Увод у машинско учење
Артхур Самуел сковао је термин машинско учење 1959. Амерички пионир у рачунарском игрању и вештачкој интелигенцији рекао је да "он омогућава рачунарима могућност учења без експлицитног програмирања. Машинско учење је нови мото који лебди около. Заслужује да буде једно од најзанимљивијих под-поља информатике. Програми вештачке интелигенције углавном су изричито планирани да би обављали задатке у прошлости. У већини случајева, „учење“ се састојало од прилагођавања неколико параметара фиксној имплементацији како би се чињенице додале у скуп других чињеница (база знања), а затим (ефикасно) тражење решења проблема из једне познато решење другом. у облику путање од неколико малих корака. У овој теми ћемо сазнати више о алатима за машинско учење.
Шта је алат за машинско учење?
Алати за машинско учење су алгоритамске апликације вештачке интелигенције које системима пружају способност разумевања и побољшања без значајног људског доприноса. Омогућује софтверу, без експлицитног програмирања, да прецизније предвиди резултате. Машински алати за учење са точковима за обуку су надгледани алгоритми. Од њих се захтева да закаже унос и жељени излаз и пружи повратну информацију о тачности крајњих резултата. Ненадгледани алгоритми захтијевају врло мало људске интервенције користећи приступ „дубоког учења“ како би се провјериле огромне базе података и донијели закључци из претходних примјера обуке засновани на примјеру; на тај начин се опћенито користе за сложеније задатке за обраду, попут свијести о сликама, говору у текст и стварања природних језика.
Алат за машинско учење састоји се од
- Припрема и прикупљање података
- Израда модела
- Примена и обука апликација
Локални алати за телекомуникације и учење на даљину
Можемо упоредити алате за машинско учење са локалним и даљинским. Можете преузети и инсталирати локални алат и користити га локално, али удаљени алат ради на спољном серверу.
-
Локални алати
Можете преузети, инсталирати и покренути локални алат у вашем локалном окружењу.
Карактеристике локалног алата су следеће:
- Прилагођено за меморију података и алгоритама.
- Контрола извршења конфигурације и параметризације.
- Интегришите своје системе да удовоље вашим захтевима.
Примери локалних алата су Схогун, Голеарн фор Го итд.
-
Удаљени алати
Овај алат се хостира са сервера и позива се у ваше локално окружење. Ови инструменти се често називају машинско учење као услуга (МЛааС)
- Прилагођено за веће скупове података за извођење у скали.
- Извршите више уређаја, више језгара и заједничко складиштење.
- Једноставнија сучеља која пружају мању контролу конфигурације и параметрирање алгоритма.
Примери ових алата су машинско учење у АВС-у, предвиђање на Гоогле-у, Апацхе Махоут итд.
Алати за машинско учење:
Испод су различити алати машинског учења који су следећи:
ТенсорФлов
Ово је библиотека за машинско учење из Гоогле Браин из Гоогле-ове АИ организације издата 2015. године. Тенсор Флов омогућава вам да креирате сопствене библиотеке. Такође можемо да користимо Ц ++ и питхон језик због флексибилности. Важна карактеристика ове библиотеке је да се дијаграми протока података користе за представљање нумеричких израчунавања уз помоћ чворова и ивица. Математичке операције су представљене чворовима док ивице означавају вишедимензионалне низове података на којима се изводе операције. ТенсорФлов користе многе познате компаније попут еБаи, Твиттер, Дропбок, итд. Такође пружа сјајне алате за развој, посебно у Андроиду.
Керас
Керас је Питхон библиотека која дубоко учи и која се може покретати на врху Тхеаноа, ТенсорФлов. Францоис Цхоллет, члан Гоогле Браин тима, развио га је како би научницима података дао могућност брзог покретања програма за машинско учење. Због употребе разумљивог интерфејса библиотеке на високом нивоу и дељења мрежа у секвенце одвојених модула могуће је брзо прототипирање. Популарнији је због корисничког интерфејса, лакоће проширивања и модуларности. Ради на ЦПУ-у као и у ГПУ-у.
Сцикит-леарн
Сцикит-леарн, који је први пут објављен 2007. године, представља библиотеку отвореног кода за машинско учење. Питхон је скриптни језик овог оквира и укључује неколико модела машинског учења као што су класификација, регресија, групирање и смањење димензионалности. Сцикит-леарн је осмишљен на три пројекта отвореног кода - Матплотлиб, НумПи и СциПи.
Сцикит-леарнинг пружа корисницима број алгоритама машинског учења. Оквирна библиотека фокусирана је на моделирање података, али не и на учитавање, резимирање, манипулирање подацима.
Цаффе2
Цаффе2 је ажурирана верзија Цаффе-а. То је лаган алат за машинско учење отвореног кода који је развио Фацебоок. Има велику библиотеку машинског учења за покретање сложених модела. Такође, подржава мобилну имплементацију. Ова библиотека има Ц ++ и Питхон АПИ који омогућава програмерима да прво направе прототип, а оптимизација се може обавити касније
Апацхе Спарк МЛлиб
Апацхе Спарк МЛлиб је дистрибуирани оквир за машинско учење. Језгра искре је развијена на врху. Апацхе ствара МЛлиб деветоструко је бржи од имплементације на диску. Широко се користи као пројекат отвореног кода који чини фокус на машинско учење да би га олакшао.
Апацхе Спарк МЛлиб има библиотеку за скалабилну стручну обуку. МЛлиб укључује алгоритме за регресију, колаборативне филтере, кластерирање, стабла одлука, АПИ-е цевовода виших нивоа.
ОпенНН
ОпенНН је развила компанија за вештачку интелигенцију Артелницс. ОпенНН је библиотека напредног аналитичког софтвера написана на Ц ++. Најуспешнији метод машинског учења је примена неуронских мрежа. Високих је перформанси. Издвајају се брзина извршења и додељивање меморије ове библиотеке.
Амазон СагеМакер
Амазон СагеМакер је потпуно управљана услуга која омогућава истраживачима података и програмерима да брзо, лако и лако изграде, обуче и примене моделе машинског учења у било којој скали. Амазон СагеМакер подржава опен-соурце веб апликацију Јупитер нотебоок-ове који помажу програмерима да деле шифру уживо. Ове свеске укључују управљачке програме, пакете и библиотеке за заједничке платформе за дубоко учење и оквире за кориснике СагеМакер-а. Амазон СагеМакер опционо шифрује моделе током и током транзита кроз АВС Кеи Манагемент Сервице, а АПИ захтеви се изводе преко сигурне везе са слојем утичнице. СагеМакер такође чува код у количинама које су заштићене и шифроване од стране безбедносних група.
Закључак
Пре развијања апликација за машинско учење, врло је важно одабрати алатку за машинско учење која поседује опсежне библиотеке, одлично корисничко сучеље и подршку за уобичајене језике програмирања. Ово је водич за алатке за машинско учење који ће вам помоћи у одабиру потребне технологије.
Препоручени чланци
Ово је водич за алате за машинско учење. Овде смо разговарали о Алатима за машинско учење и локалним алатима за телекомуникације и учење на даљину. Можете и да прођете кроз друге наше предложене чланке да бисте сазнали више -
- Шта је машинско учење?
- Технике машинског учења
- Каријере у машинском учењу
- Машинско учење вс статистика
- Матплотлиб Ин Питхон