Sissejuhatus masinõppe arhitektuuri
Masinõppe arhitektuur kui õppeaine on viimastel perioodidel arenenud fantaasia kontseptsioonist reaalsuse tõestamiseni.
Mustrituvastuse põhimõttelisest lähenemisviisist arenenud alused on peamise tehisintellekti platvormi väljatöötamise alused. Põhiidee oli teha kindlaks, kas masinad on võimelised neile esitatud andmetest õppima ja kas nad suudavad suurema usaldusväärsuse ja tõhusate otsuste tegemisel korrata toiminguid. Seega võime masinõpet määratleda tehisintellekti haruna, mis koolitab masinaid kuidas õppida. Masinõppe võime muudab süsteemi võimeliseks otsuste langetamiseks ilma kasutajate selgesõnaliste sisenditeta. See võime arendatakse süsteemiks, mis põhineb andmevalikualal, mida nimetatakse treenimisandmeteks. Masinõppe kasutamine on tänapäeval nähtav igas tehnoloogia arengus, kui mobiilside süsteemidel on võimalus soovitada rakendustes valikuid, mis põhinevad kasutaja varasematel otsingutel, sündmustepõhisele menüüle restoranisaitidel, vanusepõhisele rongikoha jaotusele, jne. Laiemas kontekstis võib masinõpet pidada ennustava analüütika rakenduseks.
Masinõpet võib ametlikult määratleda kui süsteemi poolt ekstraheeritavate teadmiste andmeanalüüsi tehnoloogia ilma igasuguse selgesõnalise määratluseta, mis viiks selle läbi vaatluste seeria põhjal.
Masinõppe arhitektuuri tüübid
Masinõppe arhitektuuri saab kategoriseerida koolitusel kasutatava algoritmi alusel.
1. Juhendatud õpe
Juhendatud õppes on treeningandmeteks matemaatiline mudel, mis koosneb nii sisenditest kui ka soovitud väljunditest. Igal vastaval sisendil on määratud väljund, mida nimetatakse ka järelevalvesignaaliks. Kättesaadava treenimismaatriksi kaudu on süsteem võimeline määrama sisendi ja väljundi vahelise suhte ning kasutama seda järgnevates sisendites pärast väljaõpet vastava väljundi määramiseks. Juhendatud õppimist saab veelgi laiendada klassifitseerimiseks ja regressioonianalüüsiks väljundkriteeriumide põhjal. Klassifikatsioonianalüüs esitatakse siis, kui väljundid on olemuselt piiratud ja piiratud väärtuste kogumiga. Regressioonianalüüs määratleb aga väljundi väärtuste arvulise vahemiku. Juhendatud õppe näiteid võib leida näotuvastusest, kõlarite kontrollimise süsteemidest.
2. Juhendamata õpe
Erinevalt juhendatud õppest kasutab juhendamata õpe treeningu andmeid, mis ei sisalda väljundit. Juhendamata õppimisega tuvastatakse suhete sisend suundumuste, sarnasuste põhjal ja väljund määratakse vastavalt sellele, kas kasutaja sisendis sellised suundumused on olemas / puuduvad.
3. tugevduskoolitus
Seda kasutatakse süsteemi koolitamisel konkreetse olulisuse konteksti otsustamiseks, kasutades erinevaid algoritme, et määrata õige lähenemisviis praeguses olukorras. Neid kasutatakse laialdaselt mänguportaalide koolitamisel, et töötada vastavalt kasutajate sisenditele.
Masinõppe protsessi arhitektuur
Joonis: - masinõppe süsteemide otsustusvoo arhitektuuri plokkskeem;
Proovime nüüd mõista ülaltoodud pildil kujutatud kihte.
