Perusahaan saingan kanggo programer sing bisa nulis kode kanggo machine learning lan deep learning. Yen sampeyan kasengsem ing topik kasebut, bisa uga sampeyan kudu ndeleng perpustakaan Java sing paling apik kanggo sinau mesin saiki?
Glosarium mini
Machine learning minangka pendekatan ing ngendi intelijen buatan ora ngerti carane ngatasi masalah tartamtu, nanging sinau proses iki kanthi ngrampungake masalah sing padha. Macem-macem cara matematika digunakake kanggo mbangun hubungan. Deep utawa deep learning minangka subset saka machine learning sing paling kerep nggunakake jaringan syaraf sing niru pengambilan keputusan manungsa. Sinau jero paling asring mbutuhake data latihan sing akeh. Contone, yen sampeyan kudu nyiyapake algoritma kanggo ngenali saksofon, program kudu feed ora mung gambar saksofon, nanging uga instrumen kuningan liyane padha, supaya algoritma ora galau ing mangsa.
Apa iki janji?
Mangsa suwene pangembangan intelijen buatan wis rampung. Pembelajaran mesin saiki dadi salah sawijining katrampilan teknologi sing paling apik, lan para ahli sing ngerti topik kasebut akeh dikarepake. Nganti saiki, ora ana basa sing dadi pimpinan mutlak ing bidang pembelajaran mesin, nanging Jawa jelas dadi favorit. Dadi yen sampeyan kasengsem ing ilmu lan pengin nindakake riset tinimbang mung coding, disaranake sampeyan ndeleng limang perpustakaan Java paling ndhuwur kanggo program machine learning.
Weka
Link perpustakaan: https://www.cs.waikato.ac.nz/ml/weka/index.html Weka minangka favorit mutlak lan ora kaget. Produk iki disusun minangka lingkungan modern kanggo ngembangake metode pembelajaran mesin lan ngetrapake menyang data nyata, lingkungan sing bakal nggawe metode pembelajaran mesin kasedhiya kanggo panggunaan sing akeh. Kanthi Weka, ilmuwan aplikasi bisa nggunakake teknik pembelajaran mesin kanggo njupuk kawruh sing migunani langsung saka data sing bisa uga gedhe banget. Weka 3 minangka piranti lunak gratis sing ditulis nganggo basa Jawa. Produk kasebut uga nggabungake kode liyane, amarga menehi akses langsung menyang perpustakaan algoritma sing ditindakake. Yaiku, sampeyan bakal bisa nggunakake algoritma sing wis ditulis saka sistem liyane sing diimplementasikake ing Jawa. Kajaba iku, Weka duwe antarmuka panganggo Explorer dhewe, antarmuka komponen Knowledge Flow, nanging sampeyan uga bisa nggunakake baris perintah. Kajaba iku, aplikasi Experimenter wis dikembangake kanggo Weka kanggo mbandhingake kemampuan prediksi algoritma pembelajaran mesin ing sawetara masalah.
“Kekuwatane Weka ana ing klasifikasi. Dadi becik kanggo aplikasi sing mbutuhake klasifikasi data otomatis. Weka uga nindakake tugas clustering, prediksi, pilihan fitur lan deteksi anomali, "ujare Eibe Frank, profesor ilmu komputer ing Universitas Waikato ing Selandia Baru. Algoritma pembelajaran mesin Weka bisa diterapake langsung menyang basis data utawa ditelpon saka kode Jawa sampeyan dhewe. Ndhukung sawetara tugas data mining standar, kalebu preprocessing data, klasifikasi, clustering, visualisasi, analisis regresi, lan pilihan fitur. Conto nggunakake Weka nganggo kode Jawa: https://weka.wikispaces.com/Use+WEKA+in+your+Java+code
Analisis Online Massive (MOA)
Link perpustakaan: https://moa.cms.waikato.ac.nz/ MOA (Massive On-Line Analysis) minangka kerangka kanggo ngembangake aliran data. Iki kalebu alat evaluasi lan sakumpulan algoritma pembelajaran mesin sing efisien wektu lan memori. Pustaka open source iki digunakake langsung kanggo machine learning lan ngumpulake informasi saka aliran data ing wektu nyata. MOA ditulis nganggo basa Jawa, saengga gampang digunakake bebarengan karo Weka kanggo ngatasi masalah sing gedhe-gedhe lan rumit. Algoritma pembelajaran mesin lan mesin skor MOA migunani kanggo analisis regresi, klasifikasi, deteksi outlier, clustering, sistem rekomendasi. MOA uga bisa migunani kanggo ngganti set lan aliran data, uga data sing diprodhuksi dening piranti Internet of Things (IoT).
