Компаниялар машиналық оқыту және терең оқыту үшін code жаза алатын бағдарламашылар үшін бәсекелеседі. Егер сізді осы тақырыптар қызықтырса, бүгінгі таңда машиналық оқытуға арналған ең жақсы Java кітапханаларын қарап шығуыңыз керек шығар?
Шағын глоссарий
Машиналық оқыту – жасанды интеллект бастапқыда белгілі бір мәселені шешу жолын білмейтін, бірақ осы процесті ұқсас есептерді шешу арқылы үйренетін тәсіл. Қарым-қатынас құру үшін әртүрлі математикалық әдістер қолданылады. Терең немесе терең оқыту - адамның шешім қабылдауына еліктейтін нейрондық желілерді жиі қолданатын машиналық оқытудың ішкі жиынтығы. Терең оқыту көбінесе оқу деректерінің үлкен көлемін қажет етеді. Мысалы, егер сізге саксофонды тану алгоритмін орнату қажет болса, бағдарлама болашақта алгоритм оларды шатастырмас үшін саксофондардың суреттерін ғана емес, сонымен қатар басқа да ұқсас жезден жасалған аспаптарды беруі керек.
Бұл перспективалы ма?
Жасанды интеллект дамуының ұзақ қысы аяқталды. Машиналық оқыту қазір технологиядағы ең ыстық дағдылардың бірі болып табылады және тақырыпты түсінетін сарапшылар жоғары сұранысқа ие. Әзірге ешбір тіл машиналық оқыту саласында абсолютті көшбасшы болған жоқ, бірақ Java таңдаулылардың қатарында екені анық. Сондықтан, егер сіз ғылымға қызығушылық танытсаңыз және жай ғана codeтауды емес, зерттеу жүргізгіңіз келсе, машиналық оқытуды бағдарламалауға арналған ең жақсы бес Java кітапханасын қарауды ұсынамыз.
Века
Кітапхана сілтемесі: https://www.cs.waikato.ac.nz/ml/weka/index.html Века - біздің абсолютті сүйікті және таңқаларлық емес. Бұл өнім машиналық оқыту әдістерін әзірлеуге және оларды нақты деректерге қолдануға арналған заманауи орта, машиналық оқыту әдістерін кеңінен қолдануға қол жетімді ететін орта ретінде ойластырылған. Weka көмегімен қолданбалы ғалым машинада оқыту әдістерін пайдалана алады, ол өте үлкен деректерден пайдалы білімді тікелей алады. Weka 3 — Java тілінде жазылған тегін бағдарламалық құрал. Өнім басқа codeпен жақсы біріктірілген, өйткені ол онда енгізілген алгоритмдер кітапханасына тікелей қол жеткізуді қамтамасыз етеді. Яғни, сіз Java-да енгізілген басқа жүйелерден бұрыннан жазылған алгоритмдерді пайдалана аласыз.Сонымен қатар Weka-да Explorer пайдаланушы интерфейсі, Knowledge Flow компонент интерфейсі бар, бірақ сіз пәрмен жолын да пайдалана аласыз. Сонымен қатар, Weka үшін берілген есептер жинағы бойынша машиналық оқыту алгоритмдерінің болжамдық қабілетін салыстыру үшін Experimenter қолданбасы әзірленді.
«Веканың күші классификацияда. Сондықтан ол деректерді автоматты түрде жіктеуді қажет ететін қолданбалар үшін өте қолайлы. Weka сонымен қатар кластерлеу, болжау, мүмкіндіктерді таңдау және аномалияларды анықтау тапсырмаларын орындайды», - дейді Жаңа Зеландиядағы Вайкато университетінің информатика профессоры Эйбе Франк. Weka машиналық оқыту алгоритмдерінің жиынтығын тікелей дерекқорға қолдануға немесе өзіңіздің Java codeыңыздан шақыруға болады. Ол деректерді алдын ала өңдеу, жіктеу, кластерлеу, визуализация, регрессиялық талдау және мүмкіндіктерді таңдауды қоса алғанда, бірнеше стандартты деректерді өңдеу тапсырмаларын қолдайды. Weka-ны Java codeымен пайдалану мысалы: https://weka.wikispaces.com/Use+WEKA+in+your+Java+code
Жаппай онлайн талдау (MOA)
Кітапхана сілтемесі: https://moa.cms.waikato.ac.nz/ MOA (Massive On-Line Analysis) – деректер ағындарын әзірлеуге арналған құрылым. Ол бағалау құралдары мен уақыт пен жадты үнемдейтін машиналық оқыту алгоритмдерінің жиынтығын қамтиды. Бұл ашық бастапқы кітапхана нақты уақытта машиналық оқыту және деректер ағындарынан ақпаратты жинау үшін тікелей пайдаланылады. MOA Java тілінде жазылған, сондықтан оны Weka-мен бірге ауқымды және күрделі есептерді шешу үшін оңай пайдалануға болады. MOA-ның машиналық оқыту алгоритмдері мен баллдық қозғалтқыштар жиынтығы регрессиялық талдау, жіктеу, шектен шығуды анықтау, кластерлеу, кеңес беру жүйелері үшін пайдалы. MOA деректер жиыны мен ағындарын, сондай-ақ Интернет заттары (IoT) құрылғылары шығаратын деректерді өзгерту үшін де пайдалы болуы мүмкін.
