Introduzione all'architettura di apprendimento automatico
Machine Learning L'architettura come soggetto si è evoluta negli ultimi periodi da un concetto di fantasia a prova della realtà.
Ciò che si è evoluto da un approccio di base al riconoscimento dei modelli è la base per lo sviluppo di una grande piattaforma di intelligenza artificiale. L'idea di base era determinare se le macchine sono in grado di apprendere dai dati forniti e diventare in grado di produrre azioni ripetibili con una maggiore affidabilità e un processo decisionale efficiente, quindi possiamo definire l'apprendimento automatico come una branca dell'intelligenza artificiale che forma le macchine su come imparare. La capacità di apprendimento automatico rende un sistema in grado di eseguire il processo decisionale senza input espliciti da parte degli utenti. Questa capacità è sviluppata nel sistema in base a uno spazio campione di dati chiamati dati di allenamento. L'uso dell'apprendimento automatico è visibile al giorno d'oggi in ogni progresso tecnologico sia la sua capacità per i sistemi mobili di suggerire scelte in app basate su ricerche precedenti dell'utente, al menu basato sugli eventi sui siti di ristoranti, all'allocazione dell'ormeggio in base all'età, ecc. In un contesto più ampio l'apprendimento automatico può essere considerato come un'applicazione per l'analisi predittiva.
L'apprendimento automatico può essere formalmente definito come una tecnologia di analisi dei dati per la conoscenza da estrarre dal sistema senza alcuna definizione esplicita per condurre lo stesso sulla base di una serie di osservazioni.
Tipi di architettura di apprendimento automatico
L'architettura di apprendimento automatico può essere classificata sulla base dell'algoritmo utilizzato nella formazione.
1. Apprendimento supervisionato
Nell'apprendimento supervisionato, i dati di addestramento utilizzati sono un modello matematico che consiste sia di input che di output desiderati. A ciascun ingresso corrispondente è assegnata un'uscita che è anche nota come segnale di supervisione. Attraverso la matrice di addestramento disponibile, il sistema è in grado di determinare la relazione tra input e output e impiegare lo stesso nei successivi input post-training per determinare l'output corrispondente. L'apprendimento supervisionato può essere ulteriormente esteso alla classificazione e all'analisi di regressione in base ai criteri di output. L'analisi di classificazione viene presentata quando gli output sono di natura limitata e limitati a un insieme di valori. Tuttavia, l'analisi di regressione definisce un intervallo numerico di valori per l'output. Esempi di apprendimento supervisionato si riscontrano nel rilevamento dei volti, nei sistemi di verifica degli oratori.
2. Apprendimento senza supervisione
A differenza dell'apprendimento supervisionato, l'apprendimento non supervisionato utilizza dati di addestramento che non contengono output. L'apprendimento non supervisionato identifica l'input della relazione in base a tendenze, elementi comuni e l'output è determinato sulla base della presenza / assenza di tali tendenze nell'input dell'utente.
3. Addestramento di rinforzo
Questo è usato nella formazione del sistema per decidere su un particolare contesto di pertinenza usando vari algoritmi per determinare l'approccio corretto nel contesto dello stato attuale. Questi sono ampiamente utilizzati nell'addestramento dei portali di gioco per lavorare di conseguenza sugli input dell'utente.
Architect the Machine Learning Process
Fig: - Schema a blocchi dell'architettura del flusso decisionale per i sistemi di apprendimento automatico,
Proviamo ora a capire i livelli rappresentati nell'immagine sopra.
