Mes visi nuo vaikystės žinome, kad kariams reikia tinkamų mokymų su naujausiais ginklais. Tada jie gali laimėti karą prieš savo opozicijos partiją. Lygiai taip pat duomenų mokslininkams reikia efektyvios ir efektyvios mašininio mokymosi programinės įrangos, įrankių ar sistemos, kad ir ką sakytume kaip ginklą. Sukurkite sistemą su reikalingais mokymo duomenimis, kad pašalintumėte trūkumus ir padarytumėte mašiną ar įrenginį protingą. Tik gerai apibrėžta programinė įranga gali sukurti vaisingą mašiną.
Tačiau šiandien mes tobuliname savo mašiną, kad nereikėtų duoti jokių nurodymų apie aplinką. Mašina gali veikti pati ir suprasti aplinką. Pavyzdžiui, savarankiškai važiuojantis automobilis. Kodėl mašina šiuo metu tokia dinamiška? Tai skirta tik sistemai kurti naudojant įvairias aukščiausios klasės mašininio mokymosi platformas ir įrankius.
Geriausia mašininio mokymosi programinė įranga ir sistemos
Be programinės įrangos kompiuteris yra tuščias langelis, nes jis negali atlikti nurodytos užduoties. Lygiai taip pat žmogus yra bejėgis kurti sistemą. Tačiau norint sukurti mašininio mokymosi projektą, yra keletas programinės įrangos ar sistemų. Savo straipsnyje aš pasakojau tik apie 20 geriausių mašininio mokymosi platformų ir įrankių. Taigi, pradėkime.
1. „Google Cloud ML“ variklis
Jei mokote klasifikatorių naudoti tūkstančius duomenų, jūsų nešiojamas kompiuteris ar asmeninis kompiuteris gali gerai veikti. Tačiau, jei turite milijonus mokymo duomenų? Arba jūsų algoritmas yra sudėtingas ir jo vykdymas užima daug laiko? Norėdami išgelbėti jus nuo jų, ateina „Google Cloud ML“ variklis. Tai priglobta platforma, kurioje kūrėjai ir duomenų mokslininkai kuria ir valdo aukštos kokybės mašininio mokymosi modelius ir duomenų rinkinius.
Šios ML ir dirbtinio intelekto sistemos įžvalga
- Teikia AI ir ML modelių kūrimą, mokymą, nuspėjamą modeliavimą ir gilų mokymąsi.
- Dvi paslaugos, būtent mokymas ir numatymas, gali būti naudojamos kartu arba savarankiškai.
- Šią programinę įrangą naudoja įmonės, t.e., aptikti debesis palydovo vaizde, greičiau reaguoti į klientų el.
- Jis gali būti naudojamas sudėtingam modeliui mokyti.
Pradžia
2. „Amazon Machine Learning“ (AML)
„Amazon Machine Learning“ (AML) yra tvirta ir debesimis pagrįsta mašininio mokymosi ir dirbtinio intelekto programinė įranga, kurią gali naudoti visi kūrėjų įgūdžių lygiai. Ši valdoma paslauga naudojama kuriant mašininio mokymosi modelius ir kuriant prognozes. Ji integruoja duomenis iš kelių šaltinių: „Amazon S3“, „Redshift“ ar RDS.
Šios AI ir mašininio mokymosi sistemos įžvalga
- „Amazon Machine Learning“ teikia vizualizavimo įrankius ir vedlius.
- Palaiko trijų tipų modelius, t.e., dvejetainė klasifikacija, kelių klasių klasifikacija ir regresija.
- Leidžia vartotojams sukurti duomenų šaltinio objektą iš „MySQL“ duomenų bazės.
- Be to, tai leidžia vartotojams sukurti duomenų šaltinio objektą iš „Amazon Redshift“ saugomų duomenų.
- Pagrindinės sąvokos yra Duomenų šaltiniai, ML modeliai, Vertinimai, Partijos prognozės ir Realaus laiko prognozės.
