Einführung in die Architektur des maschinellen Lernens
Architektur des maschinellen Lernens hat sich in den letzten Jahren vom Konzept der Fantasie zum Beweis der Realität entwickelt.
Was sich aus einem grundlegenden Ansatz zur Mustererkennung entwickelt hat, ist die Grundlage für die Entwicklung einer wichtigen Plattform für künstliche Intelligenz. Die Grundidee bestand darin, zu bestimmen, ob die Maschinen aus den ihnen zur Verfügung gestellten Daten lernen und in der Lage sind, wiederholbare Aktionen mit höherer Zuverlässigkeit und effizienter Entscheidungsfindung auszuführen. So können wir maschinelles Lernen als einen Zweig künstlicher Intelligenz definieren, der Maschinen trainiert wie lernt man. Die Fähigkeit des maschinellen Lernens macht ein System in der Lage, Entscheidungen ohne explizite Eingaben von Benutzern zu treffen. Diese Fähigkeit wird auf der Grundlage eines Datenstichprobenraums, der als Trainingsdaten bezeichnet wird, in das System integriert. Die Verwendung von maschinellem Lernen ist heutzutage in jedem technologischen Fortschritt sichtbar, sei es in der Fähigkeit der mobilen Systeme, Auswahlmöglichkeiten in Apps basierend auf vorherigen Suchen des Benutzers, dem ereignisbasierten Menü auf Restaurantseiten, der altersbasierten Zugliegeplatzzuweisung, vorzuschlagen. usw. In einem größeren Kontext kann maschinelles Lernen als Anwendung für die prädiktive Analytik betrachtet werden.
Maschinelles Lernen kann formal als eine Datenanalysetechnologie definiert werden, mit der das Wissen vom System extrahiert werden kann, ohne dass explizit definiert wird, wie es basierend auf einer Reihe von Beobachtungen durchgeführt werden soll.
Arten der Architektur des maschinellen Lernens
Die Architektur des maschinellen Lernens kann auf der Grundlage des im Training verwendeten Algorithmus kategorisiert werden.
1. Betreutes Lernen
Beim überwachten Lernen sind die verwendeten Trainingsdaten ein mathematisches Modell, das sowohl aus Eingaben als auch aus gewünschten Ausgaben besteht. Jedem entsprechenden Eingang ist ein Ausgang zugeordnet, der auch als Überwachungssignal bezeichnet wird. Durch die verfügbare Trainingsmatrix ist das System in der Lage, die Beziehung zwischen Eingabe und Ausgabe zu bestimmen und diese in nachfolgenden Eingaben nach dem Training zu verwenden, um die entsprechende Ausgabe zu bestimmen. Das überwachte Lernen kann auf der Grundlage der Ausgabekriterien zu einer Klassifizierungs- und Regressionsanalyse erweitert werden. Eine Klassifizierungsanalyse wird angezeigt, wenn die Ausgaben von Natur aus eingeschränkt und auf eine Reihe von Werten beschränkt sind. Die Regressionsanalyse definiert jedoch einen numerischen Wertebereich für die Ausgabe. Beispiele für überwachtes Lernen sind Gesichtserkennung und Sprecherverifizierungssysteme.
2. Unüberwachtes Lernen
Im Gegensatz zum überwachten Lernen werden beim unbeaufsichtigten Lernen Trainingsdaten verwendet, die keine Ausgabe enthalten. Das unbeaufsichtigte Lernen identifiziert Beziehungseingaben auf der Grundlage von Trends, Gemeinsamkeiten und die Ausgabe wird auf der Grundlage des Vorhandenseins / Nichtvorhandenseins solcher Trends in der Benutzereingabe bestimmt.
3. Verstärkungstraining
Dies wird beim Training des Systems verwendet, um unter Verwendung verschiedener Algorithmen über einen bestimmten Relevanzkontext zu entscheiden, um den korrekten Ansatz im Kontext des gegenwärtigen Zustands zu bestimmen. Diese werden häufig in Schulungsportalen verwendet, um Benutzereingaben entsprechend zu bearbeiten.
Den maschinellen Lernprozess architektonisch gestalten
Abb: - Blockdiagramm der Entscheidungsflussarchitektur für maschinelle Lernsysteme,
Versuchen wir nun, die im obigen Bild dargestellten Ebenen zu verstehen.
