Въведение в машинното обучение

Артър Самуел въвежда термина машинно обучение през 1959 г. Американски пионер в компютърните игри и изкуствения интелект казва, че „дава на компютрите възможност да учат без изрично програмиране. Машинното обучение е ново мото, което плава наоколо. Заслужава да бъде едно от най-интересните подполета в компютърните науки. Програмите за изкуствено разузнаване обикновено са били изрично планирани за изпълнение на задачи в миналото. В повечето случаи „Ученето“ се състоеше в адаптиране на няколко параметъра към фиксирана реализация, така че фактите да бъдат добавени към колекция от други факти (база от знания) и след това (ефективно) търсене на решение на проблема от един известно решение на друг. под формата на пътека от няколко малки стъпки. В тази тема ще научим за инструментите за машинно обучение.

Какво е инструмент за машинно обучение?

Инструментите за машинно обучение са алгоритмични приложения за изкуствен интелект, които предоставят на системите способност да разбират и подобряват без значителни човешки принос. Той позволява на софтуера, без да е изрично програмиран, да прогнозира по-точно резултатите. Инструментите за машинно обучение с колела за обучение са контролирани алгоритми. Те изискват от индивида да планира както входа, така и желания изход и да предостави обратна връзка относно точността на крайните резултати. Ненадзорните алгоритми изискват много малко човешка намеса, като използват подход „задълбочено обучение“, за да се проверят масивни бази данни и да се стигне до заключения от предишни примерни данни за обучение; по този начин те обикновено се използват за по-сложни задачи за обработка, като осъзнаване на изображенията, реч в текст и генериране на естествени езици.

Инструментите за машинно обучение се състоят от

  1. Подготовка и събиране на данни
  2. Изграждане на модели
  3. Разгръщане на приложения и обучение

Местни инструменти за телекомуникация и дистанционно обучение

Можем да сравним инструментите за машинно обучение с локални и дистанционни. Можете да изтеглите и инсталирате локален инструмент и да го използвате локално, но отдалечен инструмент работи на външен сървър.

  • Местни инструменти

Можете да изтеглите, инсталирате и стартирате локален инструмент в местната си среда.

Характеристиките на локалните инструменти са както следва:

  1. Адаптиран за данни и алгоритми в паметта.
  2. Контрол за изпълнение на конфигурация и параметризация.
  3. Интегрирайте системите си, за да задоволите вашите изисквания.

Примери за локални инструменти са Shogun, Golearn for Go и т.н.

  • Отдалечени инструменти

Този инструмент се хоства от сървъра и се извиква към вашата местна среда. Тези инструменти често се наричат ​​машинно обучение като услуга (MLaaS)

  1. Персонализирано за по-големи набори от данни да работи в мащаб.
  2. Изпълнете множество устройства, няколко ядра и споделено съхранение.
  3. По-прости интерфейси, които осигуряват по-малко контрол на конфигурацията и параметризиране на алгоритъма.

Примери за тези инструменти са машинно обучение в AWS, предсказване в Google, Apache Mahout и т.н.

Инструменти за машинно обучение:

По-долу са различните инструменти за машинно обучение, които са както следва:

TensorFlow

Това е машинно библиотечно обучение от Google Brain на AI организацията на Google, издадено през 2015 г. Tensor Flow ви позволява да създавате свои собствени библиотеки. Можем също така да използваме C ++ и python език заради гъвкавостта. Важна характеристика на тази библиотека е, че диаграмите на потока от данни се използват за представяне на числови изчисления с помощта на възли и ръбове. Математическите операции са представени от възли, докато ръбовете означават многоизмерни масиви от данни, върху които се извършват операции. TensorFlow се използва от много известни компании като eBay, Twitter, Dropbox и др. Той също така предоставя страхотни инструменти за развитие, особено в Android.

Keras

Keras е библиотека Python с дълбоко обучение, която може да работи върху Theano, TensorFlow. Франсоа Чолт, член на екипа на Google Brain, го разработи, за да даде възможност на учените по данни да изпълняват програми за машинно обучение бързо. Поради използването на разбираем интерфейс на библиотеката на високо ниво и разделяне на мрежи в последователности от отделни модули е възможно бързо прототипиране. Той е по-популярен заради потребителския интерфейс, лекотата на разширяемост и модулност. Работи на CPU, както и на GPU.

Scikit-научите

Scikit-learn, който беше пуснат за първи път през 2007 г., е библиотека с отворен код за машинно обучение. Python е скриптов език на тази рамка и включва няколко модела на машинно обучение като класификация, регресия, групиране и намаляване на размерността. Scikit-learn е проектиран върху три проекта с отворен код - Matplotlib, NumPy и SciPy.

Scikit-learn предоставя на потребителите n брой алгоритми за машинно обучение. Рамковата библиотека се фокусира върху моделирането на данни, но не върху зареждането, обобщаването, манипулирането на данни.

Caffe2

Caffe2 е актуализирана версия на Caffe. Това е лек, отворен код за машинно обучение, разработен от Facebook. Разполага с богата библиотека за машинно обучение за изпълнение на сложни модели. Също така, той поддържа мобилно внедряване. Тази библиотека има C ++ и Python API, което позволява на разработчиците да прототипират първо, а оптимизацията може да се направи по-късно

Apache Spark MLlib

Apache Spark MLlib е разпределена рамка за машинно обучение. Ядрото на Spark е разработено в горната част. Apache искри MLlib е девет пъти по-бърз от дисково изпълнение. Той се използва широко като проект с отворен код, който прави фокуса върху машинното обучение, за да го направи лесно.

Apache Spark MLlib разполага с библиотека за мащабируемо професионално обучение. MLlib включва алгоритми за регресия, съвместни филтри, клъстериране, дървета на решения, API на тръбопроводи от по-високи нива.

OpenNN

OpenNN е разработен от компанията за изкуствен интелект Artelnics. OpenNN е разширена библиотека на фърмуер за аналитичен софтуер, написана на C ++. Най-успешният метод за машинно обучение е внедряването на невронни мрежи. Той е с висока производителност. Скоростта на изпълнение и разпределението на паметта на тази библиотека се открояват.

Amazon SageMaker

Amazon SageMaker е напълно управлявана услуга, която позволява на изследователите и разработчиците на данни да изграждат, обучават и прилагат модели за машинно обучение във всякакъв мащаб бързо и лесно. Amazon SageMaker поддържа уеб-приложение с отворен код Jupyter тетрадки, които помагат на разработчиците да споделят жив код. Тези тетрадки включват драйвери, пакети и библиотеки за общи платформи за дълбоко обучение и рамки за потребителите на SageMaker. Amazon SageMaker по желание криптира модели както по време на, така и по време на транзит през AWS Key Management Service, а заявките за API се извършват през защитена връзка със слоя на сокета. SageMaker също съхранява код в обеми, които са защитени и криптирани от групите за сигурност.

заключение

Преди разработването на приложения за машинно обучение е много важно да изберете инструмент за машинно обучение, който разполага с обширни библиотеки, страхотен потребителски интерфейс и поддръжка на общи езици за програмиране. Това е ръководство за инструментите за машинно обучение, които ще помогнат при избора на необходимата технология.

Препоръчителни статии

Това е ръководство за инструментите за машинно обучение. Тук сме обсъдили Инструментите за машинно обучение и местните инструменти за телекомуникация и дистанционно обучение. Можете също да прегледате и другите ни предложени статии, за да научите повече-

  1. Какво е машинно обучение?
  2. Техники за машинно обучение
  3. Кариери в машинното обучение
  4. Машинно обучение срещу статистика
  5. Matplotlib In Python

Категория:

Голяма информация