Pradžia
3. Sutarti.NET
Sutartis.Grynasis yra a .Grynoji mašininio mokymosi sistema kartu su garso ir vaizdo apdorojimo bibliotekomis, parašytomis C #. Jis susideda iš kelių bibliotekų, skirtų įvairiausioms programoms, t.e., statistinis duomenų apdorojimas, modelių atpažinimas ir tiesinė algebra. Tai apima Sutartį.Matematika, sutarimas.Statistika ir Susitarimas.Mašininis mokymasis.
Šios dirbtinio intelekto sistemos įžvalga
- Naudojamas produkcijos lygio kompiuterinės vizijos, kompiuterinės klausos, signalų apdorojimo ir statistikos programų kūrimui.
- Susideda iš daugiau nei 40 parametrinių ir neparametrinių statistinių pasiskirstymų įvertinimo.
- Turi daugiau nei 35 hipotezės testus, įskaitant vienpusius ir dvipusius ANOVA testus, neparametrinius testus, tokius kaip Kolmogorovo-Smirnovo testas, ir daug daugiau.
- Jis turi daugiau nei 38 branduolio funkcijas.
Pradžia
4. Apache Mahoutas
Apache Mahout yra paskirstyta linijinė algebros sistema ir matematiškai išraiškinga „Scala DSL“. Tai nemokamas ir atviro kodo „Apache Software Foundation“ projektas. Šios sistemos tikslas yra greitai įdiegti algoritmą duomenų mokslininkams, matematikams, statistikams.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Išplečiama kintamųjų algoritmų kūrimo sistema.
- Įdiegti mašininio mokymosi metodus, įskaitant grupavimą, rekomendavimą ir klasifikavimą.
- Tai apima matricų ir vektorių bibliotekas.
- Vykdykite „Apache“ viršuje Hadoopas naudojant „MapReduce“ paradigma.
Pradžia
5. Šogunas
Atviro kodo mašininio mokymosi biblioteką „Shogun“ pirmą kartą sukūrė Soerenas Sonnenburgas ir Gunnaras Raetschas 1999 m. Šis įrankis parašytas C++. Žodžiu, jame pateikiamos duomenų struktūros ir algoritmai mašininio mokymosi problemoms spręsti. Jis palaiko daug kalbų, tokių kaip Python, R, Octave, Java, C #, Ruby, Lua ir kt.
Šios dirbtinio intelekto sistemos įžvalga
- Šis įrankis yra skirtas didelio masto mokymuisi.
- Daugiausia dėmesio skiriama branduolio mašinoms, tokioms kaip vektorių palaikymo mašinos klasifikavimo ir regresijos problemoms spręsti.
- Leidžia susieti su kitomis dirbtinio intelekto ir mašininio mokymosi bibliotekomis, pvz., LibSVM, LibLinear, SVMLight, LibOCAS ir kt.
- Tai suteikia sąsajas Python, Lua, Octave, Java, C #, Ruby, MatLab ir R.
- Jis gali apdoroti didžiulį duomenų kiekį, pvz., 10 milijonų pavyzdžių.
Pradžia
6. Oryx 2
Oryx 2, lambda architektūros realizacija. Ši programinė įranga sukurta „Apache Spark“ ir „Apache Kafka“. Jis naudojamas realiuoju laiku atliekant plataus masto mašininį mokymąsi ir dirbtinį intelektą. Tai yra kūrimo programų, įskaitant supakuotas, nuo galo iki galo filtravimo, klasifikavimo, regresijos ir grupavimo programas, sistema. Naujausia versija yra „Oryx 2“.8.0.
Šios AI ir mašininio mokymosi sistemos įžvalga
- „Oryx 2“ yra patobulinta originalaus „Oryx 1“ projekto versija.
- Ji turi tris pakopas: bendroji lambda architektūros pakopa, specializacija, teikianti ML abstrakcijas, tų pačių standartinių ML algoritmų diegimas nuo galo iki galo.
- Jis susideda iš trijų vienas šalia kito besidarbuojančių sluoksnių: paketinio, greitojo, aptarnaujančio.
- Taip pat yra duomenų perdavimo sluoksnis, kuris perkelia duomenis tarp sluoksnių ir gauna įvestį iš išorinių šaltinių.
