该技术围绕传统机器学习和深度学习自动化建模问题，研究实现面向AutoML的贝叶斯优化、遗传学习、强化学习、迁移学习等理论方法，以及自动化特征工程、自动化模型选择和参数优化等关键技术方法。在上述基础理论方法和基本技术指导和支撑下，将研究开发面向多种数据类型的自动化数据增强与特征工程技术、机器学习流水线自动化设计技术、动态变化与资源受限场景下的AutoML技术、深度神经网络架构搜索以及超参数优化技术等AutoML关键技术。基于上述基础理论方法与关键技术研究，进一步研究构建面向大数据智能分析应用的高效易用和一体化AutoML自动化建模系统平台，底层融合大数据存储处理与智能计算编程环境支撑能力，与上层的AutoML建模算法融为一体化的系统平台，并进一步开展大数据智能分析自动化建模示范性应用开发，以此验证所研究提出的AutoML关键技术方法、算法以及系统平台的有效性。