Introducere în Arhitectura de învățare a mașinilor
Arhitectura Machine Learning ca subiect a evoluat în ultimele perioade de la un concept de fantezie la o dovadă a realității.
Ceea ce a evoluat dintr-o abordare de bază în ceea ce privește recunoașterea modelului este punerea bazelor dezvoltării unei platforme majore de inteligență artificială. Ideea de bază a fost să stabilească dacă mașinile sunt capabile să învețe din datele care le sunt furnizate și să devină capabile să producă acțiuni repetabile cu o fiabilitate mai ridicată și luarea eficientă a deciziilor, Astfel putem defini învățarea mașinii ca o ramură a inteligenței artificiale care antrenează mașinile pe cum să înveți. Abilitatea învățării automate face un sistem capabil să efectueze luarea deciziilor fără inputuri explicite ale utilizatorilor. Această abilitate este dezvoltată în sistem pe baza unui spațiu de probă de date numit date de instruire. Utilizarea învățării automate este vizibilă astăzi în fiecare avansare tehnologică, fiind capacitatea sa pentru sistemele mobile de a sugera alegeri în aplicații bazate pe căutările anterioare ale utilizatorului, la meniul bazat pe evenimente pe site-urile restaurantelor, la alocarea de cârlig de tren pe bază de vârstă, În context mai larg, învățarea automată poate fi considerată ca o aplicație pentru analiza predictivă.
Învățarea automată poate fi definită formal ca o tehnologie de analiză a datelor pentru ca cunoștințele să fie extrase de sistem fără nicio definiție explicită pentru a efectua aceleași pe baza unei serii de observații.
Tipuri de arhitectură de învățare a mașinilor
Arhitectura de învățare a mașinilor poate fi clasificată pe baza algoritmului utilizat în formare.
1. Învățare supravegheată
În învățarea supravegheată, datele de formare utilizate sunt un model matematic care constă atât din inputuri cât și din rezultatele dorite. Fiecare intrare corespunzătoare are o ieșire atribuită, care este, de asemenea, cunoscut sub numele de semnal de supraveghere. Prin matricea de pregătire disponibilă, sistemul este capabil să determine relația dintre intrare și ieșire și să o folosească la fel în intrările ulterioare post-instruire pentru a determina puterea corespunzătoare. Învățarea supravegheată poate fi extinsă în continuare în clasificarea și analiza de regresie pe baza criteriilor de rezultat. Analiza de clasificare este prezentată atunci când rezultatele sunt de natură limitată și limitate la un set de valori. Cu toate acestea, analiza de regresie definește o serie numerică de valori pentru ieșire. Exemple de învățare supravegheată sunt observate în sistemele de detectare a feței, verificarea difuzoarelor.
2. Învățare nesupravegheată
Spre deosebire de învățarea supravegheată, învățarea nesupravegheată folosește date de instruire care nu conțin rezultate. Învățarea nesupravegheată identifică aportul relațiilor bazat pe tendințe, caracteristici comune și rezultatul este determinat pe baza prezenței / absenței acestor tendințe în input-ul utilizatorului.
3. Instruire de consolidare
Acest lucru este utilizat în formarea sistemului pentru a decide asupra unui context de relevanță particulară folosind diverși algoritmi pentru a determina abordarea corectă în contextul stării actuale. Acestea sunt utilizate pe scară largă în formarea portalurilor de jocuri pentru a lucra la intrările utilizatorilor în consecință.
Arhitectura procesului de învățare a mașinilor
Fig: - Diagrama bloc a arhitecturii fluxului decizional pentru sistemele de învățare automată,
Să încercăm acum să înțelegem straturile reprezentate în imaginea de mai sus.
