自動機器學習（AutoML）是將機器學習應用于現實世界問題的任務自動化的過程。自動機器學習有可能包括從原始數據集開始到建立機器學習模型準備部署的每個階段。AutoML是作為一種基于人工智能的解決方案被提出來的，以應對應用機器學習這一日益嚴峻的挑戰。AutoML的高度自動化旨在讓非專業人士利用機器學習模型和技術，而不要求他們成為機器學習的專家。將機器學習端到端的應用過程自動化，還可以產生更簡單的解決方案，更快地創建這些解決方案，而且模型的性能往往優于手工設計的模型。AutoML中使用的常見技術包括超參數優化、元學習和神經架構搜索。

在一個典型的機器學習應用中，從業者有一組輸入數據點，用于訓練。原始數據的形式可能不是所有的算法都能適用的。為了使數據適用于機器學習，專家可能必須應用適當的數據預處理、特征工程、特征提取和特征選擇方法。在這些步驟之后，從業者必須進行算法選擇和超參數優化，以最大化其模型的預測性能。如果使用深度學習，神經網絡的架構也必須由機器學習專家來選擇。這些步驟中的每一個都可能具有挑戰性，導致使用機器學習的重大障礙。AutoML旨在為非專家簡化這些步驟，并使機器學習的實踐更加有效。最難實現自動化的任務是數據清洗，因為在原始數據及其格式中"任何東西"都有可能。

自動化的機器學習可以針對機器學習過程的各個階段。自動化的步驟有。數據準備和攝取（來自原始數據和雜項格式）欄目類型檢測；例如，布爾型、離散數字型、連續數字型或文本欄目意圖檢測；

例如，目標/標簽、分層字段、數字特征、分類文本特征或自由文本特征任務檢測；例如。二元分類、回歸、聚類或排名特征工程特征選擇特征提取元學習和遷移學習檢測和處理傾斜數據和/或缺失值模型選擇--選擇使用何種機器學習算法。通常包括多個相互競爭的軟件實現Ensembling--一種共識的形式，使用多個模型往往比任何單一的模型得到更好的結果學習算法的超參數優化和特征化在時間、內存和復雜度的限制下選擇管道評估指標和驗證程序的選擇問題檢查泄漏檢測誤配置檢測分析獲得的結果創建用戶界面和可視化界面