Inleiding tot de architectuur van machine learning
Machine Learning Architecture is de afgelopen tijd geëvolueerd van een concept van fantasie naar een bewijs van realiteit.
Wat is voortgekomen uit een basisbenadering van patroonherkenning, is de basis leggen voor de ontwikkeling van een belangrijk platform voor kunstmatige intelligentie. Het basisidee was om te bepalen of de machines in staat zijn om te leren van de aan hen verstrekte gegevens en herhaalbare acties kunnen produceren met een hogere betrouwbaarheid en efficiënte besluitvorming. Zo kunnen we machine learning definiëren als een tak van kunstmatige intelligentie die machines traint op hoe te leren. Het vermogen van machine learning maakt een systeem in staat om beslissingen te nemen zonder expliciete input van gebruikers. Deze mogelijkheid is ontwikkeld in het systeem op basis van een voorbeeldruimte van gegevens die trainingsgegevens worden genoemd. Het gebruik van machine learning is tegenwoordig zichtbaar in elke technologische vooruitgang, omdat het de mobiele systemen in staat stelt om keuzes in apps voor te stellen op basis van eerdere zoekopdrachten van de gebruiker, het gebeurtenisgebaseerde menu op restaurantsites, leeftijdgebaseerde treinligplaatsallocatie, enz. In een grotere context kan machine learning worden beschouwd als een toepassing voor voorspellende analyses.
Machine learning kan formeel worden gedefinieerd als een gegevensanalysetechnologie voor kennis die door het systeem moet worden geëxtraheerd zonder een expliciete definitie om hetzelfde uit te voeren op basis van een reeks observaties.
Soorten architectuur voor machinaal leren
De Machine Learning Architecture kan worden gecategoriseerd op basis van het algoritme dat tijdens de training wordt gebruikt.
1. Begeleid leren
Bij begeleid leren zijn de gebruikte trainingsgegevens een wiskundig model dat bestaat uit zowel invoer als gewenste uitvoer. Elke overeenkomstige ingang heeft een toegewezen uitgang die ook bekend staat als een supervisiesignaal. Via de beschikbare trainingsmatrix is het systeem in staat om de relatie tussen de input en output te bepalen en deze in volgende inputs na de training te gebruiken om de overeenkomstige output te bepalen. Het begeleide leren kan verder worden uitgebreid tot classificatie en regressieanalyse op basis van de outputcriteria. Classificatieanalyse wordt gepresenteerd wanneer de uitgangen beperkt van aard zijn en beperkt zijn tot een reeks waarden. Regressieanalyse definieert echter een numeriek bereik van waarden voor de uitvoer. Voorbeelden van begeleid leren worden gezien in gezichtsdetectie, luidsprekerverificatiesystemen.
2. Leren zonder toezicht
In tegenstelling tot begeleid leren, maakt onbewaakt leren gebruik van trainingsgegevens die geen output bevatten. Het niet-begeleide leren identificeert relatie-input op basis van trends, overeenkomsten en de output wordt bepaald op basis van de aanwezigheid / afwezigheid van dergelijke trends in de gebruikersinvoer.
3. Versterkingstraining
Dit wordt gebruikt bij het trainen van het systeem om te beslissen over een specifieke relevantiecontext met behulp van verschillende algoritmen om de juiste aanpak in de context van de huidige status te bepalen. Deze worden veel gebruikt bij het trainen van gamingportals om dienovereenkomstig aan gebruikersinvoer te werken.
Architecten van het machine-leerproces
Fig: - Blokdiagram van beslissingsstroomarchitectuur voor systemen voor machinaal leren,
Laten we nu proberen de lagen te begrijpen die in de bovenstaande afbeelding worden weergegeven.
