Úvod do strojového učenia
Arthur Samuel razil termín strojové učenie v roku 1959. Americký priekopník v oblasti počítačových hier a umelej inteligencie povedal, že „dáva počítačom možnosť učiť sa bez explicitného programovania. Strojové učenie je nové heslo, ktoré sa vznáša okolo. Zaslúži si byť jedným z najzaujímavejších čiastkových odborov informatiky. Programy umelej inteligencie boli vo všeobecnosti výslovne plánované na vykonávanie úloh v minulosti. Vo väčšine prípadov „učenie“ spočívalo v prispôsobení niekoľkých parametrov na pevnú implementáciu, aby sa fakty pridali do súboru ďalších faktov (vedomostnej základne), a potom (efektívne) hľadania riešenia problému z jedného známe riešenie iného. vo forme cesty niekoľkých malých krokov. V tejto téme sa dozvieme o nástrojoch strojového učenia.
Čo je nástroj na učenie strojov?
Nástroje strojového učenia sú aplikácie využívajúce algoritmy umelej inteligencie, ktoré poskytujú systémom schopnosť porozumieť a zlepšiť sa bez značného ľudského vkladu. Umožňuje softvéru bez výslovného naprogramovania presnejšie predpovedať výsledky. Nástroje strojového učenia s cvičnými kolesami sú dohliadané algoritmy. Vyžadujú od jednotlivca, aby naplánoval vstup aj požadovaný výstup a poskytol spätnú väzbu o presnosti konečných výsledkov. Algoritmy bez dozoru vyžadujú veľmi málo ľudských zásahov pomocou prístupu „hlbokého učenia“, aby sa skontrolovali rozsiahle databázy a dospeli sa k záverom z predchádzajúcich príkladov školenia založených na príkladoch; Zvyčajne sa preto používajú na zložitejšie úlohy spracovania, ako je napríklad povedomie o obrázkoch, prevod textu na reč a generovanie prirodzených jazykov.
Nástroje strojového učenia sa skladajú z
- Príprava a zber údajov
- Stavebné modely
- Nasadenie aplikácií a školenie
Lokálne nástroje pre telekomunikácie a diaľkové vzdelávanie
Môžeme porovnať nástroje strojového učenia s miestnymi a vzdialenými. Môžete si stiahnuť a nainštalovať lokálny nástroj a použiť ho lokálne, ale vzdialený nástroj beží na externom serveri.
-
Miestne nástroje
Môžete si stiahnuť, nainštalovať a spustiť lokálny nástroj vo svojom lokálnom prostredí.
Charakteristika miestnych nástrojov je nasledovná:
- Prispôsobené pre údaje a algoritmy v pamäti.
- Riadenie vykonávania konfigurácie a parametrizácie.
- Integrujte svoje systémy tak, aby vyhovovali vašim požiadavkám.
Príklady miestnych nástrojov sú Shogun, Golearn for Go atď.
-
Vzdialené nástroje
Tento nástroj je hostený zo servera a je volaný do vášho miestneho prostredia. Tieto nástroje sa často nazývajú strojové učenie ako služba (MLaaS)
- Prispôsobené tak, aby sa väčšia množina údajov mohla spúšťať na stupnici.
- Vykonajte viac zariadení, viac jadier a zdieľané úložisko.
- Jednoduchšie rozhrania, ktoré poskytujú menšiu kontrolu konfigurácie a parametrizáciu algoritmu.
Príkladmi týchto nástrojov sú strojové učenie v AWS, predikcia v Google, Apache Mahout atď.
Nástroje pre strojové učenie:
Nižšie sú uvedené rôzne nástroje strojového učenia, ktoré sú nasledujúce:
TensorFlow
Toto je knižnica strojového učenia od spoločnosti Google Brain organizácie AI spoločnosti Google vydaná v roku 2015. Tensor Flow vám umožňuje vytvoriť si vlastné knižnice. Kvôli flexibilite môžeme tiež používať jazyk C ++ a python. Dôležitou charakteristikou tejto knižnice je to, že diagramy toku údajov sa používajú na znázornenie numerických výpočtov pomocou uzlov a hrán. Matematické operácie sú reprezentované uzlami, zatiaľ čo hrany označujú viacrozmerné dátové polia, na ktorých sa operácie vykonávajú. TensorFlow používajú mnohé známe spoločnosti ako eBay, Twitter, Dropbox atď. Poskytuje tiež vynikajúce vývojové nástroje, najmä v systéme Android.
