Otto：您友好的机器学习助手。

机器学习变成直观的自然语言体验

Otto 是一款智能聊天应用，旨在帮助有志于成为机器学习工程师的人士 在几乎没有领域知识的情况下，将想法快速转化为实际应用。我们的网站 提供了简便的模型选择、富有洞察力的可视化效果，以及贯穿始终的直观自然语言体验，引导您完成每一步操作。

更新：Otto 在 Facebook AI 挑战赛中获奖！

我们非常高兴地宣布，Otto 因其对 Wit.ai NLP 平台的创新性使用，荣获 2020 年 Facebook AI 挑战赛黑客马拉松系列的 第三名。恭喜其他获奖者，也感谢所有参与者的热情投入！

---

亮点

• 适合初学者的设计。 Otto 专为新手打造，无需具备深厚的机器学习背景知识。用户只需描述自己的目标，即可获得智能化的推荐；或者直接从示例数据集中选择，迅速运用我们的模型。

• 强大的机器学习工具。 支持多种机器学习功能，包括回归、分类和自然语言处理模型，以及针对特定问题量身定制的预处理工具。您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！

• 教育性体验。 Otto 会逐步引导用户完成整个流程，并在必要时解释相关术语。带有注释的代码块则能让渴望学习的用户对端到端的工作流有一个高层次的理解。

---

快速入门

要体验 Otto 的一些核心功能，请尝试以下操作：

• 说出：“我想根据花瓣长度对花卉种类进行分类”，看看 Otto 如何自动填充您的工作流组件，并为流行的 Iris 数据集生成最近邻分类的可视化结果。

• 选择：“回归 > 示例数据集”，预览回归任务的示例数据集，并通过不同的最佳拟合线找出最强的预测变量。

• 说出：“检测信用卡欺诈行为”，然后选择“自定义数据集”选项，体验 Otto 自动推荐的模型以及交互式的神经网络设计工具。

• 说出：“我想分析评论的情感倾向”，调用基于 Wit 的自然语言模型获取实时结果。

当然，您也可以自由发挥创意！提出自己的机器学习目标，看看 Otto 能带您到达怎样的境地。

流程步骤

以下是 Otto 工作原理的分步说明。

任务

对于刚刚接触机器学习的人来说，最大的障碍之一就是各种专业术语——从“损失函数”到“等高线边界”，新手很难仅凭这些晦涩难懂的词汇就决定该使用哪种模型，更不用说从头开始开发一个了！Otto 会根据用户简单的目标陈述，推断出高层次的任务类型，从而缩小选择范围。

任务推理由一个名为 Otto-Task 的 Wit 应用程序驱动，该程序基于 300 条真实机器学习研究中的语句进行训练，例如“我想检测贷款申请是否为欺诈”、“帮我预测股价”或“让我们把一篇文章概括成一段话”。Otto-Task 会尝试将任务意图归类为回归、分类或自然语言处理，并提取一个主题实体，以简化目标表述，剔除无关词汇。

随后，系统会根据主题关键词（如“推文”、“住房”等）与我们的示例数据集数据库进行匹配。如果找到相关数据集，Otto 将为该数据集推荐最合适的任务、模型和预处理工具，并在整个工作流构建过程中预先选好它们供用户使用。如果没有匹配的数据集，则 Otto 会根据识别出的意图给出任务建议。若未能识别出任何意图，Otto 还会提供一些建议，帮助用户自行选择最适合的任务。

数据集

Otto 会向用户推荐与其主题相符的特定示例数据集，或者允许用户预览并自行选择数据集。示例数据能够让初学者快速轻松地原型化模型，而无需费心寻找数据集，也不必在众多特征中苦苦摸索。当然，用户也可以选择使用自己的数据，并在后续生成的代码中加以引用。

模型

如果用户选择了自定义数据，Otto 会借助 Wit 完成关键的分类器或回归器选择步骤。一个名为 Otto-Model 的 Wit 客户端会解析用户对数据的简短描述，寻找指示特定模型适用性的关键词。Otto-Model 为每个模型配备了约 15 个短语及其同义词，并采用模糊字符串匹配技术，从而实现高效且可扩展的模型推荐。

例如，如果用户描述分类数据集“很简单”或“只有几列”，那么 K 最近邻算法可能是一个不错的选择；而如果用户提到回归数据是“犯罪率”或“年度消费者排名”，则 Poisson 或序数回归模型可能会更适合。如果没有匹配到任何关键词，Otto 则会默认推荐最通用的模型：分类任务使用神经网络，回归任务使用线性拟合。

对于自然语言处理任务，用户可以组合使用多个模型，以获得更全面的分析结果。Otto 会同时推荐情感分析和实体识别模型，但也会向用户提供相关信息，以便他们根据需要进行调整。我们的 NLP 模型运行在 Otto-NLP 后端之上，该后端配置用于识别 内置特征和实体。

支持的模型：

模型名称	任务	描述
K 最近邻	分类	通过观察周围数据来划分类别区域
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	用于建模计数数据，这类数据通常遵循泊松分布
序数	回归	学习排序（例如“按 1-5 分评分”）
情感分析	自然语言	检测情绪极性、感谢表达以及问候和告别
实体识别	自然语言	提取人物、时间地点及艺术作品等结构

预处理工具

如果一个再酷的模型训练起来都要耗上好长时间，那又有什么用呢？在这一步中，Otto 会根据用户的数据和模型选择，智能地推荐一系列预处理工具，从而将特征工程和降维等复杂操作抽象化——这些机器学习技术能够优化数据，使其更易于高效学习。当然，用户也可以随时覆盖这些推荐设置。

