自动化建模程序是一种 将机器学习模型开发过程中耗时的反复性任务自动化的过程。它可以帮助业务人员、初学者、数据科学家、分析师和开发人员生成高度可缩放、高效且高产能的ML模型，同时保证模型的质量。自动化建模程序通常包括以下几个步骤：
数据准备：
包括数据收集、数据清洗和特征工程。
模型选择：
通过自动特征学习和模型自动选择来选择最优模型。
模型训练：
使用训练集数据训练模型，并进行超参数调优。
模型评估：
通过准确率、召回率、F1分数等指标评估模型性能。
模型部署：
保存训练好的模型，并在需要时加载模型进行预测和监控。
此外，还有一些具体的自动化建模工具和平台，如AutoAI、IBM Watson Studio、Google Cloud AutoML、YModel和TPOT等，它们能够进一步简化和自动化建模的各个步骤，提高建模效率和准确性。