Úvod do strojového učení
Arthur Samuel vytvořil termín strojové učení v roce 1959. Americký průkopník v počítačových hrách a umělé inteligenci řekl: „dává počítačům možnost učit se bez explicitního programování. Strojové učení je nové heslo, které se vznáší kolem. Zaslouží si to být jedním z nejzajímavějších podoblastí v informatice. Programy umělé inteligence byly obecně explicitně plánovány k plnění úkolů v minulosti. Ve většině případů „učení“ spočívalo v přizpůsobení několika parametrů pevné implementaci tak, aby fakta byla přidána do sbírky dalších faktů (znalostní báze), a poté (efektivně) hledání řešení problému z jednoho známé řešení jiného. ve formě cesty několika malých kroků. V tomto tématu se budeme učit o nástrojích strojového učení.
Co je nástroj pro strojové učení?
Nástroje strojového učení jsou aplikace umělé inteligence-algoritmy, které poskytují systémům schopnost porozumět a zlepšit se bez značného lidského vstupu. Umožňuje softwaru, aniž by byl explicitně naprogramován, přesněji předpovídat výsledky. Nástroje strojového učení s tréninkovými koly jsou algoritmy pod dohledem. Vyžadují, aby jednotlivec naplánoval jak vstup, tak požadovaný výstup a poskytl zpětnou vazbu o přesnosti konečných výsledků. Neupozorované algoritmy vyžadují velmi malou lidskou intervenci pomocí přístupu „hlubokého učení“, aby bylo možné zkontrolovat rozsáhlé databáze a dospět k závěrům z předchozích příkladů údajů o školení; obvykle se tedy používají pro složitější úkoly zpracování, jako je povědomí o obrázcích, převádění textu na řeč a generování přirozených jazyků.
Nástroje strojového učení se skládají z
- Příprava a sběr údajů
- Stavební modely
- Nasazení a školení aplikací
Lokální nástroje pro telekomunikace a dálkové učení
Můžeme porovnat nástroje strojového učení s místními a vzdálenými. Můžete si stáhnout a nainstalovat místní nástroj a použít jej lokálně, ale vzdálený nástroj běží na externím serveru.
-
Místní nástroje
V místním prostředí si můžete stáhnout, nainstalovat a spustit místní nástroj.
Charakteristiky místních nástrojů jsou následující:
- Přizpůsobeno pro data a algoritmy v paměti.
- Řízení provádění konfigurace a parametrizace.
- Integrujte své systémy tak, aby vyhovovaly vašim požadavkům.
Příklady místních nástrojů jsou Shogun, Golearn for Go atd.
-
Vzdálené nástroje
Tento nástroj je hostován ze serveru a zavolán do místního prostředí. Tyto nástroje se často nazývají strojové učení jako služba (MLaaS)
- Přizpůsobeno tak, aby větší soubory dat mohly být provozovány v měřítku.
- Spusťte více zařízení, více jader a sdílené úložiště.
- Jednodušší rozhraní, která poskytují menší kontrolu konfigurace a parametrizaci algoritmu.
Příklady těchto nástrojů jsou strojové učení v AWS, predikace v Google, Apache Mahout atd.
Nástroje pro strojové učení:
Níže jsou uvedeny různé nástroje strojového učení, které jsou následující:
TensorFlow
Toto je knihovna strojového učení od společnosti Google Brain organizace AI společnosti Google, která byla vydána v roce 2015. Tensor Flow vám umožňuje vytvářet si vlastní knihovny. Kvůli flexibilitě můžeme také použít jazyk C ++ a python. Důležitou charakteristikou této knihovny je to, že diagramy toku dat se používají k reprezentaci numerických výpočtů pomocí uzlů a hran. Matematické operace jsou reprezentovány uzly, zatímco hrany označují vícerozměrná datová pole, na kterých se operace provádějí. TensorFlow je používán mnoha slavnými společnostmi, jako jsou eBay, Twitter, Dropbox atd. Poskytuje také skvělé vývojové nástroje, zejména v Androidu.
