autogluon
Python'da tablo, zaman serisi ve çok modlu veriler için makine öğrenimi modeli eğitimini ve topluluk oluşturmayı (ensembling) otomatize eder.
Tablo, zaman serisi ve metin verileri üzerinde topluluk tahmin modelleri ve temel mimariler eğitin.
AutoGluon, Python ile çalışan veri bilimciler ve ML mühendisleri için tasarlanmış bir otomatik makine öğrenimi kütüphanesidir. Karmaşık veri setleri için geleneksel makine öğrenimi algoritmalarını temel modellerle birlikte otomatik olarak bulur, ince ayar yapar ve topluluk haline getirir. Manuel hiperparametre optimizasyon boru hatları yazarak saatler harcamadan yüksek tahmin performansı elde etmek istiyorsanız bunu kullanmalısınız.
Nedir
AutoGluon; tablo verileri, olasılıksal zaman serileri ve çok modlu girdiler dahil olmak üzere ham veri setlerini alır ve otomatik olarak model aramaları çalıştırır. Çeşitli modelleri birleştirilmiş bir tahminleyicide toplamak için çok katmanlı yığın topluluğu (stack ensembling) ve artırılmış damıtma uygular. TabularPredictor, TimeSeriesPredictor ve MultiModalPredictor gibi göreve özel modüller aracılığıyla, minimum kodla model eğitimini otomatize eder.
Kimler için
Yapılandırılmış veriler üzerinde hızlı temel modeller veya rekabetçi kıyaslama modelleri gereksinimi olan veri bilimcileri, tahmin analistleri ve makine öğrenimi mühendisleri için uygundur. Çoklu model toplulukları veya derin öğrenme temel modellerini çalıştırmanın imkansız olduğu, kaynak açısından ciddi şekilde kısıtlanmış gömülü ortamlarda çalışan ekipler için daha az uygundur.
Temel özellikler
Tablo Verisi Otomasyonu
Yapılandırılmış veri dosyalarından doğrudan birden fazla klasik makine öğrenimi modelini ve derin mimariyi eğitir ve topluluk haline getirir.
Olasılıksal Zaman Serisi Tahmini
Çok katmanlı yığın toplulukları ve özel zaman serisi temel modelleri kullanarak tek değişkenli ve çok değişkenli tahminleri otomatize eder.
Çok Modlu Model Eğitimi
Modern temel mimarileri kullanarak tablo girdilerini, yapılandırılmamış metin alanlarını ve görüntü verilerini birleşik tahmin modellerinde birleştirir.
Model Damıtma
Karmaşık çok modelli yığın topluluklarını artırılmış damıtma yoluyla daha küçük, daha hızlı bireysel modellere sıkıştırır.
3 adımda hazır
Dürüst kararımız
Artıları
- Üç satır kodla tablo, zaman serisi ve metin modaliteleri genelinde model topluluğu oluşturmayı otomatize eder.
- Tek model yaklaşımlarına kıyasla tahmin doğruluğunu en üst düzeye çıkarmak için çok katmanlı yığın topluluğunu destekler.
- Karmaşık topluluklardan daha hafif çıkarım modelleri üretmek için artırılmış damıtma içerir.
- Klasik ML algoritmalarının yanı sıra zaman serisi tahmini için Chronos gibi derin temel modelleri entegre eder.
Eksileri
- Çok katmanlı yığın topluluklarını eğitmek, genellikle özel GPU örnekleri gerektiren yüksek bellek ve hesaplama kaynakları talep eder.
- Ağır bağımlılıklar, karmaşık ortam yapılandırmalarına ve büyük paket kurulum kaplama alanlarına yol açabilir.
- Tam topluluk modelleri, damıtılmadığı sürece basit tekli algoritmalara kıyasla daha yüksek çıkarım gecikmesi getirebilir.
Fiyatlar & lisans
AutoGluon, Apache-2.0 açık kaynak lisansı altında kullanımı tamamen ücretsizdir. Temel operasyonel maliyet, derin öğrenme modellerini eğitmek ve topluluk haline getirmek için gereken yüksek RAM'li CPU'lar veya GPU'lar gibi bilgi işlem kaynaklarından gelir.
Türkçe konuşanlar için işler
876 açık uzaktan yapay zeka eğitimi işi, 15 Kasım 2026 tarihinde güncellendi; çoğu saatlik $20–$170 ödüyor. Bunların 2 tanesi Türkçe konuşanlar için. Zekai ücretsiz listeler; başvuru işverenin platformunda yapılır.
Alternatifler
İncelenmiş bu AI araçları aynı işi anında yapar — puanlı dizinimizden.
Kullanın ya da biz kuralım
SSS
AutoGluon hangi Python sürümlerini destekler?
AutoGluon, Linux, MacOS ve Windows işletim sistemlerinde Python 3.10 ile 3.13 arasındaki sürümleri destekler.
AutoGluon zaman serisi tahmini yapabilir mi?
Evet, yığın topluluğu ve sıfır atışlı (zero-shot) temel modelleri kullanarak olasılıksal zaman serisi tahmini için TimeSeriesPredictor sağlar.
AutoGluon yüksek doğruluğu nasıl elde eder?
Tek bir en iyi modele güvenmek yerine, birden fazla bireysel modeli eğitir ve bunları çok katmanlı yığın topluluğu kullanarak birleştirir.
