Построение системы автоматического машинного обучения для классификации текста.

Одной из наиболее активно развивающихся областей науки о данных является область автоматического машинного обучения. Данная область концентрируется на минимизации использования труда высококвалифицированных разработчиков за счет автоматизации процессов обучения моделей. В ходе данной работы была поставлена цель разработки системы автоматического машинного обучения для решения одной из классических задач - задачи классификации текстов. Задача рассматривалась для наборов данных небольшого размера в условиях ограниченных по времени и вычислительным мощностям ресурсов. В ходе работы было проведено сравнение двух наиболее популярных алгоритмов оптимизации гиперпараметров: алгоритма на основе гауссовских процессов и на основе tree-structured Parzen Estimator. Показано что модель на основе гауссовских процессов работает лучше в условиях данной задачи. Было проведено сравнение трех моделей машинного обучения - логистической регрессии, сверточной и рекуррентной нейронной сети. Показано, что для различных наборов данных лучшее качество показывают разные модели. Была построена система автоматического машинного обучения. В качестве алгоритма оптимизации гиперпараметров выбрана модель на основе гауссовских процессов. Система проводит обучение указанных выше моделей машинного обучения и выбирает лучшую из них. Проведено сравнение построенного алгоритма с моделями, обученными специалистами, а также с системой автоматического машинного обучения Google AutoML.