1. Acquisizione dei dati
Poiché l'apprendimento automatico si basa sui dati disponibili per consentire al sistema di prendere una decisione, quindi il primo passo definito nell'architettura è l'acquisizione dei dati. Ciò comporta la raccolta dei dati, la preparazione e la separazione degli scenari del caso in base a determinate funzionalità coinvolte nel ciclo decisionale e l'inoltro dei dati all'unità di elaborazione per lo svolgimento di ulteriori categorizzazioni. Questa fase viene talvolta definita fase di preelaborazione dei dati. Il modello di dati prevede dati affidabili, rapidi ed elastici che possono essere di natura discreta o continua. I dati vengono quindi passati ai sistemi di elaborazione dei flussi (per dati continui) e archiviati in magazzini di dati batch (per dati discreti) prima di essere passati alle fasi di modellazione o elaborazione dei dati.
2. Elaborazione dei dati
I dati ricevuti nel livello di acquisizione dati vengono quindi inviati al livello di elaborazione dati dove sono sottoposti a integrazione ed elaborazione avanzate e comportano la normalizzazione dei dati, la pulizia, la trasformazione e la codifica dei dati. Il trattamento dei dati dipende anche dal tipo di apprendimento utilizzato. Ad esempio, se si utilizza l'apprendimento supervisionato, i dati devono essere separati in più fasi dei dati campione richiesti per l'addestramento del sistema e i dati così creati sono chiamati dati campione di addestramento o semplicemente dati di addestramento. Inoltre, l'elaborazione dei dati dipende dal tipo di elaborazione richiesta e può comportare scelte che vanno dall'azione ai dati continui che implicheranno l'uso di un'architettura basata su funzioni specifiche, ad esempio l'architettura lambda, Inoltre potrebbe comportare un'azione su dati discreti che possono richiede l'elaborazione legata alla memoria. Il livello di elaborazione dei dati definisce se l'elaborazione della memoria deve essere eseguita su dati in transito o in riposo.
3. Modellazione dei dati
Questo strato dell'architettura prevede la selezione di diversi algoritmi che potrebbero adattare il sistema per affrontare il problema per il quale l'apprendimento è stato ideato. Questi algoritmi vengono evoluti o ereditati da un insieme di librerie. Gli algoritmi vengono utilizzati per modellare i dati di conseguenza, questo rende il sistema pronto per la fase di esecuzione.
4. Esecuzione
Questa fase dell'apprendimento automatico è il punto in cui viene eseguita la sperimentazione, vengono coinvolti i test e vengono eseguite le regolazioni. L'obiettivo generale dietro è quello di ottimizzare l'algoritmo al fine di estrarre i risultati della macchina richiesti e massimizzare le prestazioni del sistema. L'output del passaggio è una soluzione raffinata in grado di fornire i dati richiesti affinché la macchina possa prendere decisioni.
5. Distribuzione
Come qualsiasi altro output software, gli output ML devono essere resi operativi o inoltrati per un'ulteriore elaborazione esplorativa. L'output può essere considerato come una query non deterministica che deve essere ulteriormente distribuita nel sistema decisionale.
Si consiglia di spostare direttamente l'output ML direttamente in produzione, in modo da consentire alla macchina di prendere direttamente decisioni basate sull'output e ridurre la dipendenza dalle ulteriori fasi esplorative.
conclusioni
L'architettura di apprendimento automatico occupa ora il principale interesse del settore poiché ogni processo è alla ricerca di ottimizzazione delle risorse disponibili e dell'output in base ai dati storici disponibili, inoltre, l'apprendimento automatico comporta importanti vantaggi in termini di previsione dei dati e analisi predittiva se abbinato alla tecnologia della scienza dei dati. L'architettura di machine learning definisce i vari livelli coinvolti nel ciclo di machine learning e prevede le fasi principali della trasformazione dei dati grezzi in set di dati di training in grado di consentire il processo decisionale di un sistema.
Articoli consigliati
Questa è stata una guida all'architettura di Machine Learning. Qui abbiamo discusso il concetto, il processo e i tipi di architettura di apprendimento automatico. Puoi anche consultare i nostri altri articoli suggeriti per saperne di più -
- Apprendimento supervisionato vs apprendimento profondo
- Che cos'è l'API in Java?
- Cos'è l'architettura HBase?
- Che cos'è il buffer overflow?