Alur kerja ing MOA ngetutake skema sing gampang: pisanan, aliran data (saluran, generator) dipilih lan dikonfigurasi, banjur algoritma (contone, classifier) dipilih lan paramèter disetel. Ing langkah katelu, cara utawa ukuran penilaian dipilih, sawise asil bakal dipikolehi.
Kanggo nindakake eksperimen nggunakake MOA, pangguna bisa milih antarane antarmuka panganggo grafis (GUI) utawa baris printah.
DeepLearning4
Link Pustaka: https://deeplearning4j.org/ Deeplearning4j minangka salah sawijining kontributor inovatif sing nggawa inovasi penting kanggo ekosistem Jawa. Iki minangka perpustakaan kanthi kualitas dhuwur, proyek sumber terbuka ing Jawa lan Scala, sing ditawakake wong lanang sing apik banget (lan robot semi-cerdas!) Skymind. Gagasan ing mburi Deep;earning4j yaiku nggabungake jaringan saraf jero lan sinau jero kanggo lingkungan bisnis.
Deeplearning4j minangka alat DIY sing apik kanggo programer Java, Scala, lan Clojure sing makarya karo Hadoop, kerangka kanggo ngembangake lan mbukak program sing disebarake ing klompok kanthi ewonan node. Hadoop nduweni daya komputasi sing gedhe banget lan kemampuan kanggo nangani tugas paralel sing meh ora ana watesan. Jaringan saraf jero lan sinau penguatan jero bisa ngenali pola lan sinau mesin sing ditargetake. Iki tegese Deeplearning4j migunani banget kanggo ngenali pola lan sentimen ing wicara, audio lan teks. Kajaba iku, perpustakaan bisa digunakake kanggo ndeteksi anomali ing data seri wektu kayata transaksi finansial.
MALLET
Link perpustakaan: http://mallet.cs.umass.edu/ MALLET minangka toolkit Java open-source sing digawe dening Andrew McCallum lan siswa ing UMASS lan UPenn. Pustaka iki dirancang utamane kanggo pangolahan teks nggunakake pembelajaran mesin. Panjelasan jeneng perpustakaan - MACHINE Learning kanggo LanguagE Toolkit.
Paket piranti lunak iki ndhukung pamrosesan basa alami statistik, clustering, klasifikasi dokumen, pengambilan informasi, pemodelan, lan aplikasi pembelajaran canggih liyane. Kekuwatan utama MALLET yaiku alat modern kanggo klasifikasi dokumen, kayata prosedur standar sing efisien kanggo transformasi teks. Ndhukung macem-macem algoritma, kalebu Naive Bayes, Wit Keputusan, Wit Keputusan Maksimum, lan Entropi Maksimum, uga kode analisis kinerja klasifikasi.
ELKI
Link perpustakaan: https://elki-project.github.io/ ELKI singkatan saka Environment for Developing KDD-Applications Supported by Index Structures, sing bisa diterjemahake minangka "lingkungan kanggo ngembangake aplikasi KDD sing didhukung dening struktur indeks." Sabanjure, KDD - Penemuan kawruh ing basis data - minangka singkatan sing ndhelikake kemungkinan ekstraksi kawruh skala gedhe saka data. Fokus ELKI yaiku riset algoritmik kanthi penekanan ing metode sing ora diawasi ing analisis kluster lan deteksi outlier. Kanggo entuk kinerja dhuwur lan skalabilitas, nawakake ELKI struktur indeks data kayata R * -wit (struktur data kuwi digunakake kanggo indeks informasi spasial), kang bisa nyedhiyani hasil kinerja pinunjul. ELKI gampang extensible lan yakuwi kanggo nyedhiyani pesawat gedhe saka algoritma Highly parameterizable kanggo mbisakake gampang lan adil evaluasi algoritma.
Iki tegese ELKI banget migunani ing bidang ilmu data. Alat iki digunakake kanggo nyinaoni swara paus sperma, penerbangan ruang angkasa lan prakiraan lalu lintas. Mbokmenawa sampeyan ngerti perpustakaan pembelajaran mesin Java liyane sing durung dibahas? Nuduhake karo kita ing komentar, iku menarik kanggo mangerteni apa kita bisa wis ora kejawab! Adhedhasar bahan saka jaxenter
GO TO FULL VERSION