Pradžia
7. Apache Singa
Šią mašininio mokymosi ir dirbtinio intelekto programinę įrangą „Apache Singa“ inicijavo DB sistemos grupė 2014 m. Singapūro nacionaliniame universitete, bendradarbiaudama su Zhejiang universiteto duomenų bazių grupe. Ši programinė įranga pirmiausia naudojama natūralios kalbos apdorojimui (NLP) ir atpažįstant vaizdus. Be to, jis palaiko daugybę populiarių giluminio mokymosi modelių. Ją sudaro trys pagrindiniai komponentai: „Core“, IO ir „Model“.
Šios ML ir AI programinės įrangos įžvalga
- Lanksti architektūra, skirta išplėstiniam paskirstytam mokymui.
- Tenzoriaus abstrakcija leidžiama pažangesniems mašininio mokymosi modeliams.
- Įrenginių abstrakcija palaikoma, kai naudojama aparatūros įrenginiuose.
- Šis įrankis apima patobulintas IO klases, skirtas skaityti, rašyti, koduoti ir dekoduoti failus ir duomenis.
- Veikia sinchroninio, asinchroninio ir hibridinio treniruočių sistemose.
Pradžia
8. „Apache Spark MLlib“
„Apache Spark MLlib“ yra keičiamo dydžio mašininio mokymosi biblioteka. Jis veikia su „Hadoop“, „Apache Mesos“, „Kubernetes“, atskirai arba debesyje. Be to, jis gali pasiekti duomenis iš kelių duomenų šaltinių. Į klasifikaciją įtraukti keli algoritmai: logistinė regresija, naivus Bayesas, regresija: apibendrinta tiesinė regresija, klasterizacija: K reikšmė ir daug daugiau. Jo darbo eigos priemonės yra funkcijų transformacijos, ML vamzdynų konstrukcija, ML patvarumas ir kt.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Naudojimo paprastumas. Jis gali būti naudojamas „Java“, „Scala“, „Python“ ir „R“.
- „MLlib“ telpa į „Spark“ API ir sąveikauja su „NumPy“ Python ir R bibliotekose.
- Galima naudoti „Hadoop“ duomenų šaltinius, pvz., HDFS, HBase ar vietinius failus. Taigi lengva prisijungti prie „Hadoop“ darbo eigos.
- Jame yra aukštos kokybės algoritmai ir pranokiami geriau nei „MapReduce“.
Pradžia
9. „Google ML“ rinkinys mobiliesiems
Ar esate mobiliųjų įrenginių kūrėjas? Tada „Google“ „Android“ komanda jums pateikia ML rinkinį, kuriame kaupiama mašininio mokymosi patirtis ir technologijos, kad būtų sukurtos patikimesnės, individualizuotos ir optimizuotos programos, skirtos paleisti įrenginyje. Šį įrankį galite naudoti teksto atpažinimo, veido aptikimo, vaizdų žymėjimo, orientyrų aptikimo ir brūkšninių kodų nuskaitymo programoms.
Šios ML ir AI programinės įrangos įžvalga
- Jis siūlo galingas technologijas.
- Naudoja „of-the-box“ sprendimus arba pasirinktinius modelius.
- Veikia įrenginyje arba debesyje, atsižvelgiant į konkrečius reikalavimus.
- Rinkinys yra integracija su „Google“ „Firebase“ mobiliojo ryšio platforma.
Pradžia
10. „Apple Core ML“
„Apple Core ML“ yra mašininio mokymosi sistema, padedanti integruoti mašininio mokymosi modelius į jūsų programą. Turite mesti ml modelio failą į savo projektą, o „Xcode“ automatiškai sukuria „Objective-C“ arba „Swift“ pakuotės klasę. Naudoti modelį yra nesudėtinga. Tai gali pasitelkti kiekvieną procesorių ir GPU, kad būtų pasiektas maksimalus našumas.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Veikia kaip pagrindas domenui būdingoms sistemoms ir funkcionalumui.
- „Core ML“ palaiko „Computer Vision“ vaizdų analizei, natūralią kalbą natūralios kalbos apdorojimui ir „GameplayKit“ - išmoktų sprendimų medžių vertinimui.
