Wprowadzenie do architektury uczenia maszynowego
Architektura uczenia maszynowego jako przedmiot ewoluowała w ostatnich okresach od koncepcji fantasy do dowodu rzeczywistości.
To, co ewoluowało od podstawowego podejścia do rozpoznawania wzorców, stanowi podwaliny pod rozwój dużej platformy sztucznej inteligencji. Podstawową ideą było ustalenie, czy maszyny są w stanie uczyć się na podstawie dostarczonych im danych i stać się w stanie wykonywać powtarzalne działania o wyższej niezawodności i wydajnym podejmowaniu decyzji, dlatego możemy zdefiniować uczenie maszynowe jako gałąź sztucznej inteligencji, która trenuje maszyny Jak się nauczyć. Umiejętność uczenia maszynowego sprawia, że system może podejmować decyzje bez wyraźnego wkładu użytkowników. Ta zdolność została rozwinięta w system na podstawie przykładowej przestrzeni danych zwanej danymi szkoleniowymi. Wykorzystanie uczenia maszynowego jest obecnie widoczne przy każdym postępie technologicznym: zdolność systemów mobilnych do sugerowania wyborów w aplikacjach na podstawie wcześniejszych wyszukiwań użytkownika, menu wydarzeń w witrynach restauracji, przydzielania miejsc do cumowania pociągów na podstawie wieku, itp. W większym kontekście uczenie maszynowe można uznać za aplikację do analizy predykcyjnej.
Uczenie maszynowe można formalnie zdefiniować jako technologię analizy danych, aby wiedza mogła zostać wydobyta przez system bez jakiejkolwiek wyraźnej definicji prowadzenia tego samego na podstawie szeregu obserwacji.
Rodzaje architektury uczenia maszynowego
Architekturę uczenia maszynowego można podzielić na kategorie na podstawie algorytmu stosowanego w szkoleniu.
1. Uczenie nadzorowane
W uczeniu nadzorowanym wykorzystywane dane szkoleniowe są modelem matematycznym, który składa się zarówno z danych wejściowych, jak i pożądanych wyników. Każde odpowiednie wejście ma przypisane wyjście, które jest również znane jako sygnał nadzorczy. Dzięki dostępnej matrycy treningowej system jest w stanie określić związek między wkładem i wyjściem i zastosować to samo w kolejnych wejściach po treningu, aby określić odpowiedni wynik. Nadzorowane uczenie się można dodatkowo rozszerzyć na klasyfikację i analizę regresji na podstawie kryteriów wyjściowych. Analiza klasyfikacji jest prezentowana, gdy wyniki są z natury ograniczone i ograniczone do zestawu wartości. Jednak analiza regresji określa zakres liczbowy wartości dla danych wyjściowych. Przykłady nadzorowanego uczenia się można znaleźć w wykrywaniu twarzy, systemach weryfikacji mówców.
2. Uczenie się bez nadzoru
W przeciwieństwie do nauki nadzorowanej, nauka bez nadzoru wykorzystuje dane szkoleniowe, które nie zawierają wyników. Uczenie bez nadzoru identyfikuje dane wejściowe relacji na podstawie trendów, podobieństw, a dane wyjściowe są określane na podstawie obecności / braku takich trendów w danych wejściowych użytkownika.
3. Trening zbrojenia
Jest to wykorzystywane w szkoleniu systemu w zakresie decydowania o konkretnym kontekście istotności przy użyciu różnych algorytmów w celu ustalenia prawidłowego podejścia w kontekście obecnego stanu. Są one szeroko stosowane w szkoleniu portali gier, aby odpowiednio dostosowywać dane wejściowe użytkownika.
Projektowanie procesu uczenia maszynowego
Ryc. - Schemat blokowy architektury przepływu decyzji dla systemów uczenia maszynowego,
Spróbujmy teraz zrozumieć warstwy przedstawione na powyższym obrazku.
