接着在pyCharm打开工程，点击“Run Training Job”：
填写参数，可以参考ModelArts训练模型时填写的参数：
训练完成后，训练模型保存在OBS中 /工程名/output/V0006/。
自动学习
在典型的机器学习应用场景中，开发者还必须选择合适的数据预处理工具，特征提取和特征选择方法，从而使原始数据适合机器学习的输入。 在经过这些预处理步骤之后，开发者通常需要根据经验选择恰当的模型算法，以满足当前的场景需求。同时在做模型训练的时候，通常需要做大量的超参数优化，以获得比较优异的的机器学习模型的预测性能。
比如说深度学习在语音识别，图像识别等领域已经取得了令人瞩目的成就。AlexNet在2012年在ImageNet挑战中打败了所有其他传统模型之后，越来越多更加复杂的网络结构被提出来了，网络的层数越来越深，目前的网络已经从最初AlexNet的5个卷积层，增长到目前的上百层，其中涉及到的参数也超过了1亿个。而这些参数都是基于研究人员不断的试错以及调参经验所确定的。而这些通过人工调参得到的模型通常只能针对某一类问题（比如说图像分类）有突出的性能，在遇到新的需要AI建模的问题的时候，通常需要重新构建AI模型，所以在构建AI模型的时候，研究人员需要花费大量的时间和计算资源。
为了降低模型构建的成本，提升AI建模的效率，研究人员提出了自动机器学习（AutoML）的概念，针对特定的机器学习任务，AutoML能够端到端的完成数据处理，特征提取，模型选择以及模型评估。
谈一个ModelArts的自动学习案例-心脏病预测。我们已经了解了机器学习预测模型的实现原理，本文我们并不会自己动手从头实现，因为当前预测算法已经非常成熟，我们完全可以利用一些公有云大厂提供的自动学习技术，实现模型的快速训练及预测。本案例我们采用的是华为云的公有云AI平台ModelArts，数据来源Kaggle网站。
Kaggle是一家在线AI竞赛网站，开源提供了针对各个行业的脱敏数据，用于支持学生训练对应的AI模型。
首先需要下载开源数据集，原始数据（已开源的脱敏数据）下载地址如下：
https://www.kaggle.com/johnsmith88/heart-disease-dataset
打开csv文件，你可以看到如下图所示：
上图中的数据集截图中包括了14个字段，对这14个字段的含义做逐一解释：
Age：年龄；
Sex：性别；
chest pain type (4 values)：胸部疼痛类型；
resting blood pressure：静息血压；
serum cholestoral in mg/dl：血浆胆固醇水平；
fasting blood sugar > 120 mg/dl：空腹血糖>120 mg/dl；
resting electrocardiographic results (values 0,1,2)：静息心电图结果；
maximum heart rate achieved：最大心率；
exercise induced angina：与运动相关的心绞痛；
oldpeak = ST depression induced by exercise relative to rest：与静息时比较，运动导致的ST段下移；
the slope of the peak exercise ST segment：心电图ST segment的倾斜度；
number of major vessels (0-3) colored by flourosopy：透视检查看到的血管数；
thal: 1 = normal; 2 = fixed defect; 3 = reversable defect：检测方式；
target：0和1。