- Jis yra optimizuotas, kad veiktų įrenginyje.
- Jis remiasi žemo lygio primityvų viršuje.
Pradžia
11. Matplotlib
„Matplotlib“ yra „Python“ pagrindu sukurta mašininio mokymosi biblioteka. Tai naudinga kokybiškam vizualizavimui. Iš esmės tai yra „Python 2D“ braižymo biblioteka. Jis kilęs iš MATLAB. Norėdami sukurti produkcijos kokybės vizualizaciją, turite parašyti tik kelias kodo eilutes. Šis įrankis padeda jūsų sunkų įgyvendinimą paversti lengvais dalykais. Pavyzdžiui, jei norite sugeneruoti histogramą, jums nereikia inicijuoti objektų. Tiesiog paskambinkite metodais, nustatykite ypatybes; tai sugeneruos.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Generuoja kokybiškas vizualizacijas su keliomis kodo eilutėmis.
- Galite jį naudoti savo „Python“ scenarijuose, „Python“ ir „IPython“ apvalkaluose, „Jupyter“ bloknotuose, žiniatinklio programų serveriuose ir kt.
- Geba generuoti diagramas, histogramas, galios spektrus, juostines diagramas ir kt.
- Jo funkcionalumą galima patobulinti naudojant trečiųjų šalių vizualizavimo paketus, tokius kaip „seaborn“, „ggplot“ ir „HoloViews“.
Pradžia
12. „TensorFlow“
Manau, kad visi mašininio mokymosi ir dirbtinio intelekto mėgėjai, dirbantys su mašininio mokymosi programomis, žino apie „TensorFlow“. Tai atviro kodo mašininio mokymosi biblioteka, padedanti sukurti ML modelius. „Google“ komanda ją sukūrė. Jis turi lanksčią įrankių, bibliotekų ir išteklių schemą, kuri leidžia tyrėjams ir kūrėjams kurti ir diegti mašininio mokymosi programas.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Visapusiška gilaus mokymosi sistema.
- Kurkite ir mokykite ML modelius be jokių pastangų naudodami intuityvias aukšto lygio API, tokias kaip „Keras“, noriai vykdydami.
- Ši atvirojo kodo programinė įranga yra labai lanksti.
- Atlieka skaitinius skaičiavimus naudodamas duomenų srauto grafikus.
- Veikiantys procesoriai ar GPU, taip pat mobiliųjų kompiuterių platformos.
- Efektyviai mokykite ir pritaikykite modelį debesyje.
Pradžia
13. Deglas
Ar jums reikia maksimalaus lankstumo ir greičio pagrindo, kad sukurtumėte savo mokslinius algoritmus? Tada „Torch“ yra jūsų pagrindas. Tai palaiko dirbtinį intelektą ir mašininio mokymosi algoritmus. Tai lengva naudoti ir efektyvi scenarijų kalba, pagrįsta „Lua“ programavimo kalba. Be to, ši atviro kodo mašininio mokymosi sistema suteikia platų giliųjų mokymosi algoritmų asortimentą.
Šios ML ir AI programinės įrangos įžvalga
- Pateikia galingą „N“ matmenų masyvą, kuris palaiko daugybę indeksavimo, pjaustymo ir perkėlimo procedūrų.
- Jis turi puikią sąsają su C per „LuaJIT“.
- Greitas ir efektyvus GPU palaikymas.
- Šią sistemą galima įterpti į „iOS“ ir „Android“ programų uostus.
Pradžia
14. „Azure“ mašinų mokymosi studija
Ką darome kurdami nuspėjamos analizės modelį? Paprastai mes renkame duomenis iš vieno ar kelių šaltinių ir tada analizuojame duomenis naudodami duomenų manipuliavimo ir statistines funkcijas, galiausiai, jie generuoja išvestį. Taigi, modelio kūrimas yra iteracinis procesas. Turime jį modifikuoti, kol gausime norimą ir naudingą modelį.