1. Achiziționarea datelor
Deoarece învățarea automată se bazează pe datele disponibile pentru ca sistemul să ia o decizie, deci primul pas definit în arhitectură este achiziția de date. Aceasta implică colectarea de date, pregătirea și segregarea scenariilor cazurilor bazate pe anumite caracteristici implicate în ciclul de luare a deciziilor și trimiterea datelor către unitatea de procesare pentru realizarea unei categorizări ulterioare. Această etapă este uneori numită stadiu de preprocesare a datelor. Modelul de date se așteaptă la date fiabile, rapide și elastice, care pot fi discrete sau continue. Datele sunt apoi transmise în sisteme de procesare în flux (pentru date continue) și stocate în depozite de date lot (pentru date discrete) înainte de a fi transmise la etapele de modelare sau procesare a datelor.
2. Prelucrarea datelor
Datele primite în stratul de achiziție a datelor sunt apoi trimise către stratul de prelucrare a datelor unde sunt supuse unei integrări și prelucrări avansate și implică normalizarea datelor, curățarea, transformarea și codificarea datelor. Prelucrarea datelor depinde și de tipul de învățare utilizat. De exemplu, dacă se folosește învățarea supravegheată, datele trebuie să fie segregate în mai multe etape ale datelor de eșantion necesare pentru instruirea sistemului, iar datele astfel create se numesc date de eșantion de instruire sau pur și simplu date de instruire. De asemenea, prelucrarea datelor depinde de tipul de prelucrare necesar și poate implica alegeri de la acțiune la date continue, care vor implica utilizarea arhitecturii specifice bazate pe funcții, de exemplu, arhitectura lambda, de asemenea, poate implica acțiune asupra datelor discrete care pot necesită procesare legată de memorie. Stratul de prelucrare a datelor definește dacă procesarea memoriei trebuie efectuată la date în tranzit sau în repaus.
3. Modelarea datelor
Acest strat al arhitecturii implică selectarea diferiților algoritmi care ar putea adapta sistemul pentru a rezolva problema pentru care este concepută învățarea, acești algoritmi sunt evoluați sau moșteniți dintr-un set de biblioteci. Algoritmii sunt folosiți pentru a modela datele în consecință, ceea ce face ca sistemul să fie pregătit pentru execuție.
4. Executarea
Această etapă a învățării automate este aceea în care se face experimentarea, testarea este implicată și se efectuează reglajele. Obiectivul general din spatele fiind acela de a optimiza algoritmul pentru a extrage rezultatul necesar al mașinii și a maximiza performanțele sistemului, Rezultatul pasului este o soluție rafinată capabilă să furnizeze datele necesare pentru ca mașina să ia decizii.
5. implementare
Ca orice altă ieșire de software, ieșirile ML trebuie să fie operaționalizate sau transmise pentru procesarea exploratorie ulterioară. Produsul poate fi considerat ca o interogare nedeterministă care trebuie să fie implementată în continuare în sistemul de luare a deciziilor.
Se recomandă mutarea perfectă a producției ML direct la producție, unde va permite mașinii să ia direct decizii bazate pe ieșire și să reducă dependența de etapele de explorare ulterioară.
concluzii
Arhitectura Machine Learning ocupă acum interesul major al industriei, deoarece fiecare proces urmărește optimizarea resurselor disponibile și a rezultatelor bazate pe datele istorice disponibile, în plus, învățarea automată implică avantaje majore în ceea ce privește prognozarea datelor și analiza predictivă atunci când este asociată cu tehnologia științei datelor. Arhitectura de învățare automată definește diferitele niveluri implicate în ciclul de învățare a mașinilor și implică etapele majore realizate în transformarea datelor brute în seturi de date de instruire capabile să permită luarea deciziilor unui sistem.
Articole recomandate
Acesta a fost un ghid pentru Arhitectura de învățare a mașinilor. Aici am discutat Conceptul, Procesul și Tipurile de Arhitectură de învățare a mașinilor. De asemenea, puteți parcurge și celelalte articole sugerate pentru a afla mai multe -
- Învățare supravegheată vs. învățare profundă
- Ce este API în Java?
- Ce este HBase Architecture?
- Ce este revărsarea bufferului?