KERAS
Keras je hlboká výučba Pythonovej knižnice, ktorá môže bežať na vrchole Theano, TensorFlow. Francois Chollet, člen tímu Google Brain, ho vyvinul, aby vedcom údajov umožnil rýchle spustenie programov strojového učenia. Vďaka použitiu vysoko zrozumiteľného rozhrania knižnice a rozdelenia sietí do sekvencií samostatných modulov je možné rýchle vytváranie prototypov. Je obľúbenejší vďaka používateľskému rozhraniu, ľahkej rozšíriteľnosti a modularite. Beží na CPU aj GPU.
Scikit naučiť
Scikit-learn, ktorý bol prvýkrát vydaný v roku 2007, je otvorená zdrojová knižnica pre strojové učenie. Python je skriptovací jazyk tohto rámca a zahŕňa niekoľko modelov strojového učenia, ako je klasifikácia, regresia, zoskupovanie a zmenšovanie rozmerov. Scikit-learn je navrhnutý na troch open source projektoch - Matplotlib, NumPy a SciPy.
Scikit-learn poskytuje používateľom množstvo algoritmov strojového učenia. Knižnica rámcov sa zameriava na modelovanie údajov, ale nie na načítanie, sumarizáciu a manipuláciu s údajmi.
Caffe2
Caffe2 je aktualizovaná verzia Caffe. Je to ľahký, otvorený zdrojový strojový vzdelávací nástroj vyvinutý spoločnosťou Facebook. Má rozsiahlu knižnicu strojového učenia na spustenie zložitých modelov. Podporuje tiež mobilné nasadenie. Táto knižnica má rozhrania C ++ a Python API, ktoré vývojárom umožňujú prototypovať najskôr a optimalizáciu je možné vykonať neskôr
Apache Spark MLlib
Apache Spark MLlib je distribuovaný rámec pre strojové učenie. Jadro Spark je vyvinuté na vrchu. Apache iskry MLlib je deväťkrát rýchlejší z implementácie na disku. Používa sa široko ako projekt s otvoreným zdrojom, ktorý uľahčuje zameranie sa na strojové učenie.
Apache Spark MLlib má knižnicu pre škálovateľné odborné vzdelávanie. MLlib obsahuje algoritmy pre regresiu, kooperatívne filtre, zhlukovanie, rozhodovacie stromy, pipeline API vyšších úrovní.
OpenNN
OpenNN je vyvinutý spoločnosťou Artelnics pre umelú inteligenciu. OpenNN je knižnica pokročilých analytických firiem napísaná v jazyku C ++. Najúspešnejšou metódou strojového učenia je implementácia neurónových sietí. Má vysoký výkon. Rýchlosť vykonávania a pridelenie pamäte tejto knižnice vynikajú.
Amazon SageMaker
Amazon SageMaker je plne riadená služba, ktorá umožňuje výskumným pracovníkom a vývojárom údajov rýchlo a ľahko vytvárať, školiť a implementovať modely strojového učenia v akomkoľvek rozsahu. Amazon SageMaker podporuje notebooky Jupyter s otvoreným zdrojovým kódom, ktoré vývojárom pomáhajú zdieľať živé kódy. Tieto notebooky zahŕňajú ovládače, balíčky a knižnice pre bežné platformy na hlboké vzdelávanie a rámce pre používateľov SageMaker. Amazon SageMaker voliteľne šifruje modely počas prenosu aj počas prepravy prostredníctvom služby AWS Key Management Service a požiadavky API sa vykonávajú prostredníctvom zabezpečeného pripojenia k soketovej vrstve. SageMaker tiež ukladá kód do zväzkov, ktoré sú chránené a šifrované bezpečnostnými skupinami.
záver
Pred vývojom aplikácií strojového učenia je veľmi dôležité vybrať nástroj strojového učenia, ktorý má rozsiahle knižnice, vynikajúce používateľské rozhranie a podporu bežných programovacích jazykov. Toto bol sprievodca nástrojmi strojového učenia, ktoré vám pomôžu pri výbere požadovanej technológie.
Odporúčané články
Toto bol sprievodca nástrojmi Strojové učenie. Tu sme diskutovali o nástrojoch pre strojové učenie a miestnych nástrojoch pre telekomunikácie a diaľkové vzdelávanie. Viac informácií nájdete aj v ďalších navrhovaných článkoch.
- Čo je to strojové učenie?
- Techniky strojového učenia
- Kariéra v strojovom vzdelávaní
- Strojové učenie vs štatistika
- Matplotlib V Pythone