„Microsoft Azure Machine Learning Studio“ yra bendrasis „nuvilkimo“ įrankis, kurį galima naudoti kuriant, testuojant ir diegiant nuspėjamuosius analizės sprendimus jūsų duomenyse. Šis įrankis skelbia modelius kaip žiniatinklio paslaugas, kurias gali naudoti pasirinktinės programos arba BI įrankiai.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Pateikia interaktyvią, vaizdinę darbo sritį, kad būtų galima sukurti, greitai išbandyti ir pakartoti nuspėjamosios analizės modelį.
- Programuoti nereikia. Turite tik vizualiai sujungti duomenų rinkinius ir modulius, kad sukurtumėte savo nuspėjamosios analizės modelį.
- „Vilkite ir upu“ duomenų rinkinių ir modulių sujungimas sudaro eksperimentą, kurį turite atlikti „Machine Learning Studio“.
- Galiausiai, jūs turite jį paskelbti kaip interneto paslaugą.
Pradžia
15. Weka
„Weka“ yra mašininio mokymosi programinė įranga „Java“ su daugybe mašininio mokymosi algoritmų, skirtų duomenų gavybos užduotims atlikti. Jį sudaro kelios duomenų paruošimo, klasifikavimo, regresijos, grupavimo, asociacijos taisyklių kasybos ir vizualizavimo priemonės. Tai galite naudoti savo tyrimams, švietimui ir programoms. Ši programinė įranga yra nepriklausoma nuo platformos ir ja lengva naudotis. Be to, jis yra lankstus scenarijų eksperimentams.
Šios dirbtinio intelekto programinės įrangos įžvalga
- Ši atvirojo kodo mašininio mokymosi programinė įranga išleidžiama pagal GNU „General Public License“.
- Palaiko gilų mokymąsi.
- Teikia nuspėjamąjį modeliavimą ir vizualizaciją.
- Mokymosi algoritmų palyginimo aplinka.
- Grafinės vartotojo sąsajos, įskaitant duomenų vizualizavimą.
Pradžia
16. „Eclipse Deeplearning“ 4j
„Eclipse Deeplearning4j“ yra atviro kodo „Java“ virtualiosios mašinos (JVM) giluminio mokymosi biblioteka. Tai sukūrė San Francisko įmonė, pavadinta „Skymind“. „Deeplearning4j“ yra parašytas „Java“ ir suderinamas su bet kuria JVM kalba, pvz., „Scala“, „Clojure“ ar „Kotlin“. „Eclipse Deeplearning4j“ tikslas yra pateikti svarbų komponentų rinkinį, skirtą kurti programas, integruojamas su dirbtiniu intelektu.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Leidžia konfigūruoti gilius neuroninius tinklus.
- Apima visą giluminio mokymosi darbo eigą nuo duomenų išankstinio apdorojimo iki paskirstyto mokymo, hiperparametrų optimizavimo ir gamybos lygio diegimo.
- Suteikia lanksčią integraciją didelių įmonių aplinkoje
- Naudojamas kraštuose, kad palaikytų daiktų interneto (IoT) diegimą.
Pradžia
17. scikit-mokytis
Gerai žinoma nemokama mašininio mokymosi biblioteka yra „scikit-learn“, skirta programuoti „Python“ pagrindu. Jame yra klasifikavimo, regresijos ir grupavimo algoritmai, tokie kaip atraminių vektorių mašinos, atsitiktiniai miškai, gradiento padidinimas ir k-vidurkiai. Ši programinė įranga yra lengvai pasiekiama. Jei išmoksite pagrindinį „Scikit-Learn“ naudojimą ir sintaksę vienos rūšies modeliui, labai lengva pereiti prie naujo modelio ar algoritmo.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Efektyvus įrankis duomenų gavybai ir duomenų analizės užduotims atlikti.
- Jis sukurtas „NumPy“, „SciPy“ ir „matplotlib“.
- Šį įrankį galite pakartotinai naudoti įvairiuose kontekstuose.
- Be to, jis yra komerciškai naudojamas pagal BSD licenciją.
