Введение в архитектуру машинного обучения
Машинное обучение Архитектура как предмет эволюционировала в последние периоды от концепции фантазии до доказательства реальности.
Из базового подхода к распознаванию образов возникла основа для разработки крупной платформы искусственного интеллекта. Основная идея состояла в том, чтобы определить, способны ли машины учиться на основе предоставленных им данных и могут ли они выполнять повторяющиеся действия с более высокой надежностью и эффективностью принятия решений. Таким образом, мы можем определить машинное обучение как отрасль искусственного интеллекта, которая обучает машины на как учиться. Способность к машинному обучению делает систему способной принимать решения без явного участия пользователей. Эта способность развивается в систему на основе выборочного пространства данных, называемого данными обучения. В настоящее время использование машинного обучения является видимым в каждом технологическом прогрессе, в том числе в способности мобильных систем предлагать варианты в приложениях, основанные на предыдущих поисках пользователя, в меню на основе событий на сайтах ресторанов, на основе возрастного распределения мест в поездах, и т.д. В более широком контексте машинное обучение может рассматриваться как приложение для прогнозной аналитики.
Машинное обучение может быть формально определено как технология анализа данных для извлечения знаний системой без какого-либо явного определения для проведения того же самого на основе серии наблюдений.
Типы архитектуры машинного обучения
Архитектура машинного обучения может быть классифицирована на основе алгоритма, используемого в обучении.
1. Контролируемое обучение
В контролируемом обучении данные обучения, используемые для, представляют собой математическую модель, которая состоит из входных данных и желаемых выходных данных. Каждый соответствующий вход имеет назначенный выход, который также известен как контрольный сигнал. С помощью доступной обучающей матрицы система способна определить взаимосвязь между входом и выходом и использовать ее в последующих входах после обучения для определения соответствующего выхода. Контролируемое обучение может быть в дальнейшем расширено до классификации и регрессионного анализа на основе критериев вывода. Классификационный анализ представлен, когда результаты ограничены по своей природе и ограничены набором значений. Однако регрессионный анализ определяет числовой диапазон значений для вывода. Примеры контролируемого обучения можно увидеть в системах распознавания лиц и динамиков.
2. Обучение без учителя
В отличие от контролируемого обучения, неконтролируемое обучение использует данные обучения, которые не содержат результатов. Неуправляемое обучение идентифицирует входные данные отношения на основе тенденций, общих черт, а выходные данные определяются на основе наличия / отсутствия таких тенденций в пользовательском вводе.
3. Укрепление Тренировки
Это используется при обучении системы для выбора конкретного контекста релевантности с использованием различных алгоритмов для определения правильного подхода в контексте текущего состояния. Они широко используются в обучающих игровых порталах для соответствующей работы с пользовательским вводом.
Архитектура процесса машинного обучения
Рис: - Блок-схема архитектуры потока решений для систем машинного обучения,
Давайте теперь попробуем понять слои, представленные на рисунке выше.
1. Сбор данных
Поскольку машинное обучение основано на доступных данных, чтобы система могла принять решение, следовательно, первый шаг, определенный в архитектуре, - это сбор данных. Это включает сбор данных, подготовку и разделение сценариев сценариев на основе определенных функций, связанных с циклом принятия решений, и передачу данных в блок обработки для проведения дальнейшей категоризации. Этот этап иногда называют этапом предварительной обработки данных. Модель данных ожидает надежных, быстрых и эластичных данных, которые могут быть дискретными или непрерывными по своей природе. Затем данные передаются в системы потоковой обработки (для непрерывных данных) и сохраняются в хранилищах пакетных данных (для дискретных данных), а затем передаются на этапы моделирования или обработки данных.
2. Обработка данных
Полученные данные на уровне сбора данных затем отправляются на уровень обработки данных, где они подвергаются расширенной интеграции и обработке и включают в себя нормализацию данных, очистку данных, преобразование и кодирование. Обработка данных также зависит от типа используемого обучения. Например, если используется контролируемое обучение, данные должны быть разделены на несколько этапов выборочных данных, необходимых для обучения системы, и созданные таким образом данные называются данными обучающей выборки или просто обучающими данными. Кроме того, обработка данных зависит от вида требуемой обработки и может включать в себя варианты, начиная от действия над непрерывными данными, что будет включать использование архитектуры на основе конкретной функции, например, лямбда-архитектуры. Также это может включать действие на дискретные данные, которые могут требуется обработка памяти. Уровень обработки данных определяет, должна ли обработка памяти выполняться для данных, находящихся в пути или в состоянии покоя.
3. Моделирование данных
Этот уровень архитектуры включает выбор различных алгоритмов, которые могут адаптировать систему для решения проблемы, для которой разрабатывается обучение. Эти алгоритмы развиваются или наследуются от набора библиотек. Алгоритмы используются для моделирования данных соответственно, что делает систему готовой к выполнению шага.
4. Исполнение
На этом этапе машинного обучения проводятся эксперименты, тестирование и настройка. Основная цель заключается в том, чтобы оптимизировать алгоритм для извлечения требуемого результата машины и максимизировать производительность системы. Результатом этого шага является усовершенствованное решение, способное предоставить необходимые данные для машины, чтобы принимать решения.
5. Развертывание
Как и любой другой программный выход, выходы ML должны быть введены в действие или направлены для дальнейшей исследовательской обработки. Вывод можно рассматривать как недетерминированный запрос, который необходимо дополнительно развернуть в системе принятия решений.
Рекомендуется плавно перемещать выходные данные ML непосредственно в производство, где это позволит машине напрямую принимать решения на основе выходных данных и уменьшать зависимость от дальнейших этапов исследования.
Выводы
Архитектура машинного обучения в настоящее время представляет основной интерес для отрасли, так как каждый процесс ищет возможности оптимизации доступных ресурсов и результатов на основе имеющихся исторических данных. Кроме того, машинное обучение имеет большие преимущества в прогнозировании данных и прогнозной аналитике в сочетании с технологией обработки данных. Архитектура машинного обучения определяет различные уровни, участвующие в цикле машинного обучения, и включает в себя основные этапы преобразования необработанных данных в обучающие наборы данных, позволяющие принимать решения в системе.
Рекомендуемые статьи
Это было руководство по архитектуре машинного обучения. Здесь мы обсудили концепцию, процесс и типы архитектуры машинного обучения. Вы также можете просмотреть наши другие Предлагаемые статьи, чтобы узнать больше -
- Контролируемое обучение против глубокого обучения
- Что такое API в Java?
- Что такое архитектура HBase?
- Что такое переполнение буфера?