本书聚焦机器学习自动化的发展趋势，系统介绍了AutoML的核心原理、关键方法、系统架构与典型应用，辅以多个完整项目，帮助读者实现从理解到实战的过渡。本书内容涵盖传统流程自动化（如模型选择与参数调优）、深度学习架构搜索（如NAS）、到大语言模型与LLMAgent系统优化，展现AutoML技术的全景图谱。本书分为四个部分：第一部分介绍机器学习流程的工程复杂性，提出自动建模的需求，并建立AutoML的基本定义、优化目标与系统流程框架；第二部分聚焦NAS，讲解搜索空间构造、搜索策略（如进化、可微）与模型评估方法，全面解析结构搜索自动化技术；第三部分聚焦AutoML在结构优化、数据策略与大模型上的应用，包括损失函数搜索、激活函数搜索、数据增强策略、LLM模型压缩与融合，以及LLMAgent与AutoML的融合方式；第四部分提供实战项目，包括基于随机搜索的NAS入门实践、可微与进化搜索开发，以及LLM剪枝优化的研究示例，配有代码与完整流程。