Οι προγραμματιστές που θέλουν να αξιολογήσουν τις μεθόδους εκμάθησης μηχανών βρίσκουν μια αυξανόμενη ποικιλία εξειδικευμένων πλατφορμών υλικού και ανάπτυξης που συχνά συντονίζονται σε συγκεκριμένες κατηγορίες αρχιτεκτονικής και εφαρμογής μηχανικής μάθησης. Παρόλο που αυτές οι εξειδικευμένες πλατφόρμες είναι απαραίτητες για πολλές εφαρμογές μηχανικής μάθησης, λίγοι προγραμματιστές νέοι στη μηχανική μάθηση είναι έτοιμοι να λάβουν τεκμηριωμένες αποφάσεις για την επιλογή της ιδανικής πλατφόρμας.
Οι προγραμματιστές χρειάζονται μια πιο προσιτή πλατφόρμα για να αποκτήσουν εμπειρία στην ανάπτυξη εφαρμογών μηχανικής μάθησης και μια βαθύτερη κατανόηση των απαιτήσεων των πόρων και των συνακόλουθων δυνατοτήτων.
Όπως περιγράφεται στο άρθρο Digi-Key "Ξεκινήστε με εκμάθηση μηχανών χρησιμοποιώντας εύκολα διαθέσιμο υλικό και λογισμικό", η ανάπτυξη οποιουδήποτε μοντέλου για εποπτευόμενη εκμάθηση μηχανών περιλαμβάνει τρία βασικά βήματα:
Προετοιμασία δεδομένων για την κατάρτιση ενός μοντέλου
Εφαρμογή μοντέλου
Μοντέλο κατάρτισης
Η προετοιμασία δεδομένων συνδυάζει γνωστές μεθόδους απόκτησης δεδομένων με ένα πρόσθετο βήμα που απαιτείται για την επισήμανση συγκεκριμένων περιπτώσεων δεδομένων για χρήση στη διαδικασία εκπαίδευσης. Για τα δύο τελευταία βήματα, οι ειδικοί του μοντέλου μηχανικής μάθησης, μέχρι πρόσφατα, χρειάστηκαν να χρησιμοποιήσουν σχετικά χαμηλού επιπέδου μαθηματικές βιβλιοθήκες για να εφαρμόσουν τους λεπτομερείς υπολογισμούς που εμπλέκονται σε αλγόριθμους μοντέλων. Η διαθεσιμότητα πλαισίων μηχανικής μάθησης έχει δραματικά μετριάσει την πολυπλοκότητα της εφαρμογής του μοντέλου και της κατάρτισης.
Σήμερα, κάθε προγραμματιστής που είναι εξοικειωμένος με την Python ή άλλες υποστηριζόμενες γλώσσες μπορεί να χρησιμοποιήσει αυτά τα πλαίσια για να αναπτύξει γρήγορα μοντέλα μηχανικής μάθησης ικανά να τρέχουν σε ένα ευρύ φάσμα πλατφορμών. Αυτό το άρθρο θα περιγράψει τη στοίβα της μηχανής μάθησης και τη διαδικασία κατάρτισης προτού φτάσει στο πώς να αναπτύξει μια εφαρμογή εκμάθησης μηχανών σε Raspberry Pi 3. Από τον Stephen Evanczuk
