本文旨在对好的AutoML框架或重要信息做个汇总，不定期更新，并统计了截至2019-10的github星数(star)
一、概念理解
AutoML和神经架构搜索（NAS），是深度学习领域的新一代王者。
这些方法能快糙猛地搞定机器学习任务，简单有效，高度符合当代科技公司核心价值观。
https://zhuanlan.zhihu.com/p/42924585
在传统深度学习的模型构建中，主要包含以下步骤：数据处理、特征工程、模型架构选择、超参数优化、模型后处理、结果分析。这些步骤往往会耗费大量人力和时间。在 AutoML 中，则可以对大部分步骤进行自动处理。 AutoML 类别包括：
自动数据清洗（Automated Data Clean, Auto Clean）
自动特征工程（Automated Feature Enginnering, Auto FE）
超参数优化（Hyperparameter Optimization, HPO）
元学习（Meta-Learning）
神经网络架构搜索（Neural Architecture Search, NAS）
二、世界级比赛 (堪称 数据挖掘「奥林匹克」)
2019年国际数据挖掘顶级会议KDD
PAKDD 2019 AutoML3+
速报：PAKDD 2019 AutoML3+ 挑战赛公布了最终结果：Feedback phase 和 AutoML phase 的 Top3 排名相同，深兰科技 DeepBlueAI 团队斩获第一名，由微软亚洲研究院、北航组成的 ML Intelligence 团队位居第二名，由清华大学组成的 Meta_Learners 团队获得第三名。
https://tech.ifeng.com/c/7lxEtEsiHVH
KDD官方完整排名，内附github地址!!!
https://www.4paradigm.com/competition/kddcup2019
三、互联网项目汇总
TPOT [github 6367 star]
http://epistasislab.github.io/tpot/
https://github.com/EpistasisLab/tpot
国外开源AutoKeras [github 6168 star]
https://github.com/keras-team/autokeras
Auto-sklearn [github 3979 star]
https://automl.github.io/auto-sklearn/
https://github.com/automl/auto-sklearn
ENAS-pytorch [github 1975 star ] 【NAS】
https://github.com/carpedm20/ENAS-pytorch
auto_ml 开源框架 [github 1355 star ]
https://github.com/ClimbsRocks/auto_ml
MLBox [github 929 star]
https://github.com/AxeldeRomblay/MLBox
ATM - Auto Tune Models [github 446 star]
https://github.com/HDI-Project/ATM
https://www.automl.org/automl/
R2商业产品
国外商业+开源产品h2o
https://www.h2o.ai/products/h2o-driverless-ai/
https://github.com/h2oai/h2o-3
谷歌云的AutoML pipeline
https://pypi.org/project/google-cloud-automl/
https://cloud.google.com/automl/
四、资讯/论文/资源 汇总平台
强烈推荐浏览！！！
Awesome-AutoML-Papers is a curated list of automated machine learning papers, articles, tutorials, slides and projects
https://github.com/hibayesian/awesome-automl-papers
Information about Automated Machine Learning 资讯
文献/工具/项目资源大列表分享
https://blog.csdn.net/lqfarmer/article/details/100412807
自动机器学习工具全景图：精选22种框架，解放炼丹师
https://blog.csdn.net/yH0VLDe8VG8ep9VGe/article/details/81976898