Увод у архитектуру машинског учења
Архитектура машинског учења као предмета еволуирала је у последњим периодима од концепта фантазије до доказа реалности.
Оно што се развило из основног приступа препознавању образаца је постављање темеља за развој велике платформе вештачке интелигенције. Основна идеја је била да се утврди да ли су машине способне да уче на основу података који су им пружени и постају способни да производе поновљиве акције са већом поузданошћу и ефикасним доношењем одлука. Дакле, машинско учење можемо дефинисати као грану вештачке интелигенције која обучава машине на како научити Способност машинског учења чини систем способан за доношење одлука без експлицитних уноса од стране корисника. Ова способност је развијена у систему заснована на узорку простора података који се називају подаци о тренингу. Употреба машинског учења видљива је данас у сваком технолошком напретку, јер је њена способност да мобилни системи предлажу изборе у апликацијама на основу претходних претрага корисника, у менију ресторана заснованом на догађајима на веб локацијама у ресторанима, према распоређивању веза за воз у зависности од старосне доби, итд. У ширем контексту машинско учење се може сматрати апликацијом за предиктивну аналитику.
Машинско учење може се формално дефинисати као технологија анализе података да би систем могао да извуче знање без икакве експлицитне дефиниције да га спроведе на основу низа опажања.
Врсте архитектуре машинског учења
Архитектура машинског учења може се категорисати на основу алгоритма који се користи у обуци.
1. Надзирано учење
У супервизираном учењу, подаци о тренинзима који се користе су математички модел који се састоји од улаза и жељених резултата. Сваки одговарајући улаз има додељени излаз који је такође познат као надзорни сигнал. Кроз расположиву матрицу тренинга, систем је у могућности да одреди однос између улаза и излаза и употреби исти у каснијим улазима након тренинга како би одредио одговарајући излаз. Надзирано учење може се даље проширити на класификацију и регресијску анализу на основу излазних критеријума. Анализа класификације представља се када су излази ограничени по природи и ограничени на скуп вредности. Међутим, регресијска анализа дефинира бројчани распон вриједности за излаз. Примери надгледаног учења виде се у системима за детекцију лица, системима за верификацију звучника.
2. Ненадзоровано учење
За разлику од учења под надзором, неконтролирано учење користи податке о тренингу који не садрже излаз. Ненадзирано учење идентификује однос улаза на основу трендова, заједништва, а излаз се одређује на основу присуства / непостојања таквих трендова у корисничком уносу.
3. Ојачавање обуке
Ово се користи у обуци система да се одлучи о одређеном контексту важности помоћу различитих алгоритама за одређивање исправног приступа у контексту садашњег стања. Они се широко користе у обуци портала за играње да би на одговарајући начин радили на корисничким улозима.
Архитектура процеса машинског учења
Слика: - Блок дијаграм архитектуре протока одлука за системе машинског учења,
Покушајмо сада да разумемо слојеве представљене на горњој слици.
1. Набавка података
Како се машинско учење заснива на доступним подацима да би систем могао донијети одлуку, стога је први корак дефиниран у архитектури прикупљање података. То укључује прикупљање података, припрему и сегрегацију сценарија случаја на основу одређених карактеристика укључених у циклус доношења одлука и просљеђивање података у процесну јединицу ради даљег категоризирања. Ова фаза се понекад назива и фаза претходне обраде података. Модел података очекује поуздане, брзе и еластичне податке који по природи могу бити дискретни или континуирани. Подаци се затим просљеђују у системе за обраду података (за континуиране податке) и чувају се у складиштима серије података (за дискретне податке) прије него што се прослиједе у фазе моделирања или обраде података.
2. Обрада података
Примљени подаци у слоју за прикупљање података тада се шаљу на слој за обраду података где је подвргнут напредној интеграцији и обради и укључује нормализацију података, чишћење података, трансформацију и кодирање. Обрада података такође зависи од врсте учења која се користи. На пример, ако се користи надгледано учење, подаци ће бити потребни да би били раздељени у више корака узорака података потребних за обуку система, а тако створени подаци називају се подаци о узорку тренинга или једноставно подацима о обуци. Такође, обрада података зависи од врсте обраде која се захтева и може укључивати изборе у распону од акције до континуираних података који ће укључивати употребу специфичне архитектуре засноване на функцијама, на пример, ламбда архитектура. Такође може укључивати и радњу на дискретне податке који могу захтевају обраду меморије. Слој за обраду података дефинира да ли ће се обрада меморије радити у транзиту или у мировању.
3. Моделирање података
Овај слој архитектуре укључује избор различитих алгоритама који би могли да прилагоде систем решавању проблема за који је учење осмишљено. Ови алгоритми се развијају или се наслеђују из скупа библиотека. Алгоритми се користе за моделирање података у складу с тим, то чини систем спреман за извршење.
4. Извршење
У овој фази машинског учења обавља се експериментирање, укључују тестирање и проводе се подешавања. Општи циљ који стоји иза оптимизације алгоритма како би се извукао тражени исход машине и максимализовао перформансе система, Излаз корака је рафинирано решење способно да пружи потребне податке за машину да доноси одлуке.
5. Примена
Као и било који други излаз софтвера, и резултати МЛ морају бити операционализовани или прослеђени на даљу истраживачку обраду. Излаз се може сматрати недетерминистичким упитом који треба даље распоредити у систем доношења одлука.
Саветује се неприметно премештање излазних резултата директно у производњу где ће машини омогућити да директно доноси одлуке на основу резултата и умањити зависност о даљим истраживачким корацима.
Закључци
Архитектура машинског учења за сада има највећи интерес у индустрији, јер сваки процес тражи оптимизацију расположивих ресурса и резултата заснованих на историјским доступним подацима, такође, машинско учење укључује велике предности у вези са прогнозирањем података и предиктивном аналитиком у комбинацији са технологијом науке података. Архитектура машинског учења дефинише различите слојеве који су укључени у циклус машинског учења и укључује главне кораке који се проводе у претварању необрађених података у скупове података о тренингу који би могли да омогуће доношење одлука у систему.
Препоручени чланци
Ово је водич за архитектуру машинског учења. Овде смо разговарали о концепту, процесу и типовима архитектуре машинског учења. Можете и да прођете кроз друге наше Предложене чланке да бисте сазнали више -
- Надзирано учење вс Дубоко учење
- Шта је АПИ на Јави?
- Шта је ХБасе архитектура?
- Шта је пуњење пуфера?