Otto

Otto：智能机器学习助手

机器学习变得简单自然

Otto 是一个智能聊天应用程序，专为有志成为机器学习工程师的人设计。它帮助用户从想法到实施，不需要具备太多专业知识。在**Otto 的网站** 上，用户能够进行简单的模型选择，查看有启发性的可视化结果，并通过直观的自然语言指导每一步。

最近更新：Otto 在 Facebook AI 挑战赛中获奖！

我们很高兴地分享 Otto 在 2020 年 Facebook AI 挑战系列 hackathon 比赛中获得了**第三名**。这一成就源于 Otto 创新性地利用了 Wit.ai 自然语言处理平台。祝贺其他获奖者及所有参与者！

---

项目亮点

• 友好的设计：Otto 针对新手设计，不要求用户对机器学习有太多了解。用户只需描述其最终目标，就能获得智能推荐，或者可以从示例数据集中选择，以便快速使用我们提供的模型。

• 强大的机器学习工具：支持一系列机器学习能力，包括回归、分类和自然语言处理模型，以及专为用户问题定制的预处理器。用户可以在浏览器中玩转神经网络、探索数据可视化，并生成现成的 Python 代码。

• 教育体验：整个过程中，Otto 会详细讲解术语，给予用户学习的机会。标注的代码块帮助有心学习的用户理解其端到端流程。

---

快速入门

要了解 Otto 的核心功能，可以尝试以下操作：

• 说：“我想根据花瓣长度给花朵种类贴标签”，Otto 会为你预填管道组件，并可视化展示流行的数据集鸢尾花的数据。

• 选择：“回归 > 示例数据集” 以浏览回归用的示例数据集，并通过不同的最佳拟合线来发现最强的预测因子。

• 说：“检测信用卡欺诈活动”，并选择自定义数据集选项，可体验 Otto 的模型推荐和交互的神经网络设计。

• 说：“我想解读一则评论的情绪” 来查询由 Wit 支持的自然语言模型并实时获得结果。

用户可以尽情发挥创造力，提出自己的机器学习目标，看看 Otto 能带你走到哪里。

工作流程

以下是一份关于 Otto 如何工作的分步指南。

任务

刚接触机器学习的用户常面临令人困惑的术语问题，从“损失函数”到“等高线边界”等等，让他们难以选择所需的模型，更不用说从零开始开发模型了。Otto 通过简单的目标语句，推断用户面临的高层任务，并为用户缩小选择范围。

Otto-Task 使用 Wit 应用进行任务推断，它基于 300 条来自现实世界机器学习研究的语句进行训练。这些语句如“我想检测贷款申请是否为欺诈”或者“帮我预测股价”等。其目的在于将任务意图分类为回归、分类或自然语言处理，并提取主体实体来过滤不必要的词汇。

数据集

用户获得与其主题相匹配的特定示例数据集的推荐，或者可以预览并自己选择一个。示例数据让初学者快速简便地原型化模型，无需为寻找数据集和在众多特征中选出相关特征而烦恼。用户也可以选择使用自己的数据，这些数据可在稍后生成的代码中包含。

模型

如果用户选择了自定义数据，Otto 使用 Wit 选择合适的分类器或回归器。Otto-Model 通过解析用户对其数据的简短描述来确定推荐模型。

支持的模型：

模型名称	任务	描述
K-近邻	分类	通过查看周围数据划分类别区域
神经网络	分类	适用于复杂数据集的深度学习模型
线性	回归	变量之间的普通线性关系
泊松	回归	模型计数数据，常常遵循泊松分布
序数	回归	学习排名（例如“在1-5的范围内”）
情绪分析	自然语言	检测情感极性、感谢表达以及问候/告别等
实体识别	自然语言	提取例如人物、时间地点、艺术作品等结构

预处理器

在这个步骤中，Otto 为用户的数据和模型选择提供精选的预处理器，使数据优化以进行高效学习。

支持的预处理器：

预处理器名称	描述
主成分分析	进行降维和/或特征选择
标准化	对数据进行缩放，以使均值为0，方差为1
文本清理	去除表情符号、噪声符号以及前后空白

可视化

在神经网络设计或基于示例数据构建的任何模型中激活可视化。

神经网络

通过我们有趣的交互式网络构建器满足你的好奇心！

Otto 为标准模型架构进行预配置，但用户可以随意逐层调整。此外，Otto 能够使用专用 Wit 模型（Otto-Net）即时根据用户指令重设架构。

模型可视化（示例）

立即探索参数如何影响 KNN 群集和回归斜率！

代码显示

一切完成！数据排序完成，预处理器设置完毕，模型配置完毕后，Otto 为你提供一个优美的视图。为方便起见，我们还提供按钮来复制代码到剪贴板、部署到 Google Colab 笔记本或重新开始流程。

---

Otto 的未来计划

Otto 的模块化设计使其具有良好的可扩展性，并且其使用 Wit 表明其自然语言能力可以延伸至更多领域。以下是 Otto 的一些计划：

• 更多的模型：逻辑回归、支持向量机、决策树
• 新的任务：数据生成（如GANs）、语音识别、聚类
• 更智能的建议：能够请 Otto 解释机器学习概念或描述选项差异

贡献者

欢迎贡献！可以着手上述项目或其他事项。我们会审阅在此仓库中打开的问题和 PR。

关于

创始者

Kartik Chugh 是弗吉尼亚大学的二年级学生，目前在亚马逊 Alexa 团队实习。他是一个热衷于开源贡献的人，对 API 设计和开发酷炫的机器学习工具充满热情。

Sanuj Bhatia 是 Facebook 的一名软件工程师，喜欢构建交互式的基于 React 的应用程序。他喜欢引入并修复 bug 以最大限度地产生影响。

感谢

感谢 Sean Velhagen 设计了 Otto 的图标！

为什么选择 Otto 猫头鹰？

因为有双关语，聪明的猫头鹰形象出现在脑海中，以及对 OttoML 的巧妙运用。