Uvod v arhitekturo strojnega učenja
Strojna arhitektura kot predmet se je v zadnjih obdobjih razvijala od koncepta fantazije do dokazovanja resničnosti.
Kar se je razvilo od osnovnega pristopa k prepoznavanju vzorcev, je postavitev temeljev za razvoj velike platforme umetne inteligence. Osnovna ideja je bila ugotoviti, ali se stroji lahko naučijo iz podatkov, ki so jim bili posredovani, in postanejo sposobni proizvajati ponovljive ukrepe z večjo zanesljivostjo in učinkovitim odločanjem, zato lahko strojno učenje definiramo kot vejo umetne inteligence, ki trenira stroje na kako se učiti. Sposobnost strojnega učenja naredi sistem, ki je sposoben izvajati odločitve brez izrecnih vnosov uporabnikov. Ta sposobnost je razvita v sistem, ki temelji na vzorčnem prostoru podatkov, imenovanem vadbeni podatki. Uporaba strojnega učenja je danes vidna pri vsakem tehnološkem napredku, saj je njegova sposobnost mobilnih sistemov, da predlagajo izbire v aplikacijah na podlagi predhodnih iskanj uporabnika, v meniju, ki temelji na dogodkih v restavracijskih spletnih mestih, glede na starostno razporeditev vlakovnega priveza, itd. V širšem kontekstu lahko strojno učenje obravnavamo kot aplikacijo za napovedno analitiko.
Strojno učenje je mogoče formalno opredeliti kot tehnologijo za analizo podatkov, da sistem pridobi znanje, brez izrecne opredelitve za njegovo izvajanje na podlagi številnih opazovanj.
Vrste arhitekture strojnega učenja
Arhitekturo strojnega učenja lahko razvrstimo na podlagi algoritma, ki se uporablja pri usposabljanju.
1. Nadzirano učenje
Pri nadzorovanem učenju so uporabljeni podatki o usposabljanju matematični model, ki je sestavljen iz vhodov in želenih rezultatov. Vsak ustrezni vhod ima dodeljen izhod, ki je znan tudi kot nadzorni signal. S pomočjo razpoložljive matrike vadbe lahko sistem določi razmerje med vhodom in izhodom in ga uporabi pri nadaljnjih vhodih po treningu za določitev ustreznega izhoda. Nadzorovano učenje se lahko nadalje razširi na klasifikacijsko in regresijsko analizo na podlagi izhodnih meril. Razvrstitvena analiza je predstavljena, kadar so izhodi omejeni po naravi in omejeni na nabor vrednosti. Vendar pa regresijska analiza določa številčno območje vrednosti za izhod. Primeri nadzorovanega učenja se kažejo v sistemih za zaznavanje obrazov, sistemih za preverjanje zvočnikov.
2. Nenadzorovano učenje
Za razliko od nadzorovanega učenja nenadzorovano učenje uporablja podatke o usposabljanju, ki ne vsebujejo rezultatov. Nenadzorovano učenje identificira vhodni odnos glede na trende, skupne značilnosti, rezultat pa se določi na podlagi prisotnosti / odsotnosti takih trendov v uporabnikovem vnosu.
3. Okrepitveno usposabljanje
To se uporablja pri usposabljanju sistema za odločanje o določenem kontekstu ustreznosti z uporabo različnih algoritmov za določitev pravilnega pristopa v trenutnem stanju. Te se pogosto uporabljajo pri usposabljanju igralnih portalov za ustrezno delo na uporabniških vložkih.
Arhitekturiranje procesa strojnega učenja
Slika: - Blokovna shema arhitekture pretočnega odločanja za sisteme strojnega učenja,
Poskusimo zdaj razumeti plasti, predstavljene na zgornji sliki.