1. Datenerfassung
Da das maschinelle Lernen auf verfügbaren Daten für das System basiert, um eine Entscheidung zu treffen, ist der erste in der Architektur definierte Schritt die Datenerfassung. Dies beinhaltet die Datenerfassung, Vorbereitung und Trennung der Fallszenarien auf der Grundlage bestimmter Merkmale des Entscheidungszyklus und die Weiterleitung der Daten an die Verarbeitungseinheit zur Durchführung einer weiteren Kategorisierung. Diese Phase wird manchmal als Datenvorverarbeitungsphase bezeichnet. Das Datenmodell erwartet zuverlässige, schnelle und elastische Daten, die diskreter oder kontinuierlicher Natur sein können. Die Daten werden dann an Stream-Verarbeitungssysteme (für kontinuierliche Daten) weitergeleitet und in Batch-Data-Warehouses (für diskrete Daten) gespeichert, bevor sie an Datenmodellierungs- oder Verarbeitungsstufen weitergeleitet werden.
2. Datenverarbeitung
Die empfangenen Daten in der Datenerfassungsschicht werden dann an die Datenverarbeitungsschicht weitergeleitet, wo sie einer fortgeschrittenen Integration und Verarbeitung unterzogen werden und eine Normalisierung der Daten, eine Datenbereinigung, eine Transformation und eine Codierung beinhalten. Die Datenverarbeitung ist auch abhängig von der Art des verwendeten Lernens. Wenn beispielsweise überwachtes Lernen verwendet wird, müssen die Daten in mehrere Schritte von Beispieldaten aufgeteilt werden, die für das Training des Systems erforderlich sind, und die so erzeugten Daten werden als Trainingsbeispieldaten oder einfach als Trainingsdaten bezeichnet. Die Datenverarbeitung hängt auch von der Art der erforderlichen Verarbeitung ab und kann Auswahlmöglichkeiten umfassen, die von einer Aktion auf kontinuierliche Daten reichen, die die Verwendung einer spezifischen funktionsbasierten Architektur, zum Beispiel einer Lambda-Architektur, umfassen. Sie kann auch eine Aktion auf diskrete Daten umfassen, die dies können Speicher gebundene Verarbeitung erfordern. Die Datenverarbeitungsschicht definiert, ob die Speicherverarbeitung für Daten während der Übertragung oder in Ruhe durchgeführt werden soll.
3. Datenmodellierung
Diese Ebene der Architektur umfasst die Auswahl verschiedener Algorithmen, mit denen das System an das Problem angepasst werden kann, für das das Lernen entwickelt wird. Diese Algorithmen werden weiterentwickelt oder von einer Reihe von Bibliotheken geerbt. Die Algorithmen werden verwendet, um die Daten entsprechend zu modellieren. Dadurch ist das System für den Ausführungsschritt bereit.
4. Ausführung
In dieser Phase des maschinellen Lernens werden Experimente durchgeführt, Tests durchgeführt und Einstellungen vorgenommen. Das allgemeine Ziel besteht darin, den Algorithmus zu optimieren, um das erforderliche Maschinenergebnis zu extrahieren und die Systemleistung zu maximieren. Die Ausgabe des Schritts ist eine verfeinerte Lösung, die in der Lage ist, die erforderlichen Daten für die Maschine bereitzustellen, um Entscheidungen zu treffen.
5. Bereitstellung
Wie bei jeder anderen Software-Ausgabe müssen ML-Ausgaben für die weitere Erkundungsverarbeitung operationalisiert oder weitergeleitet werden. Die Ausgabe kann als nicht deterministische Abfrage betrachtet werden, die weiter in das Entscheidungsfindungssystem implementiert werden muss.
Es wird empfohlen, die ML-Ausgabe nahtlos direkt in die Produktion zu verlagern, damit die Maschine direkt auf der Grundlage der Ausgabe Entscheidungen treffen und die Abhängigkeit von den weiteren Erkundungsschritten verringern kann.
Schlussfolgerungen
Die Architektur des maschinellen Lernens nimmt derzeit das Hauptinteresse der Branche ein, da jeder Prozess darauf abzielt, die verfügbaren Ressourcen und die Ausgabe auf der Grundlage der verfügbaren historischen Daten zu optimieren. Darüber hinaus bietet das maschinelle Lernen in Verbindung mit der Data-Science-Technologie erhebliche Vorteile in Bezug auf Datenprognosen und prädiktive Analysen. Die maschinelle Lernarchitektur definiert die verschiedenen Ebenen des maschinellen Lernzyklus und umfasst die wichtigsten Schritte bei der Umwandlung von Rohdaten in Trainingsdatensätze, die die Entscheidungsfindung eines Systems ermöglichen.
Empfohlene Artikel
Dies war ein Leitfaden für die Architektur des maschinellen Lernens. Hier haben wir das Konzept, den Prozess und die Arten der Architektur des maschinellen Lernens erörtert. Sie können auch unsere anderen Artikelvorschläge durchgehen, um mehr zu erfahren -
- Betreutes Lernen gegen tiefes Lernen
- Was ist API in Java?
- Was ist HBase-Architektur?
- Was ist ein Pufferüberlauf?