MOA жұмыс процесі қарапайым схема бойынша жүреді: алдымен деректер ағыны (арна, генератор) таңдалады және конфигурацияланады, содан кейін алгоритм (мысалы, классификатор) таңдалады және оның параметрлері орнатылады. Үшінші қадамда бағалау әдісі немесе шара таңдалады, содан кейін нәтиже алынады.
MOA көмегімен экспериментті орындау үшін пайдаланушы графикалық пайдаланушы интерфейсі (GUI) немесе пәрмен жолы арасында таңдай алады.
Тереңдету 4
Кітапхана сілтемесі: https://deeplearning4j.org/ Deeplearning4j - Java экожүйесіне маңызды инновациялар әкелетін инновациялық үлес қосушылардың бірі. Бұл өте жоғары сапалы кітапхана, Java және Scala тіліндегі ашық бастапқы жоба, бізге тамаша жігіттер (және жартылай интеллектуалды роботтар!) Skymind ұсынған. Deep;earning4j идеясы бизнес ортасы үшін терең нейрондық желілер мен терең оқытуды біріктіру болып табылады.
Deeplearning4j - мыңдаған түйіндері бар кластерлерде жұмыс істейтін бөлінген бағдарламаларды әзірлеуге және іске қосуға арналған Hadoop-пен жұмыс істейтін Java, Scala және Clojure бағдарламашыларына арналған тамаша DIY құралы. Hadoop орасан зор есептеу қуатына және параллельді тапсырмалардың іс жүзінде шексіз санын өңдеу мүмкіндігіне ие. Терең нейрондық желілер және тереңдетілген оқыту үлгіні тануға және мақсатты машиналық оқытуға қабілетті. Бұл Deeplearning4j сөйлеу, аудио және мәтіндегі үлгілер мен сезімдерді анықтау үшін өте пайдалы екенін білдіреді. Бұған қоса, кітапхана қаржылық транзакциялар сияқты уақыттық қатар деректеріндегі ауытқуларды анықтау үшін пайдаланылуы мүмкін.
МАЛЛЕТ
Кітапхана сілтемесі: http://mallet.cs.umass.edu/ MALLET — Эндрю МакКаллум және UMASS және UPenn студенттері жасаған ашық бастапқы Java құралдар жинағы. Бұл кітапхана негізінен машиналық оқыту арқылы мәтінді өңдеуге арналған. Кітапхана атауын түсіндіру – MAchine Learning for LanguageE Toolkit.
Бұл бағдарламалық пакет статистикалық табиғи тілді өңдеуді, кластерлеуді, құжаттарды жіктеуді, ақпаратты іздеуді, модельдеуді және басқа да жетілдірілген оқыту қолданбаларын қолдайды. MALLET-тің негізгі күші - мәтінді түрлендірудің тиімді стандартты proceduresалары сияқты құжаттарды жіктеудің заманауи құралдары. Ол Naive Bayes, Decision Trees, Maximum Decision Trees және Maximum Entropy сияқты алгоритмдердің кең ауқымын, сондай-ақ жіктеуіш өнімділігін талдау codeын қолдайды.
ЕЛКИ
Кітапхана сілтемесі: https://elki-project.github.io/ ELKI – «индекс құрылымдары қолдайтын KDD қолданбаларын әзірлеуге арналған орта» деп аударуға болатын, индекс құрылымдарымен қолдау көрсетілетін KDD қолданбаларын әзірлеуге арналған ортаны білдіреді. Өз кезегінде, KDD – Knowledge discovery in databases – мәліметтерден білімді ауқымды түрде алу мүмкіндігін жасыратын аббревиатура. ELKI-ның назары алгоритмдік зерттеулерге бағытталған, бұл кластерлік талдауда және шектен шығуды анықтауда бақыланbyteын әдістерге баса назар аударады. Жоғары өнімділік пен масштабтауға қол жеткізу үшін ELKI R*-ағаштары (мұндай деректер құрылымдары кеңістіктік ақпаратты индекстеу үшін пайдаланылады) сияқты деректер индексінің құрылымдарын ұсынады, олар өнімділіктің айтарлықтай жоғарылауын қамтамасыз ете алады. ELKI оңай кеңейтіледі және алгоритмдерді оңай және әділ бағалауды қамтамасыз ету үшін жоғары параметрленетін алгоритмдердің үлкен жинағын қамтамасыз етуге бағытталған.
Бұл ELKI деректер ғылымы саласында өте пайдалы екенін білдіреді. Бұл құрал сперматозоидтардың дыбыстарын, ғарыштық ұшуларды және қозғалысты болжауды зерттеу үшін пайдаланылды. Мүмкін сіз басқа Java машинасын үйрену кітапханасын білесіз бе, ол қамтылмаған? Пікірлеріңізде бізбен бөлісіңіз, біз нені жіберіп алғанымызды білу қызықты! Jaxenter материалдарына негізделген
GO TO FULL VERSION