1. Akwizycja danych
Ponieważ uczenie maszynowe opiera się na dostępnych danych do podjęcia przez system decyzji, stąd pierwszym krokiem zdefiniowanym w architekturze jest akwizycja danych. Obejmuje to zbieranie danych, przygotowywanie i segregowanie scenariuszy spraw w oparciu o pewne cechy związane z cyklem decyzyjnym i przekazywanie danych do jednostki przetwarzającej w celu przeprowadzenia dalszej kategoryzacji. Ten etap jest czasem nazywany etapem wstępnego przetwarzania danych. Model danych oczekuje wiarygodnych, szybkich i elastycznych danych, które mogą mieć charakter dyskretny lub ciągły. Dane są następnie przekazywane do systemów przetwarzania strumieniowego (w przypadku danych ciągłych) i przechowywane w hurtowniach danych wsadowych (w przypadku danych dyskretnych) przed przekazaniem do etapów modelowania lub przetwarzania danych.
2. Przetwarzanie danych
Odebrane dane w warstwie akwizycji danych są następnie przesyłane dalej do warstwy przetwarzania danych, gdzie poddawane są zaawansowanej integracji i przetwarzaniu i obejmują normalizację danych, czyszczenie danych, transformację i kodowanie. Przetwarzanie danych zależy również od rodzaju wykorzystywanego uczenia. Na przykład, jeżeli wykorzystywane jest nadzorowane uczenie, dane muszą być podzielone na wiele etapów przykładowych danych wymaganych do szkolenia systemu, a utworzone w ten sposób dane nazywane są przykładowymi danymi szkoleniowymi lub po prostu danymi szkoleniowymi. Przetwarzanie danych zależy również od rodzaju wymaganego przetwarzania i może obejmować wybory od działania po ciągłe dane, które będą wymagały zastosowania konkretnej architektury opartej na funkcjach, na przykład architektury lambda. Może również obejmować działanie na podstawie danych dyskretnych, które mogą wymagają przetwarzania związanego z pamięcią. Warstwa przetwarzania danych określa, czy przetwarzanie pamięci ma być wykonywane na danych w tranzycie, czy w spoczynku.
3. Modelowanie danych
Ta warstwa architektury obejmuje wybór różnych algorytmów, które mogą dostosować system do rozwiązania problemu, dla którego opracowywane jest uczenie się. Algorytmy te są rozwijane lub dziedziczone z zestawu bibliotek. Algorytmy służą do odpowiedniego modelowania danych, dzięki czemu system jest gotowy do wykonania.
4. Wykonanie
Na tym etapie uczenia maszynowego przeprowadzane są eksperymenty, testowanie i strojenie. Ogólnym celem stojącym za optymalizacją algorytmu w celu wyodrębnienia wymaganego wyniku maszyny i maksymalizacji wydajności systemu, wynik tego kroku jest wyrafinowanym rozwiązaniem zdolnym do dostarczenia wymaganych danych dla maszyny do podjęcia decyzji.
5. Wdrożenie
Jak każde inne wyjście oprogramowania, wyjścia ML muszą zostać operacjonalizowane lub przekazane do dalszego przetwarzania eksploracyjnego. Dane wyjściowe można uznać za niedeterministyczne zapytanie, które należy dalej wdrożyć w systemie decyzyjnym.
Zaleca się płynne przeniesienie wyjścia ML bezpośrednio do produkcji, gdzie pozwoli to maszynie na bezpośrednie podejmowanie decyzji na podstawie wyniku i zmniejszy zależność od dalszych kroków eksploracyjnych.
Wnioski
Architektura uczenia maszynowego cieszy się obecnie dużym zainteresowaniem branży, ponieważ każdy proces stara się zoptymalizować dostępne zasoby i wyniki w oparciu o dostępne dane historyczne, a ponadto uczenie maszynowe wiąże się z głównymi zaletami prognozowania danych i analizy predykcyjnej w połączeniu z technologią analizy danych. Architektura uczenia maszynowego definiuje różne warstwy uczestniczące w cyklu uczenia maszynowego i obejmuje główne etapy transformacji surowych danych w zestawy danych szkoleniowych, które umożliwiają podejmowanie decyzji w systemie.
Polecane artykuły
Jest to przewodnik po architekturze uczenia maszynowego. Omówiliśmy tu koncepcję, proces i typy architektury uczenia maszynowego. Możesz także przejrzeć nasze inne Sugerowane artykuły, aby dowiedzieć się więcej -
- Uczenie nadzorowane a uczenie głębokie
- Co to jest API w Javie?
- Co to jest architektura HBase?
- Co to jest przepełnienie bufora?