Въведение в архитектурата на машинното обучение
Архитектурата на машинното обучение като предмет се развива през последните периоди от концепция за фантазия до доказване на реалността.
Това, което се развива от основен подход за разпознаване на образи, е да се поставят основи за разработването на основна платформа за изкуствен интелект. Основната идея беше да се определи дали машините са способни да се учат от предоставените им данни и да станат способни да произвеждат повтарящи се действия с по-голяма надеждност и ефективно вземане на решения. По този начин можем да определим машинното обучение като клон на изкуствения интелект, който обучава машини на как да науча. Способността за машинно обучение прави система, способна да извършва вземане на решения без изрични данни от потребителите. Тази способност се развива в системата на базата на извадково пространство от данни, наречени тренировъчни данни. Използването на машинно обучение е видимо в днешно време при всеки технологичен напредък, тъй като способността му мобилните системи да предлагат избор в приложения, базирани на предишни търсения на потребителя, в менюто, основано на събития в сайтове на ресторанти, за разпределение на леглата за влакове въз основа на възрастта, и др. В по-голям контекст машинното обучение може да се разглежда като приложение за прогнозна анализа.
Машинното обучение може да бъде официално определено като технология за анализ на данни, за да се извлекат знания от системата без изрично определение за провеждане на същото въз основа на поредица от наблюдения.
Видове архитектура на машинно обучение
Архитектурата на машинното обучение може да бъде категоризирана въз основа на алгоритъма, използван в обучението.
1. Контролирано обучение
При контролираното обучение данните за обучение, използвани за това, са математически модел, който се състои както от входни данни, така и от желани резултати. Всеки съответен вход има зададен изход, който е известен също като надзорен сигнал. Чрез наличната тренировъчна матрица системата е в състояние да определи връзката между входа и изхода и да използва същото в следващите входове след тренировка, за да определи съответния изход. Контролираното обучение може допълнително да се разшири до класификационен и регресионен анализ въз основа на резултатите от критериите. Анализът на класификацията е представен, когато изходите са ограничени по своя характер и са ограничени до набор от стойности. Регресионният анализ обаче определя числов диапазон от стойности за изхода. Примери за контролирано обучение се виждат в системите за разпознаване на лица, проверка на високоговорителите.
2. Неуправляемо обучение
За разлика от контролираното обучение, обучението без надзор използва данни за обучение, които не съдържат резултати. Неуправляемото обучение идентифицира вход за връзка въз основа на тенденции, общи и изходът се определя въз основа на присъствие / отсъствие на такива тенденции в потребителския вход.
3. Подсилващо обучение
Това се използва за обучение на системата за вземане на решение за конкретен контекст на релевантност, като се използват различни алгоритми за определяне на правилния подход в контекста на настоящото състояние. Те се използват широко при обучението на портали за игри, за да работят съответно върху потребителските входове.
Архитектура на процеса на машинно обучение
Фиг.: - Блок-схема на архитектурата на потока на решения за системи за машинно обучение,
Нека сега се опитаме да разберем слоевете, представени на изображението по-горе.
1. Придобиване на данни
Тъй като машинното обучение се основава на налични данни за системата, за да вземе решение, следователно първата стъпка, дефинирана в архитектурата, е събиране на данни. Това включва събиране на данни, подготовка и сегрегиране на сценариите на случая въз основа на определени характеристики, свързани с цикъла на вземане на решения и изпращане на данните към обработващото звено за извършване на по-нататъшна категоризация. Този етап понякога се нарича етап на предварителна обработка на данни. Моделът на данните очаква надеждни, бързи и еластични данни, които могат да бъдат дискретни или непрекъснати по своята същност. След това данните се предават в системи за обработка на потоци (за непрекъснати данни) и се съхраняват в складови бази данни (за дискретни данни), преди да бъдат предадени на етапите на моделиране или обработка на данни.
2. Обработка на данни
Получените данни в слоя за събиране на данни след това се изпращат към слоя за обработка на данни, където са подложени на усъвършенствана интеграция и обработка и включват нормализиране на данните, почистване на данни, преобразуване и кодиране. Обработката на данни също зависи от вида на обучението, което се използва. Например, ако се използва контролирано обучение, данните са необходими, за да бъдат разделени на няколко етапа от примерни данни, необходими за обучението на системата, а така създадените данни се наричат данни за примерни тренировки или просто данни за обучение. Също така обработката на данни зависи от вида на необходимата обработка и може да включва избор, вариращ от действие при непрекъснати данни, което ще включва използването на специфична функционална архитектура, например, ламбда архитектура. Също така може да включва действие върху дискретни данни, които могат изискват обработка, свързана с памет. Слоят за обработка на данни определя дали обработката на паметта трябва да се извърши на данни в транзит или в покой.
3. Моделиране на данни
Този слой от архитектурата включва избор на различни алгоритми, които могат да адаптират системата за справяне с проблема, за който се разработва обучението. Тези алгоритми се развиват или се наследяват от набор от библиотеки. Алгоритмите се използват за съответното моделиране на данните, това прави системата готова за стъпка на изпълнение.
4. Изпълнение
Този етап в машинното обучение е мястото, където се прави експериментирането, включва се тестване и се извършват настройки. Общата цел, която стои зад оптимизирането на алгоритъма, за да се извлекат необходимите резултати от машината и да се увеличи максимално производителността на системата, Резултатът от стъпката е усъвършенствано решение, способно да осигури необходимите данни за машината за вземане на решения.
5. Разгръщане
Както всеки друг изход на софтуер, изходите от ML трябва да бъдат оперирани или да бъдат препратени за по-нататъшна проучвателна обработка. Резултатът може да се разглежда като недетерминирана заявка, която трябва да бъде допълнително внедрена в системата за вземане на решения.
Препоръчва се безпроблемно да се премести продукцията на ML директно в производство, където това ще даде възможност на машината директно да взема решения въз основа на продукцията и да намали зависимостта от по-нататъшните изследователски стъпки.
Заключения
Архитектурата на машинното обучение заема сега най-големия интерес в индустрията, тъй като всеки процес търси оптимизиране на наличните ресурси и продукция въз основа на наличните исторически данни, освен това машинното обучение включва големи предимства относно прогнозирането на данните и прогнозната анализа, когато е съчетано с технологията за научни данни. Архитектурата на машинното обучение дефинира различните слоеве, участващи в цикъла на машинното обучение и включва основните стъпки, които се извършват при преобразуването на сурови данни в набори от данни за обучение, способни да позволят вземането на решения на система.
Препоръчителни статии
Това е ръководство за архитектура на машинно обучение. Тук обсъдихме концепцията, процеса и видовете архитектура на машинното обучение. Можете да разгледате и другите ни предложени статии, за да научите повече -
- Контролирано обучение срещу задълбочено обучение
- Какво е API в Java?
- Какво е HBase архитектура?
- Какво е преливане на буфер?