Компаниялар машинаны үйрөнүү жана терең үйрөнүү үчүн code жаза алган программисттер үчүн атаандашууда. Эгерде сизди бул темалар кызыктырса, балким, сиз бүгүн машина үйрөнүү үчүн эң мыкты Java китепканаларын карап чыгышыңыз керектир?
Мини глоссарий
Машина үйрөнүү – бул жасалма интеллект адегенде белгилүү бир маселени кантип чечүү керектигин билбеген, бирок окшош маселелерди чечүү аркылуу бул процессти үйрөнгөн ыкма. мамилелерди куруу үчүн ар кандай математикалык ыкмалар колдонулат. Терең же терең үйрөнүү - бул адамдын чечимдерин туураган нейрондук тармактарды колдонгон машиналык үйрөнүүнүн бир бөлүгү. Терең үйрөнүү көбүнчө чоң көлөмдөгү окуу маалыматтарын талап кылат. Мисалы, саксофонду таануу үчүн алгоритмди орнотуу керек болсо, программа келечекте аларды чаташтырбоо үчүн саксофондордун эле эмес, башка ушул сыяктуу жезден жасалган аспаптарды да берүү керек болот.
Бул келечектүүбү?
Жасалма интеллектти өнүктүрүүнүн узак кышы бүттү. Машина үйрөнүү азыр технологиядагы эң ысык көндүмдөрдүн бири жана теманы түшүнгөн эксперттерге суроо-талап жогору. Азырынча эч бир тил машина үйрөнүү тармагында абсолюттук лидер боло элек, бирок Java сүйүктүүлөрдүн арасында. Андыктан, эгер сиз orмге кызыксаңыз жана жөн гана codeдоо эмес, изилдөө жүргүзгүңүз келсе, биз сизге машина үйрөнүү программалоосу үчүн эң мыкты беш Java китепканасын карап чыгууну сунуштайбыз.
Weka
Китепканага шилтеме: https://www.cs.waikato.ac.nz/ml/weka/index.html Weka биздин абсолюттук сүйүктүү жана бул жерде таң калыштуу эмес. Бул продукт машинаны үйрөнүү ыкмаларын иштеп чыгуу жана аларды реалдуу маалыматтарга колдонуу үчүн заманбап чөйрө катары иштелип чыккан, бул машина үйрөнүү ыкмаларын кеңири колдонууга жеткorктүү кыла турган чөйрө. Weka менен, колдонмо orмпоз, мүмкүн абдан чоң маалыматтардан түздөн-түз пайдалуу бorм алуу үчүн машина үйрөнүү ыкмаларын колдоно алат. Weka 3 бул Java тorнде жазылган акысыз программа. Продукт башка codeго жакшы интеграцияланат, анткени анда ишке ашырылган алгоритмдердин китепканасына түз кирүүнү камсыз кылат. Башкача айтканда, сиз Javaда ишке ашырылган башка системалардын мурунтан эле жазылган алгоритмдерин колдоно аласыз.Мындан тышкары Weka өзүнүн Explorer колдонуучу интерфейсине ээ, Knowledge Flow компонентинин интерфейси, бирок сиз буйрук сабын да колдоно аласыз. Кошумчалай кетсек, Weka үчүн машина үйрөнүү алгоритмдеринин прогноздук жөндөмүн берилген маселелердин топтому боюнча салыштыруу үчүн Experimenter тиркемеси иштелип чыккан.
«Веканын күчү классификацияда. Ошентип, ал маалыматтарды автоматтык түрдө классификациялоону талап кылган колдонмолор үчүн идеалдуу. Weka ошондой эле кластерлөө, болжолдоо, өзгөчөлүктөрдү тандоо жана аномалияларды аныктоо тапшырмаларын аткарат”, - дейт Жаңы Зеландиядагы Вайкато университетинин компьютер orминин профессору Эйбе Франк. Weka машинаны үйрөнүү алгоритмдеринин топтомун түз маалымат базасына колдонсо болот же өзүңүздүн Java codeуңуздан чакырса болот. Ал маалыматтарды алдын ала иштетүү, классификациялоо, кластерлөө, визуализация, регрессиялык анализ жана өзгөчөлүктөрдү тандоо сыяктуу бир нече стандарттуу маалыматтарды иштетүү тапшырмаларын колдойт. Java codeу менен Weka колдонуунун мисалы: https://weka.wikispaces.com/Use+WEKA+in+your+Java+code
Массивдүү онлайн анализи (MOA)
Китепканага шилтеме: https://moa.cms.waikato.ac.nz/ MOA (Massive On-Line Analysis) маалымат агымдарын иштеп чыгуу үчүн негиз болуп саналат. Ал баалоо куралдарын жана убакытты жана эстутумду үнөмдүү болгон машина үйрөнүү алгоритмдеринин топтомун камтыйт. Бул ачык булак китепканасы түздөн-түз машинаны үйрөнүү жана реалдуу убакытта маалымат агымдарынан маалымат чогултуу үчүн колдонулат. MOA Java тorнде жазылган, ошондуктан аны Weka менен бирге масштабдуу жана татаал маселелерди чечүү үчүн оңой колдонсо болот. MOAнын машина үйрөнүү алгоритмдеринин жана баллдык кыймылдаткычтарынын топтому регрессиялык анализ, классификация, четтөөлөрдү аныктоо, кластерлөө, рекомендациялоочу системалар үчүн пайдалуу. MOA ошондой эле маалыматтардын топтомун жана агымын, ошондой эле нерселердин Интернети (IoT) түзмөктөрүндө өндүрүлгөн маалыматтарды өзгөртүү үчүн пайдалуу болушу мүмкүн.