Keras
Keras je hluboce se rozvíjející knihovna Python, která může běžet na vrcholu Theano, TensorFlow. Francois Chollet, člen týmu Google Brain, jej vyvinul, aby vědcům s údaji umožnil rychle spouštět programy strojového učení. Díky použití vysoce srozumitelného rozhraní knihovny a rozdělení sítí do sekvencí samostatných modulů je možné rychlé vytváření prototypů. To je více populární kvůli uživatelskému rozhraní, snadnosti rozšiřitelnosti a modularity. Běží na CPU i GPU.
Scikit-learn
Scikit-learn, který byl poprvé uveden na trh v roce 2007, je knihovna s otevřeným zdrojovým kódem pro strojové učení. Python je skriptovací jazyk tohoto rámce a zahrnuje několik modelů strojového učení, jako je klasifikace, regrese, shlukování a zmenšení rozměrnosti. Scikit-learn je navržen na třech open source projektech - Matplotlib, NumPy a SciPy.
Scikit-learn poskytuje uživatelům n počet algoritmů strojového učení. Rámcová knihovna se zaměřuje na modelování dat, ale nikoli na načítání, sumarizaci a manipulaci s daty.
Caffe2
Caffe2 je aktualizovaná verze Caffe. Je to lehký, otevřený zdrojový strojový učební nástroj vyvinutý společností Facebook. Má rozsáhlou knihovnu strojového učení pro spouštění složitých modelů. Podporuje také mobilní nasazení. Tato knihovna má rozhraní C ++ a Python API, které vývojářům umožňuje nejprve prototypovat, a optimalizaci lze provést později
Apache Spark MLlib
Apache Spark MLlib je distribuovaný rámec pro strojové učení. Jádro Spark je vyvinuto nahoře. Apache jiskry MLlib je devětkrát rychlejší z implementace na disku. Široce se používá jako projekt s otevřeným zdrojovým kódem, který usnadňuje zaměření na strojové učení.
Apache Spark MLlib má knihovnu pro škálovatelné odborné vzdělávání. MLlib zahrnuje algoritmy pro regresi, kolaborativní filtry, shlukování, stromy rozhodnutí, pipeline API vyšších úrovní.
OpenNN
OpenNN je vyvinut společností Artelnics pro umělou inteligenci. OpenNN je pokročilá analytická firmwarová knihovna napsaná v C ++. Nejúspěšnější metodou strojového učení je implementace neuronových sítí. Má vysoký výkon. Rychlost provádění a přidělení paměti této knihovny vyniknout.
Amazon SageMaker
Amazon SageMaker je plně spravovaná služba, která umožňuje výzkumníkům a vývojářům dat rychle a snadno vytvářet, školit a implementovat modely strojového učení v libovolném měřítku. Amazon SageMaker podporuje notebooky Jupyter s otevřeným zdrojovým kódem, které vývojářům pomáhají sdílet živé kódy. Tyto notebooky zahrnují ovladače, balíčky a knihovny pro běžné platformy pro hluboké učení a rámce pro uživatele SageMaker. Amazon SageMaker volitelně šifruje modely během i během přenosu prostřednictvím AWS Key Management Service a požadavky API jsou prováděny přes zabezpečené připojení k soketové vrstvě. SageMaker také ukládá kód do svazků, které jsou chráněny a šifrovány skupinami zabezpečení.
Závěr
Před vývojem aplikací strojového učení je velmi důležité vybrat nástroj strojového učení, který má rozsáhlé knihovny, skvělé uživatelské rozhraní a podporu běžných programovacích jazyků. Toto byl průvodce nástroji strojového učení, který vám pomůže při výběru požadované technologie.
Doporučené články
Toto byl průvodce nástroji pro strojové učení. Zde jsme diskutovali o Nástrojích pro strojové učení a místních nástrojích pro telekomunikace a dálkové učení. Další informace naleznete také v dalších navrhovaných článcích.
- Co je strojové učení?
- Techniky strojového učení
- Kariéra ve strojovém učení
- Strojové učení vs statistika
- Matplotlib V Pythonu