---
title: "自動化機器學習（AutoML (Automated Machine Learning)）"
slug: automl-automated-machine-learning
language: zh-TW
source: https://aiterms.tw/terms/automl-automated-machine-learning
updated_at: 2026-07-29
tags: [超參數優化, MLOps, 演算法選擇, 貝葉斯優化, 機器學習管線]
ipas_term: false
---

# 自動化機器學習（AutoML (Automated Machine Learning)）

透過自動化方式完成機器學習管線中資料前處理、特徵工程、模型選擇與超參數調整等步驟的技術框架。

## 完整說明

自動化機器學習（AutoML）是指利用演算法和系統自動化完成傳統機器學習流程中需要人工介入的步驟，包含資料清理、特徵選擇、演算法選擇（Algorithm Selection）和超參數優化（HPO）等。AutoML 的目標是降低建立高品質 ML 模型的門檻，使非專家也能有效應用機器學習，同時提升資料科學家的工作效率。常見工具包含 Auto-Sklearn、H2O AutoML、Google Cloud AutoML 等。

## 常見問題

### AutoML 會取代資料科學家嗎？

短期內不會。AutoML 擅長自動化重複性高、規則明確的步驟（如超參數調整、演算法比較），但建立高品質 ML 系統仍然需要人類的判斷力：如何定義問題、如何評估業務影響、如何確保資料品質、如何在可解釋性與效能之間取捨，這些都需要領域知識與工程直覺。AutoML 更合適的定位是「放大器」：讓資料科學家能更快速地完成探索性工作，並把時間集中在更需要創造力的環節上。

### AutoML 適合用在什麼情況？

AutoML 在以下情境特別有價值：一是時間壓力大，需要快速建立可用的基線模型；二是資料科學資源有限，業務人員或工程師希望在沒有 ML 專家的情況下建立模型；三是需要系統性比較多種演算法，避免手動挑選帶來的偏誤；四是超參數搜尋空間龐大，手動調整不切實際。但如果問題需要深度的領域知識（如醫療影像的特殊前處理）、有嚴格的可解釋性要求，或資料非常稀少，AutoML 的幫助可能有限。

### AutoML 和神經架構搜尋（NAS）是同一件事嗎？

NAS 是 AutoML 的一個子領域，專指自動搜尋神經網路架構（層數、層類型、連接方式等）。廣義的 AutoML 涵蓋整個 ML 管線的自動化，不限於深度學習；NAS 則特別針對深度神經網路的架構設計問題。兩者都屬於「用機器來設計機器學習系統」的範疇，但 NAS 通常計算成本更高，Google 的 NASNet 研究甚至耗費了數千顆 GPU 的算力來搜尋架構。

---

來源：https://aiterms.tw/terms/automl-automated-machine-learning
快查頁：https://aiterms.tw/terms/automl-automated-machine-learning
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-automl-automated-machine-learning