1. Gegevensverzameling
Omdat machine learning is gebaseerd op beschikbare gegevens voor het systeem om een beslissing te nemen, is de eerste stap die in de architectuur wordt gedefinieerd, dus het verzamelen van gegevens. Dit omvat het verzamelen van gegevens, het voorbereiden en scheiden van de casusscenario's op basis van bepaalde kenmerken van de besluitvormingscyclus en het doorsturen van de gegevens naar de verwerkingseenheid voor het uitvoeren van verdere categorisatie. Deze fase wordt soms de fase voor gegevensverwerking genoemd. Het gegevensmodel verwacht betrouwbare, snelle en elastische gegevens die discreet of continu van aard kunnen zijn. De gegevens worden vervolgens doorgegeven aan stroomverwerkingssystemen (voor continue gegevens) en opgeslagen in batch-gegevensmagazijnen (voor discrete gegevens) voordat ze worden doorgegeven aan gegevensmodellering of verwerking.
2. Gegevensverwerking
De ontvangen gegevens in de gegevensverwervingslaag worden vervolgens naar de gegevensverwerkingslaag gezonden, waar deze worden onderworpen aan geavanceerde integratie en verwerking en omvat normalisatie van de gegevens, gegevens opschonen, transformatie en codering. De gegevensverwerking is ook afhankelijk van het type leren dat wordt gebruikt. Als bijvoorbeeld begeleid leren wordt gebruikt, moeten de gegevens worden gescheiden in meerdere stappen van voorbeeldgegevens die nodig zijn voor de training van het systeem en de aldus gecreëerde gegevens worden trainingssteekproefgegevens of eenvoudig trainingsgegevens genoemd. De gegevensverwerking is ook afhankelijk van het soort verwerking dat nodig is en kan keuzes omvatten, variërend van actie op continue gegevens die het gebruik van specifieke op functies gebaseerde architectuur, bijvoorbeeld lambda-architectuur, met zich meebrengen. vereisen geheugengebonden verwerking. De gegevensverwerkingslaag bepaalt of de geheugenverwerking moet worden uitgevoerd voor gegevens die onderweg zijn of in rust zijn.
3. Gegevensmodellering
Deze laag van de architectuur omvat de selectie van verschillende algoritmen die het systeem kunnen aanpassen om het probleem aan te pakken waarvoor het leren wordt bedacht. Deze algoritmen worden ontwikkeld of geërfd van een verzameling bibliotheken. De algoritmen worden gebruikt om de gegevens dienovereenkomstig te modelleren, dit maakt het systeem klaar voor de uitvoeringsstap.
4. Uitvoering
In deze fase van machinaal leren wordt er geëxperimenteerd, wordt er getest en worden er afstemmingen uitgevoerd. Het algemene doel achter het optimaliseren van het algoritme om de vereiste machine-uitkomst te extraheren en de systeemprestaties te maximaliseren, is de output van de stap een verfijnde oplossing die de benodigde gegevens voor de machine kan bieden om beslissingen te nemen.
5. Implementatie
Net als elke andere software-output, moeten ML-outputs worden geoperationaliseerd of worden doorgestuurd voor verdere verkennende verwerking. De output kan worden beschouwd als een niet-deterministische query die verder moet worden geïmplementeerd in het besluitvormingssysteem.
Het wordt geadviseerd om de ML-uitvoer naadloos rechtstreeks naar productie te verplaatsen, zodat de machine direct beslissingen kan nemen op basis van de uitvoer en de afhankelijkheid van de verdere verkennende stappen vermindert.
conclusies
Machine Learning-architectuur heeft nu de grote belangstelling van de industrie, omdat elk proces uitkijkt naar het optimaliseren van de beschikbare bronnen en output op basis van de beschikbare historische gegevens. Bovendien heeft machine learning grote voordelen met betrekking tot gegevensvoorspelling en voorspellende analyse in combinatie met datawetenschappelijke technologie. De machine learning-architectuur definieert de verschillende lagen die betrokken zijn bij de machine learning-cyclus en omvat de belangrijkste stappen die worden uitgevoerd bij de transformatie van onbewerkte gegevens in trainingsdatasets die de besluitvorming over een systeem mogelijk maken.
Aanbevolen artikelen
Dit is een gids voor Machine Learning Architecture geweest. Hier hebben we het concept, het proces en de typen architectuur voor machinaal leren besproken. U kunt ook onze andere voorgestelde artikelen doornemen voor meer informatie -
- Begeleid leren versus diep leren
- Wat is API in Java?
- Wat is HBase-architectuur?
- Wat is bufferoverloop?