虽然是付费服务，但提供了一揽子免费试用和补贴方案。
谷歌宣布，将用于训练机器学习算法的Cloud AutoML服务集成到数据科学平台Kaggle中。
Cloud AutoML是一个基于云的工具包，提供一个拖放界面来训练AI模型。使用AutoML，任何人都可以创建定制的机器学习模型，只需极少的工作量和机器学习专业知识。
Kaggle是一个供数据科学家和其他机器学习爱好者探索、分析和分享他们的工作的在线社区，被谷歌于2017年收购。Kaggle也是全球最大的机器学习及数据科学竞赛平台，就在今天，谷歌宣布Kaggle社区最近达到了一个新的里程碑，用户数突破了350万。
谷歌表示，通过将Cloud AutoML与Kaggle整合在一起，它正在推进其使命，即“通过为他们提供在该领域领先所需的技能和工具，使我们的数据科学家社区更加强大”。
Cloud AutoML允许用户从软件开发工具包或基于web的用户界面获取数据，设置一些参数，然后根据这些数据训练模型；经过训练的模型随后可以直接部署到谷歌的云基础架构上。
新的集成将使Kaggle用户能够在Jupyter Notebooks中直接使用 Cloud AutoML SDK，这是数据科学家用来创建和共享包含实时代码、公式、可视化和叙述性文本的开源web应用程序。
Kaggle产品经理Devvret Rishi说：“今天发布的重点是使我们的社区能够在Kaggle Notebooks上直接使用SDK。”
Cloud AutoML是一项付费服务，不过它为初学者提供了免费试用方案。谷歌还为用户全年提供谷歌云平台(GCP)积分，以帮助补贴在Kaggle上使用AutoML的成本，并且，所有注册GCP的新Google帐户都将获得$ 300的补贴。
今年6月，谷歌还将BigQuery数据仓库服务和Kaggle集成在一起。该集成允许BigQuery用户使用快速SQL查询，在SQL中训练机器学习模型，并在Kaggle的Jupyter笔记本环境中进行分析，称为Kaggle Kernels。
根据谷歌的说法，这种方法的好处在于，用户无需实际移动或下载数据来查询数据或对其进行机器学习。一旦用户的Google Cloud帐户链接到内核笔记本或脚本，就可以使用BigQuery API客户端库直接在笔记本中撰写查询，针对BigQuery运行查询，并使用数据进行几乎任何类型的分析。
AutoML有多强：Kaggle竞赛击败99%人类程序员
AutoML在今年早些时候就引起了人们的关注，它在Cloud Next '19的Kaggle Days举行的机器学习竞赛中一度脱颖而出，只是在最后时刻才被一组数据科学家以微弱优势淘汰。
今年4月，在长达8个半小时的Kaggle Days数据处理挑战上，有一个团队非常特别：这个由3名谷歌研究员组成的小组不打算自己上场，而是用一款名为AutoML的AI软件参与竞赛。
其他200多名参与者来自Kaggle平台的顶级梯队，他们组成多个小组，任务是“从一家匿名汽车零部件制造商那里得到数据，通过这些数据，他们要预测工厂产出中的不良批次”。
谷歌研究员Quoc Le与同事Ming Chen和Lu Yifeng Lu一起领导了AutoML项目
现场挂着一块大屏幕，上面是比赛即时排行榜，参赛的程序员就在这块大屏幕的阴影下辛勤工作。程序员们通过向网站提交代码进行测试来衡量他们在比赛中的成果，分数会实时显示在屏幕上。
对于AI可能取代顶尖程序员这一点，Kaggle.com上排名第一的“大师”Vladimir Iglovikov表示怀疑，在场的大多数人也都认为，AI软件不可能与世界顶尖的数据科学家的创造力相媲美。
然而，比赛进行几个小时后，让人震惊的结果出现了，AutoML提交了第1个自动生成的代码，在排行榜上名列第2，领先了绝大多数小组。但这对于谷歌团队来说一点都不奇怪，该软件是3年前他们花巨资开发的，一开始的目的就是要替代自己的部分工作。
领导了谷歌AutoML开发的AI研究员Quoc Le感到兴奋。他和团队在过去的几场Kaggle比赛中测试了AutoML，通常都需要花费几个月而不是几个小时。他们认为在现场比赛中AutoML能取得前10%的成绩就算是成功了。
到了下午3：30，AutoML的胜利似乎已成定局，最接近它的人类团队也落后很远。当选手们在下午5:30集合查看最终比分时，欢呼声爆发了：AutoML 排名第二。
AutoML赢了99%的顶尖人类程序员。
而且在竞赛中，使用AutoML的团队只需要付出较少的精力，就能迅速获得出色的性能，并且无需领域专业知识或监督。在数据准备上花费时间很少，而在特征工程、模型选择和超参数调参上几乎不用花什么时间。
此外，在另一个IEEE的竞赛中，AutoML的时间效率的优势更加突出，数千团队花了几周的时间，才能在排行榜上大幅超越AutoML的基准水平。
上图为该赛事前四周的提交分数（个人得分），与比赛开始时发布的AutoML Tables基准分数（绿线）。蓝点虚线表示每日提交分数的90％分位水平。AutoML Tables基准在比赛的前两周中都超过了这一水平
AutoML的简单性和有效性为存在数据科学问题需求的人群（这些人不一定具有深厚的数据科学背景）提供了创建性能强大的模型的可能。
大酬宾：Kaggle用户使用AutoML，每个关联账号补贴300刀
Cloud AutoML可帮助用户针对各种任务集（视觉，语言到结构化数据）构建自定义机器学习模型。每种应用的实际用法各不相同，但所有方法都遵循从SDK或Web UI提取数据的一般模式，用户可以调节设置，并输出训练好的模型。今天的重点是，我们的社区已经能够直接在Kaggle Notebook中使用SDK。
简单上手：如何在Kaggle平台上使用AutoML
Kaggle与AutoML的集成遵循了我们先前将BigQuery引入Kaggle Notebook的脚步。
首先，只需关联用户的GCP帐户并授权访问要使用的云服务，同时启用云存储将使AutoML轻松访问您的数据。
关联Google帐户后，需要仔细检查云帐户是否已准备就绪。为此，请确保已为GCP项目启用了机器学习API和结算设置。AutoML是一项付费服务，为了使更多的Kagglers可以使用AutoML，我们计划在全年内提供GCP积分，以补贴使用该服务的费用，所有注册G谷歌云平台的新帐户都将获得300美元的额度。
用户可以使用Kaggle Notebook中的内置客户端SDK，也可以使用云控制台中的Web界面轻松运行AutoML。要在Notebook中使用AutoML，请查看帮助文档或教程。要了解有关自动机器学习的主题及其改善数据科学工作流程的更多信息，请观看我们的讲解视频。
现在，AutoML已经深度集成到Kaggle竞赛平台，相信今后的Kaggle竞赛，派出AutoML参赛的程序员会越来越多。
