Вступ до архітектури машинного навчання
Архітектура машинного навчання як предмет еволюціонувала в останні періоди від концепції фантазії до доказу дійсності.
Те, що склалося від базового підходу до розпізнавання образів, - це закладання основ для створення основної платформи штучного інтелекту. Основна ідея полягала в тому, щоб визначити, чи машини здатні вчитися за наданими їм даними та чи зможуть виробляти повторювані дії з більшою надійністю та ефективним прийняттям рішень. Таким чином, ми можемо визначити машинне навчання як галузь штучного інтелекту, яка готує машини на як навчитися. Здатність машинного навчання робить систему здатною виконувати прийняття рішень без явних введень користувачів. Ця здатність розвивається в системі на основі вибіркового простору даних, що називається навчальними даними. Використання машинного навчання видно в даний час у кожному технологічному прогресі, оскільки його здатність мобільні системи пропонувати вибір у додатках на основі попередніх пошуків користувача, в меню подій на сайтах ресторанів, у віковому розміщенні причалу поїздів, тощо. У більш широкому контексті машинне навчання може розглядатися як додаток для прогнозної аналітики.
Машинне навчання можна формально визначити як технологію аналізу даних для отримання знань системою без явного визначення для проведення того ж на основі ряду спостережень.
Види архітектури машинного навчання
Архітектуру машинного навчання можна класифікувати на основі алгоритму, що використовується у навчанні.
1. Контрольоване навчання
У навчанні під керівництвом дані, що використовуються для навчання, є математичною моделлю, яка складається з входів та бажаних результатів. Кожному відповідному входу є призначений вихід, який також відомий як контрольний сигнал. За допомогою доступної навчальної матриці система здатна визначити залежність між входом і виходом і використовувати те саме в наступних входах після тренінгу для визначення відповідного результату. Контрольоване навчання може бути додатково розширено на класифікаційний та регресійний аналіз на основі результатів. Класифікаційний аналіз подається, коли результати мають обмежений характер і обмежуються набором значень. Однак регресійний аналіз визначає числовий діапазон значень для виходу. Приклади контрольованого навчання бачать у системах виявлення облич, системах перевірки динаміків.
2. Непідконтрольне навчання
На відміну від контрольованого навчання, непідконтрольне навчання використовує дані навчання, які не містять результатів. Непідконтрольне навчання ідентифікує взаємозв'язок на основі тенденцій, спільності, а вихід визначається на основі присутності / відсутності таких тенденцій у введенні користувача.
3. Підсилення навчання
Це використовується при навчанні системи для визначення конкретного контексту актуальності за допомогою різних алгоритмів для визначення правильного підходу в контексті сучасного стану. Вони широко використовуються при навчанні ігрових порталів для відповідної роботи над введеннями користувачів.
Архітектура процесу машинного навчання
Рис .: - Структурна схема архітектури потоку рішень для систем машинного навчання,
Спробуємо тепер розібратися в шарах, зображених на зображенні вище.
1. Збір даних
Оскільки машинне навчання базується на доступних даних для системи для прийняття рішення, отже, перший крок, визначений в архітектурі, - це збирання даних. Це включає збір даних, підготовку та сегрегацію сценаріїв справ на основі певних особливостей, пов'язаних із циклом прийняття рішень, та пересилання даних до блоку обробки для подальшої категоризації. Цей етап іноді називають етапом попередньої обробки даних. Модель даних очікує надійних, швидких та еластичних даних, які можуть мати дискретний або постійний характер. Потім дані передаються в потокові системи обробки даних (для безперервних даних) і зберігаються в сховищах пакетних даних (для дискретних даних) перед тим, як передаватися на етапи моделювання даних або обробки.
2. Обробка даних
Потім отримані дані на рівні збору даних надсилаються на рівень обробки даних, де він піддається вдосконаленій інтеграції та обробці і включає нормалізацію даних, очищення даних, перетворення та кодування. Обробка даних також залежить від типу використовуваного навчання. Наприклад, якщо використовується наглядове навчання, дані повинні бути поділені на кілька етапів вибіркових даних, необхідних для навчання системи, а створені таким чином дані називаються вибірковими даними навчальних занять або просто навчальними даними. Крім того, обробка даних залежить від потрібного виду обробки та може включати вибір, який починається від дії до постійних даних, що передбачає використання конкретної архітектури, заснованої на функціях, наприклад, лямбда-архітектура. Також це може включати дії щодо дискретних даних, які можуть вимагають обробки пов'язаної пам'яті. Шар обробки даних визначає, чи слід обробляти пам'ять для даних, що перебувають у дорозі або в спокої.
3. Моделювання даних
Цей шар архітектури передбачає вибір різних алгоритмів, які могли б адаптувати систему для вирішення проблеми, для якої розробляється навчання. Ці алгоритми розробляються або успадковуються з набору бібліотек. Алгоритми використовуються для моделювання даних відповідно, це робить систему готовою до кроку виконання.
4. Виконання
На цьому етапі машинного навчання проводиться експериментація, бере участь тестування та проводиться налаштування. Загальною метою є оптимізація алгоритму з метою отримання необхідних результатів роботи машини та досягнення максимальної продуктивності системи. Результатом цього кроку є вдосконалене рішення, здатне забезпечити необхідні дані для машини для прийняття рішень.
5. Розгортання
Як і будь-який інший вихід програмного забезпечення, результати виведення ML повинні бути функціоналізовані або направлені на подальшу розвідувальну обробку. Вихід може розглядатися як недетермінований запит, який потребує подальшого використання у системі прийняття рішень.
Рекомендується безперешкодно переміщувати вихід ML безпосередньо у виробництво, де це дозволить машині безпосередньо приймати рішення на основі випуску та зменшити залежність від подальших кроків розвідки.
Висновки
Зараз архітектура машинного навчання займає найбільший галузевий інтерес, оскільки кожен процес шукає оптимізацію наявних ресурсів та результатів на основі наявних історичних даних, крім того, машинне навчання передбачає основні переваги щодо прогнозування даних та прогнозованої аналітики в поєднанні з технологією наукових даних. Архітектура машинного навчання визначає різні шари, що беруть участь у циклі машинного навчання, та передбачає основні кроки, що здійснюються в процесі перетворення необроблених даних у набори навчальних даних, здатні забезпечити можливість прийняття рішень у системі.
Рекомендовані статті
Це був посібник з архітектури машинного навчання. Тут ми обговорили концепцію, процес та типи архітектури машинного навчання. Ви також можете ознайомитися з іншими запропонованими нами статтями, щоб дізнатися більше -
- Контрольоване навчання проти глибокого навчання
- Що таке API в Java?
- Що таке архітектура HBase?
- Що таке перелив буфера?