Introduktion till maskininlärningsarkitektur
Maskininlärningsarkitektur som ämne har utvecklats under de senaste perioderna från ett fantasibegrepp till verklighetsbevis.
Det som utvecklats från en grundläggande strategi för mönsterigenkänning är att lägga grunden för utvecklingen av en stor plattform för konstgjord intelligens. Den grundläggande idén var att bestämma om maskinerna kan lära av de uppgifter som de tillhandahåller och bli kapabla att producera repeterbara åtgärder med högre tillförlitlighet och effektiv beslutsfattande. Således kan vi definiera maskininlärning som en gren av konstgjord intelligens som utbildar maskiner på hur man lär sig. Möjligheten för maskininlärning gör att ett system kan utföra beslutsfattande utan uttryckliga ingångar från användare. Denna förmåga utvecklas till systemet baserat på ett provutrymme med data som kallas träningsdata. Användningen av maskininlärning är synlig för närvarande vid alla tekniska framsteg eftersom det är förmågan för mobilsystemen att föreslå val i appar baserat på tidigare sökningar av användaren, till den händelsebaserade menyn på restaurangsajter, till åldersbaserad tågplatsallokering, etc. I ett större sammanhang kan maskininlärning betraktas som en applikation för prediktiv analys.
Maskininlärning kan formellt definieras som en dataanalysteknologi för kunskap som ska extraheras av systemet utan någon uttrycklig definition för att utföra samma baserat på en serie observationer.
Typer av maskininlärningsarkitektur
Maskininlärningsarkitekturen kan kategoriseras på grundval av algoritmen som används i utbildning.
1. Handledd lärande
I övervakad inlärning är träningsdata som används för en matematisk modell som består av både ingångar och önskade utgångar. Varje motsvarande ingång har en tilldelad utgång, som också är känd som en övervakningssignal. Genom den tillgängliga träningsmatrisen kan systemet bestämma förhållandet mellan ingång och utgång och använda samma i efterföljande ingångar efter träning för att bestämma motsvarande utgång. Det övervakade lärandet kan vidare breddas till klassificerings- och regressionsanalys baserat på outputkriterierna. Klassificeringsanalys presenteras när utgångarna är begränsade till sin natur och begränsade till en uppsättning värden. Regressionsanalys definierar emellertid ett numeriskt intervall av värden för utgången. Exempel på övervakad inlärning ses i ansiktsdetektering, högtalarverifieringssystem.
2. Oövervakat lärande
Till skillnad från övervakat inlärning använder undervisat lärande utbildningsdata som inte innehåller utdata. Det oövervakade inlärningen identifierar relationsinmatning baserat på trender, gemensamhet och output bestäms på grundval av närvaro / frånvaro av sådana trender i användarinmatningen.
3. Förstärkningsträning
Detta används för att utbilda systemet för att bestämma ett särskilt relevansförhållande med olika algoritmer för att bestämma rätt tillvägagångssätt i det nuvarande tillståndets sammanhang. Dessa används ofta för att träna spelportaler för att arbeta med användarinsatser i enlighet därmed.
Arkivera maskinens inlärningsprocess
Fig: - Blockschema över beslutsflödesarkitektur för maskininlärningssystem,
Låt oss nu försöka förstå lagren representerade i bilden ovan.
1. Datainsamling
Eftersom maskininlärning är baserad på tillgängliga data för systemet att fatta ett beslut, varför det första steget som definieras i arkitekturen är datainsamling. Detta involverar datainsamling, förbereder och segregerar fallsscenarierna baserade på vissa funktioner som är involverade i beslutsprocessen och vidarebefordrar data till behandlingsenheten för att utföra ytterligare kategorisering. Det här steget kallas ibland dataprocessbearbetningssteget. Datamodellen förväntar sig tillförlitliga, snabba och elastiska data som kan vara diskreta eller kontinuerliga. Uppgifterna överförs sedan till strömbearbetningssystem (för kontinuerlig data) och lagras i batchdatalager (för diskret data) innan de överförs till datamodellering eller bearbetningssteg.
2. Databehandling
Den mottagna datan i datainsamlingslagret skickas sedan vidare till databehandlingsskiktet där den utsätts för avancerad integration och bearbetning och innefattar normalisering av data, datarengöring, transformation och kodning. Databehandlingen är också beroende av vilken typ av lärande som används. Om t.ex. övervakat inlärning används ska data behövas uppdelas i flera steg med provdata som krävs för utbildning av systemet och de data som sålunda skapas kallas träningsprovdata eller helt enkelt träningsdata. Databehandlingen är också beroende av vilken typ av bearbetning som krävs och kan innefatta val som sträcker sig från handling på kontinuerlig data som kommer att involvera användningen av specifik funktionsbaserad arkitektur, till exempel lambda-arkitektur. Det kan också involvera handling på diskreta data som kan kräver minnesbunden behandling. Databehandlingsskiktet definierar om minnesbehandlingen ska göras till data under transport eller i vila.
3. Datamodellering
Det här lagret i arkitekturen involverar val av olika algoritmer som kan anpassa systemet för att ta itu med problemet som lärandet utformas för. Dessa algoritmer utvecklas eller ärvs från en uppsättning bibliotek. Algoritmerna används för att modellera data i enlighet därmed, detta gör systemet redo för exekveringssteg.
4. Utförande
Det här steget i maskininlärning är där experimentet utförs, testning är involverad och inställningar utförs. Det allmänna målet bakom att vara att optimera algoritmen för att extrahera det önskade maskinutfallet och maximera systemprestanda. Utgången från steget är en förfinad lösning som kan tillhandahålla nödvändig data för maskinen att fatta beslut.
5. Distribution
Liksom annan programvaruutgång måste ML-utgångar opereras eller vidarebefordras för ytterligare undersökande behandling. Utgången kan betraktas som en icke-deterministisk fråga som måste distribueras ytterligare i beslutssystemet.
Det rekommenderas att sömlöst flytta ML-produktionen direkt till produktion där den gör det möjligt för maskinen att direkt fatta beslut baserat på utgången och minska beroendet av ytterligare undersökningssteg.
Slutsatser
Maskininlärningsarkitektur upptar det stora branschintresse nu eftersom varje process letar efter att optimera tillgängliga resurser och output baserat på tillgängliga historiska data. Dessutom innebär maskininlärning stora fördelar med dataprognoser och förutsägande analyser i kombination med datavetenskapsteknologi. Maskininlärningsarkitekturen definierar de olika lagren som är involverade i maskininlärningscykeln och involverar de viktigaste stegen som utförs i omvandlingen av rådata till träningsdatasatser som kan göra det möjligt att fatta beslut om ett system.
Rekommenderade artiklar
Detta har varit en guide till maskininlärningsarkitektur. Här diskuterade vi begreppet, processen och typerna av maskininlärningsarkitektur. Du kan också gå igenom våra andra föreslagna artiklar för att lära dig mer -
- Övervakad inlärning kontra djup inlärning
- Vad är API i Java?
- Vad är HBase Architecture?
- Vad är buffertöverskridning?