如今，很多供应商通过提供自动化数据准备和算法选择的层次，可以使数据智能业务用户采用人工智能技术，从而消除了机器学习的神秘感。  “机器学习”这个术语赋予了神奇的光环。普通人通常不会采用机器学习，而数据科学家才是高度专业化的炼金术士，他们在研究部门和实验室中将数据转化为“黄金”，而只是简单地说机器学习是一门科学，在此之外几乎没有提供解释。  当然，这可能是一个鲜为人知的事实，但多年来机器学习工具已经发展到这样一个地步：几乎任何人都可以按下按钮，并启动一些机器来学习有价值的东西。这并不是一件容易的事，但将数据整合并将其转化为可操作见解的工作已经实现自动化，很多具有这种动机的组织可以做到这一点。  这种缓慢的复兴是由商业世界中许多非程序员已经相当精通数据的现实所推动的。加载数字的电子表格是各级业务决策者的通用语言，机器学习算法也像表格中数据清晰定义的行和列一样。机器学习的新工具基本上只是另一组策略和选项，用于将表格数据转换为有用的答案。这些工具的优势在于能够处理收集数据、添加结构，并保持一致性，然后开始繁重的计算工作。它们简化了数据收集过程，简化了将信息保存在行和列中的工作。  这些工具还不够智能，无法为用户完成所有这些学习。用户必须提出正确的问题并找到合适的地方。但是这些工具加速了对答案的搜索，因此可以覆盖更多的范围，并在进行更多的搜索。  AutoML：机器学习的民主化  最近，新的流行术语“AutoML”开始出现，表示机器学习算法附带了一个额外的自动化元层。标准算法一直被设计用于自行查找模式和规则，但传统算法带有许多选项和参数。数据科学家经常花费80%到99%的时间致力于找到最具预测性的规则。  AutoML通过尝试一系列选项，测试它们然后尝试更多来自动化这个阶段。它不是采用机器学习算法运行一次，而是运行N次，进行一些调整，再次运行N次，如此反复，直到用户的预算、时间、耐心耗尽。  AutoML工具非常适合云计算，因为它们在云中可以启动足够的机器并行运行，然后在完成后将它们返回池中。用户只需在峰值计算时间支付费用。  一般来说，AutoML算法是人们开始自己探索机器学习的一个良好选择。自动化通过处理一些设置参数和选项的基本工作来简化工作，然后再为用户测试结果。随着用户变得更加复杂，并开始理解结果，他们可以承担更多这些工作，并自行设置价值。  最新的系统还可以让用户更轻松地了解机器的学习方式。如果经典编程将规则和数据转化为答案，那么机器学习算法将会反向工作，并将答案和数据转换为规则。这些规则可能会告诉用户业务发生的事情。这些简化工具的开发人员还创建了解释算法发现的规则的接口，更重要的是如何复制结果。他们想打开黑盒以促进理解。  使机器学习更容易的6种工具  所有这些功能都为那些使用数字、电子表格和数据的人们开启了机器学习的世界，消除了对编程和数据科学的巨大需求。下面的六个选项简化了用户使用机器学习算法在数字海洋中找到答案。  1.Splunk  Splunk的原始版本最初是作为一种工具，通过现代Web应用程序创建的大量日志文件进行搜索或“窥探”。它已经发展成为可以分析所有形式的数据，特别是时间序列和其他按顺序生成的数据。该工具将结果显示在具有复杂可视化例程的仪表板中。  最新版本包括将数据源与TensorFlow等机器学习工具和一些最佳Python开源工具集成的应用程序。它们提供快速解决方案，用于检测异常值、标记异常，并生成对未来值的预测。它们经过优化，可以在非常大的数据集中搜索文件。  2.DataRobot  DataRobot内部的堆栈是一些用R、Python或其他几个平台编写的开源机器库的集合。用户将只处理一个Web界