1. Andmete hankimine
Kuna masinõpe põhineb otsuse tegemiseks süsteemi jaoks kättesaadavatel andmetel, on arhitektuuris määratletud esimene samm andmete hankimine. See hõlmab andmete kogumist, juhtumistsenaariumide ettevalmistamist ja eraldamist, mis põhinevad teatud otsustustsükliga seotud tunnustel, ja andmete edastamist töötlemisüksusele edasise kategoriseerimise läbiviimiseks. Seda etappi nimetatakse mõnikord andmete eeltöötluse etapiks. Andmemudel eeldab usaldusväärseid, kiireid ja elastseid andmeid, mis võivad olla diskreetsed või pidevad. Seejärel edastatakse andmed voo töötlussüsteemidesse (pidevate andmete jaoks) ja enne andmete modelleerimise või töötlemise etappidesse salvestamist partiiandmete ladudes (diskreetsete andmete jaoks).
2. Andmete töötlemine
Andmehõivekihis vastuvõetud andmed saadetakse seejärel edasi andmetöötluskihti, kus need allutatakse edasisele integreerimisele ja töötlemisele ning hõlmavad andmete normaliseerimist, andmete puhastamist, ümberkujundamist ja kodeerimist. Andmetöötlus sõltub ka kasutatava õppe tüübist. Näiteks kui kasutatakse juhendatud õpet, tuleb andmeid jagada süsteemi väljaõppeks vajalike valimiandmete mitmeastmelisteks etappideks ja selliselt loodud andmeid nimetatakse treeningproovide andmeteks või lihtsalt koolitusandmeteks. Samuti sõltub andmetöötlus nõutavast töötlemise tüübist ja see võib hõlmata valikuid alates toimingutest kuni pidevate andmete saamiseni, mis hõlmab konkreetse funktsioonipõhise arhitektuuri kasutamist, näiteks lambda-arhitektuuri. Samuti võib see hõlmata toimimist diskreetsete andmete korral, mis võivad nõuavad mäluga seotud töötlemist. Andmetöötluskiht määratleb, kas mälu töödeldakse edastatavate või puhkeolekus olevate andmetega.
3. Andmete modelleerimine
See arhitektuurikiht hõlmab erinevate algoritmide valimist, mis võimaldavad süsteemi kohandada vastavalt probleemile, mille jaoks õppetööd kavandatakse. Neid algoritme töötatakse välja või päritakse raamatukogude komplektist. Andmete modelleerimiseks kasutatakse algoritme, mis teeb süsteemi täitmise jaoks valmis.
4. Hukkamine
Selles masinaõppe etapis toimub katsetamine, katsetamine ja häälestamine. Üldine eesmärk on optimeerida algoritm, et saada vajalik masina tulemus ja maksimeerida süsteemi jõudlust. Etapi väljund on rafineeritud lahendus, mis suudab pakkuda masinale otsuste tegemiseks vajalikke andmeid.
5. Juurutamine
Nagu iga teine tarkvaraväljund, tuleb ka ML-väljundid kasutusele võtta või edasiseks uurimistöötluseks edastada. Väljundit võib pidada mittedeterministlikuks päringuks, mida tuleb otsustamissüsteemi täiendavalt rakendada.
Soovitatav on viia ML-i väljund sujuvalt otse tootmisele, kus see võimaldab masinal otsustusõiguse põhjal otsest otsust teha ja vähendab sõltuvust edasistest uurimistöödest.
Järeldused
Masinõppe arhitektuur tekitab praegu suurt tööstuse huvi, kuna iga protsess otsib olemasolevate andmete põhjal olemasolevate ressursside ja väljundi optimeerimist. Lisaks hõlmab masinõpe koos andmeteadustehnoloogiaga suuri eeliseid andmete prognoosimisel ja ennustaval analüüsil. Masinõppe arhitektuur määratleb masinaõppe tsüklis osalevad erinevad kihid ja hõlmab peamisi etappe, mis viiakse läbi töötlemata andmete muutmisel koolitusandmekogumiteks, mis võimaldavad süsteemi otsustada.
Soovitatavad artiklid
See on olnud masinõppe arhitektuuri juhend. Siin arutasime masinõppe arhitektuuri kontseptsiooni, protsessi ja tüüpe. Lisateavet leiate ka meie muudest soovitatud artiklitest -
- Juhendatud õpe vs sügav õpe
- Mis on Java Java?
- Mis on HBase arhitektuur?
- Mis on puhvri ületäitumine?