在Autokeras中，可以通过使用适当的读取数据函数将数据加载到回归问题中。以下是使用Autokeras进行回归任务的代码示例，其中涉及将数据从硬盘中加载：

import autokeras as ak
from sklearn.model_selection import train_test_split
import pandas as pd

# 从硬盘中读取数据
data = pd.read_csv('path/to/data.csv')

# 数据预处理和划分
x = data.iloc[:, :-1]
y = data.iloc[:, -1]
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)

# 使用autokeras模型进行回归任务
reg = ak.StructuredDataRegressor(max_trials=10, overwrite=True)
reg.fit(x_train, y_train, epochs=50)

# 评估模型并打印出结果
mse, mae = reg.evaluate(x_test, y_test)
print('mean_squared_error={}, mean_absolute_error={}'.format(mse, mae))

在上述代码中，我们指定了数据文件的路径，并使用Pandas的read_csv()函数从硬盘中读取数据。接下来，我们对数据进行预处理并使用train_test_split()函数将数据划分为训练集和测试集。最后，我们使用autokeras的StructuredDataRegressor模型对训练数据进行训练，并对测试集进行评估。

请注意，此处的代码只是一个示例，实际上，您需要根据您的数据类型和问题选择合适的Autokeras模型和数据预处理方法。