Pradžia
18. „Microsoft Distributed Machine Learning Toolkit“
Šiais laikais paskirstytasis mašininis mokymasis yra aktualus mokslinių tyrimų klausimas šioje didžiųjų duomenų epochoje. Todėl „Microsoft Asia“ tyrimų laboratorijos tyrėjai sukūrė įrankį „Microsoft Distributed Machine Learning Toolkit“. Šis įrankių rinkinys skirtas paskirstytam mašininiam mokymuisi, naudojant kelis kompiuterius lygiagrečiai, siekiant išspręsti sudėtingą problemą. Jame yra parametro serverio programavimo sistema, kuri sukuria mašininio mokymosi užduotis naudojant didelius duomenis.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Šį įrankių rinkinį sudaro keli komponentai: DMTK Framework, LightLDA, Distributed Word Embedding ir LightGBM.
- Tai labai keičiamo dydžio ir didėjanti medžio sistema (palaiko GBDT, GBRT ir GBM).
- Siūlo lengvai naudojamas API, kad būtų sumažinta paskirstyto mašininio mokymosi klaida.
- Naudodamiesi šiuo įrankių rinkiniu, tyrėjai ir kūrėjai gali efektyviai spręsti didelių duomenų, didelių modelių mašininio mokymosi problemas.
Pradžia
19. „ArcGIS“
Geografinės informacijos sistemoje (GIS) „ArcGIS“ turi mašininio mokymosi metodų, turinčių būdingų erdvinių ir tradicinių mašininio mokymosi metodų, pogrupį. Sprendžiant erdvines problemas, gyvybiškai svarbų vaidmenį atlieka tiek įprasti, tiek būdingi erdvinio mašininio mokymosi metodai. Tai atvira, sąveikaujanti platforma.
Šios dirbtinio intelekto programinės įrangos įžvalga
- Palaiko ML naudojimą numatant, klasifikuojant ir kaupiant grupes.
- Jis naudojamas sprendžiant platų erdvinių pritaikymo spektrą, pradedant daugiakrypčiu prognozavimu, baigiant vaizdo klasifikavimu ir baigiant erdvinio modelio aptikimu.
- „ArcGIS“ yra regresijos ir interpoliacijos metodai, kurie naudojami atliekant prognozavimo analizę.
- Turi keletą įrankių, įskaitant empirinį Bajeso krigingą (EBK), lauko interpoliaciją, EBK regresijos prognozavimą, įprastą mažiausių kvadratų (OLS) regresiją, OLS tiriamąją regresiją ir geografiškai įvertintą regresiją (GWR).
Pradžia
20. PrognozėIO
„Apache PredictionIO“, atviro kodo mašininio mokymosi serveris, sukurtas viršuje, skirtas kūrėjams ir duomenų mokslininkams kurti nuspėjamus variklius bet kokiam dirbtinio intelekto ir mašininio mokymosi užduočiai. Ją sudaro trys komponentai: „PredictionIO“ platforma, „Event Server“ ir „Template Gallery“.
Šios AI ir mašininio mokymosi sistemos įžvalga
- Palaiko mašininio mokymosi ir duomenų apdorojimo bibliotekas, tokias kaip „Spark MLLib“ ir „OpenNLP“.
- Paprastai valdykite duomenų infrastruktūrą.
- Efektyviai sukurkite ir įdiekite variklį kaip žiniatinklio paslaugą.
-
Gali realiu laiku atsakyti į dinamiškas užklausas.
Pradžia
Baigiančios mintys
Mašininio mokymosi algoritmai gali mokytis iš kelių integruotų šaltinių ir ankstesnės patirties. Turėdama tokius įgūdžius, mašina gali dinamiškai atlikti bet kurią užduotį. Mašinų mokymosi programine įranga ar platforma siekiama sukurti mašiną su šia ryškia specifikacija. Jei dar nesinaudojate dirbtiniu intelektu ir mašininiu mokymusi, raginame jus pereiti šį mašininio mokymo kursų rinkinį. Tai gali padėti jums sukurti projektą. Tikimės, kad šis straipsnis padės jums sužinoti apie įvairią sudėtingą dirbtinio intelekto ir mašininio mokymosi programinę įrangą, įrankius ir sistemas. Jei turite kokių nors pasiūlymų ar klausimų, prašome kreiptis į mūsų komentarų skyrių.