支持的预处理工具：

预处理工具名称	描述
主成分分析	执行降维和/或特征选择
归一化	将数据缩放到均值为0、方差为1
文本清洗	移除表情符号、噪声符号以及前后多余的空白字符

可视化

可视化阶段适用于神经网络的设计，或者用于展示基于样本数据构建的任何模型。

神经网络

用我们有趣且交互式的网络搭建工具，满足你的好奇心吧！

Otto 会预先配置一个标准的模型架构，采用基于研究的激活函数和初始化方法（参考文献：http://proceedings.mlr.press/v9/glorot10a/glorot10a.pdf），但用户可以自由地逐层调整网络结构。此外，Otto 还能借助专门的 Wit 模型（即 Otto-Net），根据用户的指令即时完成网络架构的重新设计。

模型可视化（示例）

立即探索参数如何影响 KNN 聚类和回归斜率吧！

代码展示

大功告成！在数据整理完毕、预处理工具设置妥当、模型配置完成后，Otto 会为你呈现一份清晰的工作成果概览。为了方便起见，我们还提供了复制代码到剪贴板、将其部署到 Google Colab 笔记本，或者重新开始整个流程的按钮。

---

Otto 的下一步计划是什么？

Otto 采用模块化设计，因此非常容易扩展；同时，它利用 Wit 技术，使得其自然语言处理能力能够进一步拓展到更多领域。以下是 Otto 目前规划中的几项功能：

• 更多模型：逻辑回归、支持向量机、决策树
• 新任务：数据生成（如 GAN）、语音识别、聚类
• 更智能的建议：用户可以询问 Otto 关于机器学习概念的解释，或比较不同选项之间的差异

贡献者

欢迎各位贡献代码！你可以选择参与上述任意一项工作，也可以提出其他想法。我们将持续审阅此仓库中的问题和拉取请求。

关于我们

创建者

 

Kartik Chugh

Kartik 是弗吉尼亚大学二年级学生，目前在亚马逊 Alexa 团队实习。他热衷于开源项目，尤其擅长 API 设计和开发有趣的机器学习工具。

Sanuj Bhatia

Sanuj 是一名 Facebook 的软件工程师，喜欢构建交互式的 React 应用程序。每当有机会时，他都会主动发现并修复 bug，以实现最大的价值 :)

致谢

感谢 Sean Velhagen 为 Otto 设计了标志！

为什么叫 Otto the Owl？

一方面是因为“Otto”与“owl”（猫头鹰）的谐音，让人联想到智慧的猫头鹰形象；另一方面也巧妙地借用了 OttoML 这一术语……

Otto 快速上手指南

Otto 是一款友好的机器学习助手，旨在通过自然语言交互，帮助初学者无需深厚的领域知识即可从想法快速过渡到代码实现。它支持回归、分类和自然语言处理任务，并能自动生成 Python 代码。

环境准备

由于 Otto 是一个基于浏览器的智能聊天应用程序（曾作为 Facebook AI Challenge 获奖项目），其核心体验无需在本地安装复杂的环境。

• 系统要求：任何现代操作系统（Windows, macOS, Linux）。
• 前置依赖：
  • 现代浏览器（推荐 Chrome, Firefox 或 Edge）。
  • 稳定的网络连接（用于访问 ottoml.online 及 Wit.ai NLP 服务）。
  • （可选）若需运行生成的代码，本地需安装 Python 3.x 及基础机器学习库（如 scikit-learn, tensorflow/keras），但这通常在将代码部署到 Google Colab 后由云端环境自动处理。

注意：目前该项目主要提供在线 Web 服务体验，暂无直接的 pip install otto 命令行工具包。以下使用步骤均基于其官方 Web 平台。

安装步骤

Otto 无需传统意义上的“安装”，请直接通过浏览器访问即可使用：

1. 打开浏览器。
2. 访问官方网址：

   https://ottoml.online/
   

3. 页面加载完成后，即可在对话框中开始与 Otto 交互。

(注：如果您希望查看源码或在本地开发贡献，可以克隆其 GitHub 仓库，但普通用户直接使用网页版即可获得完整功能。)

基本使用

Otto 的核心在于“用自然语言描述目标”。以下是几个最简单的使用示例，帮助您快速上手：

1. 快速体验分类任务（鸢尾花数据集）

直接在对话框输入以下英文指令（目前主要支持英文指令解析）：

I want to label flower species by petal length

效果：Otto 会自动识别意图，预填充管道组件，并使用著名的 Iris 数据集为您展示 K-近邻（KNN）分类的可视化结果。

2. 探索回归分析

在界面中选择 Regression > Sample Dataset，或者输入：

help me forecast stock prices

效果：系统将预览回归相关的样本数据集，并展示不同最佳拟合线以发现最强的预测因子。

3. 自定义任务与神经网络设计

尝试输入更具体的场景描述：

Detect fraudulent credit card activity

随后选择 Custom Dataset 选项。 效果：Otto 将推荐合适的模型，并启动交互式神经网络设计器，允许您调整网络架构。

4. 自然语言处理（情感分析）

输入：

I'd like to interpret the mood of a review

效果：系统将调用基于 Wit.ai 的自然语言模型，实时演示情感分析和实体识别功能。

5. 获取代码

完成上述任意步骤后，Otto 会展示最终的流水线配置。点击界面上的 Copy Code 按钮，即可复制生成的 Python 代码到您的剪贴板；或点击 Deploy to Google Colab 直接在云端运行该代码。

---

提示：虽然界面和指令目前以英文为主，但其生成的代码是标准的 Python 代码，完全兼容国内开发者的工作流。您可以将生成的代码复制到本地的 Jupyter Notebook 或 PyCharm 中进行进一步研究和修改。