1. Pridobitev podatkov
Ker strojno učenje temelji na razpoložljivih podatkih za sistem za odločanje, je zato prvi korak, opredeljen v arhitekturi, pridobivanje podatkov. To vključuje zbiranje podatkov, pripravo in ločevanje scenarijev primerov, ki temeljijo na določenih značilnostih, ki so vključene v cikel odločanja, in posredovanje podatkov procesni enoti za nadaljnjo kategorizacijo. To stopnjo včasih imenujemo faza predhodne obdelave podatkov. Podatkovni model pričakuje zanesljive, hitre in elastične podatke, ki so po naravi lahko diskretni ali neprekinjeni. Podatki se nato pošljejo v sisteme za obdelavo tokov (za neprekinjene podatke) in shranijo v skladišča paketnih podatkov (za diskretne podatke), preden se prenesejo na faze modeliranja ali obdelave podatkov.
2. Obdelava podatkov
Prejeti podatki v sloju za zajem podatkov se nato pošljejo v sloj za obdelavo podatkov, kjer je podvržen napredni integraciji in obdelavi ter vključuje normalizacijo podatkov, čiščenje podatkov, preoblikovanje in kodiranje. Obdelava podatkov je odvisna tudi od vrste učenja, ki se uporablja. Na primer, če se uporablja nadzorovano učenje, je potrebno podatke razdeliti v več korakov vzorčnih podatkov, potrebnih za usposabljanje sistema, in tako ustvarjeni podatki se imenujejo podatki vzorčnega usposabljanja ali preprosto podatki o usposabljanju. Prav tako je obdelava podatkov odvisna od vrste potrebne obdelave in lahko vključuje izbire od akcije do neprekinjenih podatkov, ki bodo vključevale uporabo posebne arhitekture, ki temelji na funkcijah, na primer lambda arhitekturo. Prav tako lahko vključuje delovanje na diskretne podatke, ki lahko zahtevajo obdelavo vezanega spomina. Plast obdelave podatkov določa, ali je treba obdelati pomnilnik za podatke v tranzitu ali v mirovanju.
3. Modeliranje podatkov
Ta plast arhitekture vključuje izbiro različnih algoritmov, ki bi sistem lahko prilagodili težavi, za katero je zasnovano učenje. Ti algoritmi se razvijajo ali podedujejo iz nabora knjižnic. Algoritmi se uporabljajo za ustrezno modeliranje podatkov, zaradi česar je sistem pripravljen na izvedbeni korak.
4. Izvedba
Na tej stopnji strojnega učenja je eksperimentiranje, testiranje in uglaševanje. Splošni cilj, da bi optimizirali algoritem, da bi dosegli želeni rezultat stroja in povečali zmogljivost sistema, je izhod iz koraka izpopolnjena rešitev, ki stroj omogoča sprejemanje potrebnih podatkov za sprejemanje odločitev.
5. Umestitev
Kot vsak drug programski izhod je treba tudi ML izhode operacionalizirati ali posredovati v nadaljnjo raziskovalno obdelavo. Rezultat je mogoče obravnavati kot nedeterministično poizvedbo, ki jo je treba nadalje vključiti v sistem odločanja.
Priporočamo, da izhod ML brez težav premaknete neposredno v proizvodnjo, kjer bo stroj omogočal, da neposredno sprejema odločitve na podlagi proizvodnje in zmanjšal odvisnost od nadaljnjih raziskovalnih korakov.
Sklepi
Arhitektura strojnega učenja ima zdaj največji interes v industriji, saj vsak proces išče optimizacijo razpoložljivih virov in rezultatov na podlagi preteklih podatkov, ki so na voljo, poleg tega pa strojno učenje vključuje velike prednosti glede napovedovanja podatkov in napovedne analitike v povezavi s tehnologijo podatkovne znanosti. Arhitektura strojnega učenja opredeljuje različne plasti, ki so vključene v cikel strojnega učenja in vključuje glavne korake, ki se izvajajo pri pretvorbi surovih podatkov v naloge podatkov o usposabljanju, ki omogočajo odločanje sistema.
Priporočeni članki
To je vodnik za arhitekturo strojnega učenja. Tu smo razpravljali o konceptu, postopku in vrstah arhitekture strojnega učenja. Če želite izvedeti več, lahko preberete tudi druge naše predlagane članke -
- Nadzorovano učenje vs poglobljeno učenje
- Kaj je API v Javi?
- Kaj je HBase arhitektura?
- Kaj je pufer puferja?