MOAдагы иш процесси жөнөкөй схема боюнча жүрөт: адегенде маалымат агымы (канал, генератор) тандалып конфигурацияланат, андан кийин алгоритм (мисалы, классификатор) тандалып, анын параметрлери коюлат. Үчүнчү кадамда баалоо ыкмасы же чарасы тандалып алынат, андан кийин жыйынтык чыгарылат.
MOA аркылуу эксперимент жүргүзүү үчүн колдонуучу графикалык колдонуучу интерфейсин (GUI) же буйрук сабын тандай алат.
Терең үйрөнүү 4
Китепканага шилтеме: https://deeplearning4j.org/ Deeplearning4j Java экосистемасына олуттуу инновацияларды алып келе жаткан инновациялык салым кошуучулардын бири. Бул абдан сапаттуу китепкана, Java жана Scala тилдериндеги ачык булактуу долбоор, бизге мыкты балдар (жана жарым акылдуу роботтор!) Skymind сунуштаган. Deep;earning4jдин идеясы терең нейрон тармактарын жана бизнес чөйрөсү үчүн терең үйрөнүүнү айкалыштыруу болуп саналат.
Deeplearning4j - бул миңдеген түйүндөр менен кластерлерде иштеген бөлүштүрүлгөн программаларды иштеп чыгуу жана иштетүү үчүн негиз болгон Hadoop менен иштеген Java, Scala жана Clojure программисттери үчүн мыкты DIY куралы. Hadoop эбегейсиз эсептөө күчү жана параллелдүү тапшырмалардын дээрлик чексиз санын чечүүгө жөндөмдүү. Терең нейрон тармактары жана терең бекемдөөчү окутуу үлгүлөрдү таанууга жана машинаны максаттуу үйрөнүүгө жөндөмдүү. Бул Deeplearning4j сүйлөө, аудио жана тексттеги үлгүлөрдү жана сезимдерди аныктоо үчүн абдан пайдалуу экенин билдирет. Кошумчалай кетсек, китепкана финансылык транзакциялар сыяктуу убакыт сериясындагы маалыматтардагы аномалияларды аныктоо үчүн колдонулушу мүмкүн.
MALLET
Китепканага шилтеме: http://mallet.cs.umass.edu/ MALLET бул Эндрю МакКаллум жана UMASS жана UPenn студенттери тарабынан түзүлгөн ачык булактуу Java инструменттери. Бул китепкана негизинен машина үйрөнүү аркылуу текстти иштетүү үчүн иштелип чыккан. Китепкананын аталышынын түшүндүрмөсү - MAchine Learning for LanguageE Toolkit.
Бул программалык пакет статистикалык табигый тилди иштетүүнү, кластерлөө, documentтерди классификациялоо, маалыматты издөө, моделдөө жана башка өркүндөтүлгөн окуу колдонмолорун колдойт. MALLETтин негизги күчү documentти классификациялоонун заманбап инструменттери, мисалы, текстти трансформациялоонун эффективдүү стандарттык proceduresалары. Ал алгоритмдердин кеңири спектрин колдойт, анын ичинде Naive Bayes, Decision Trees, Maximum Decision Trees жана Maximum Entropy, ошондой эле классификатордун натыйжалуулугун талдоо codeу.
ЭЛКИ
Китепкананын шилтемеси: https://elki-project.github.io/ ELKI "индекс структуралары тарабынан колдоого алынган KDD-тиркемелерди өнүктүрүү үчүн чөйрө" дегенди билдирет, аны "индекс структуралары колдогон KDD тиркемелерин иштеп чыгуу үчүн чөйрө" деп которсо болот. Өз кезегинде, KDD - Маалыматтар базаларында бorмди табуу - бул маалыматтардан бorмди масштабдуу алуу мүмкүнчүлүгүн жашырган аббревиатура. ELKIнин басымы алгоритмдик изилдөөгө бурулуп, кластердик анализде көзөмөлсүз методдорго басым жасайт. Жогорку өндүрүмдүүлүккө жана масштабдуулукка жетишүү үчүн ELKI R*-дарактар (мындай маалымат структуралары мейкиндик маалыматты индекстөө үчүн колдонулат) сыяктуу маалымат индексинин структураларын сунуштайт, алар аткаруунун олуттуу өсүшүн камсыздай алат. ELKI оңой узартылат жана алгоритмдерди оңой жана адилеттүү баалоону камсыз кылуу үчүн жогорку параметрлештирилген алгоритмдердин чоң топтомун камсыз кылууга багытталган.
Бул ELKI маалымат orм тармагында абдан пайдалуу экенин билдирет. Бул курал сперма киттеринин үндөрүн изилдөө, космостук учууларды жана жол кыймылын болжолдоо үчүн колдонулган. Балким, сиз камтылбаган дагы бир Java машина үйрөнүү китепканасын билесизби? Комментарийлериңизде биз менен бөлүшүңүз, эмнени өткөрүп жибергенибизди билүү кызыктуу! Jaxenter материалдарынын негизинде
GO TO FULL VERSION